在做量化投资时，常常听人说：“这个因子IC高”、“那个因子稳”、“这组因子重复了”等。

但到底啥叫因子好？怎么用数据和代码去验证？ 今天就带你搞清楚：衡量一个量化因子好坏的完整体系——从指标、公式到代码全都有。

一、量化因子“四维体检体系”

我们判断因子优劣，核心有四个维度：

我叫它“四维体检法”，IC 是心电图、ICIR 是体温、分层收益是血压、可持续性是耐力。 接下来，我们一维一维拆开讲，公式+代码全带上。

二、第一维：IC（Information Coefficient）信息系数

公式定义：

IC衡量的是：因子值高的股票是否在未来真的涨得多。

判断标准：

注：上述阈值基于日频A股因子经验，若为周/月频或行业中性因子，应适当放宽（例如0.01/0.03为边界）。

Python实战：用 RSI 因子举例

为了方便大家好理解，这里我们用常见的RSI（相对强弱指标）当示例因子，计算IC。 行情数据我们用xtquant+miniQMT这个组合。

先发一个获取行情的方法，后面会用到：

有了行情，接下来我们计算RSI因子的IC，代码如下：

计算完IC以后，我们顺手把IC的走势图绘制一下，方便更直观的看出因子的预测能力。 核心代码如下：

按照上面的逻辑，我统计了全部A股（排除BJ的）RSI因子对应的未来10天收益的IC均值，结果如下：IC均值: -0.0797。

以下是对应的因子IC时序走势图：

先来看IC均值为负的含义：

RSI值越高，未来10天收益反而越低。这其实完全符合RSI的经典性质——短期反转特征。换句话说，当股票近期涨得过快（RSI高）时，未来可能会出现回调；而近期跌得多（RSI低）时，则可能出现反弹。而且绝对值>0.05，说明RSI具有较强的反向预测力，是一个反转型优秀因子。

三、第二维：ICIR（信息比率）

定义公式：

衡量IC均值与波动的比值，类似“夏普比”。 它告诉你：因子的预测能力是否稳定。

判断标准：

Python实战：

计算ICIR相对就简单多了，只是对上面结果的一个统计分析，代码如下：

基于全A统计，RSI因子的ICIR为-0.5501。

ICIR 的绝对值反映预测稳定性。虽然 RSI 的 ICIR = -0.5501（为负表示反向信号），但绝对值较高，说明该反向关系稳定可靠，这一点在后文信号衰减分析中也能得到印证。这也刚好符合RSI的经典性质——反转特征。

四、第三维：分层收益（Portfolio Return Spread）

定义公式：

将样本按因子值分为五层（Q1–Q5）：

即高因子组和低因子组未来收益之差。若Spread长期为正，说明因子能区分强弱股，具有实战价值。

Python实战：

我们来看看全A股票的RSI因子分层多空累计收益：

从上图中可以明显看到： RSI因子的多空组合在测试初期快速上涨至约 +0.6，随后出现陡峭回落，最终跌至 -1.0附近并趋于平稳。初期上涨可能是样本噪声或极端行情所致，长期趋势为负，符合RSI反向特征。

五、第四维：信号可持续性（Autocorrelation）

信号可持续性可从两方面衡量：

一是因子值的时间自相关（信号稳定性），

二是因子预测力的IC衰减（有效期）。本文以IC衰减为例进行展示。

公式定义：

衡量因子在时间上的稳定性，IC衰减：

这条曲线反映因子的预测力能持续多长时间。

Python实战：

前文的IC计算基于未来10天收益。为了观察信号随持有期的衰减，我们在此计算不同持有期（1、3、5、10、20天）对应的平均IC。

这种典型的 快速衰减形态，说明RSI的预测能力主要集中在短周期内，仅能捕捉短期反转，而无法维持中长期的趋势判断。

总结

关注"叩富问财"公众号，回复"资深吴经理"，联系专属客户经理开通量化交易权限！

立即行动：打开微信，搜索"叩富问财"，在对话框中输入"资深吴经理"，开启你的量化交易之旅！