Qlib 量化选股面板

信息系数 (IC) 在衡量什么？

信息系数（Information Coefficient, IC）衡量的是：在某个截面上，你用因子（或模型打分）给股票排序 / 定量之后，这份「预测」与随后实现的收益有多一致。
一句话：IC 高 ≠ 明天一定涨；而是预测顺序与未来收益顺序是否经常同向。

实现方式上，IC 通常是横截面相关系数：每个交易日算一次，得到一条随时间变化的 IC 序列；再在时间上取均值、标准差，得到 IC 均值、ICIR 等汇总量。

两种常用 IC

Pearson IC
因子值与未来收益的线性相关系数。对极端值、量纲敏感；因子长尾或未被 winsorize 时，单日 IC 波动可能很大。
Rank IC（Spearman IC）
先把因子与未来收益换成**秩（排名）**再算相关。更关心「谁比谁好」，对单调关系稳健，业界因子检验更常用 Rank IC。

标签要对齐：IC 在预测谁？

IC 定义里最关键的是「未来收益」怎么定：不同 label 下，IC 的符号与可比性都不同。Qlib 默认 Alpha158 常用标签形如：

Ref($close, -2) / Ref($close, -1) - 1

即用 T+1 相对 T+2 的收益率这类前瞻收益（具体取决于数据与交易约定），本质是「下一持有期的收益」，而不是「下一个 tick」。
在自己改标签或看论文时，务必核对：高因子值对应的是预测高收益还是高异常收益，再解读 IC 正还是负。

IC 与 ICIR 怎么读

业界常用的经验区间（因市场、频率、样本而异，仅作数量级参考；不必当硬阈值）：

|IC| 或 |Rank IC| 若是日频横截面，0.05 量级已常被视为很强；0.01～0.03 也可能在成本控制得好时有用。
ICIR = IC 序列的 均值 / 标准差，刻画「预测能力是否稳定」：同样平均 IC，波动越小 ICIR 越高，过拟合与「靠几天极端日子撑起来」的风险相对低。

注意：

单期 IC 噪声极大：要看滚动均值、累计 IR、分层多空等，而不是盯某一天。
换手率与衰减：IC 高但因子每天都在剧变，加上成本可能无法变现；评估时往往要结合换手、持有期与交易成本（可在回测层看）。
与面板展示的关系：因子页上的整体 IC / Rank IC 多来自当前实验里对模型信号或合成因子的检验，不是给 Alpha158 每一列各算一条 IC；要逐因子诊断需在研究脚本中单独跑。

实操检查清单（避免误用）

无偷看：特征仅用当前交易日及过去信息；收益用真正实现价与可实现持有期。
样本切分：训练 / 验证 / 测试时间段严格分开；IC 在测试段断崖下跌 = 典型过拟合信号。
中性化与风险：行业、市值、风格可能「假增」IC；正式论文与资管流程里常与中性化、风险模型一起报告。
Rank vs Pearson：对外对比时说明用的是哪一种；比较 Rank IC 与 Pearson IC 差异过大时，先查极端值与分布。

小结

IC / Rank IC 度量的是预测截面与未来收益截面的一致性；默认配置下要与 Qlib 的 label 定义对齐再谈正负。报告 IC 均值 + ICIR + 时间稳定性 比单日 IC 更有意义；单因子诊断需要在研究流程里单独计算，本面板侧重模型级汇总展示时可留意脚注说明。