在上一篇文章中我们已经讨论过单因子分析的分层测试过程，分层测试的可视化非常强，我们可以一目了然的看出因子值对未来收益的影响。但是分层测试所能反应的信息是有限的，尤其是在我们换仓周期较长的情况下，分层测试其实是做了一次有规律采样，反应信息的准确度和完整度都有下降。于是我们在单因子测试中还有**IC/ICIR**，帮助我们进行更为深入的因子分析。 *** ### 1.先看看定义 IC是**Information Coefficient**，称为信息系数，本质是当期因子数据与指定未来收益率的相关系数。 IR是**Information Ratio**，称为信息比率，是用IC的均值除以标准差，可以对IC的稳定性进行衡量。 ### 2.算法 IC分为两种，**normal IC和rank IC**，前者指我们平时采用的相关系数，后者称为秩相关系数，是将当期的因子值和未来收益率数据分别进行排序，取各自的序号进行相关系数计算，这样处理后更能反应因子大小对未来收益率的影响。在后续的代码中我们将详细解释如何计算这两种相关系数以及对应的ICIR。 **可以把IC和ICIR理解为一把标尺**，用来度量因子的有效性，但是这把尺子并没有给我们相应标准，也就是说多大的IC才算作有效。 相关系数所能反应的信息是线性的也是非常有限的，这会造成我们的计算结果非常小，基本围绕0波动，如果有一天你得到了一个IC均值绝对值在0.08以上的因子，那么恭喜你，这是一个可喜的成果。现在的问题在于我们如何确认如此小的相关系数是否代表因子有效呢？**T-test**将会帮我们完成这个检验。我们利用统计检验中的均值检验，原假设为IC均值等于0，也就是因子中并未包含可以预测未来收益率的信息。备择假设为IC均值不等于0。通过计算IC_mean的T统计量和显著水平我们可以判定是否可以拒绝原假设，从而验证是否非常小的数值也是有意义的。 那么具体该怎么计算呢，我将详细备注写在了代码中，相信会对你有帮助。。。