因子信号回测漂亮、实盘失灵？IC 与 Rank IC 这样选

因子信号回测漂亮、实盘失灵？IC 与 Rank IC 这样选

【免费下载链接】gs-quantPython toolkit for quantitative finance项目地址: https://gitcode.com/GitHub_Trending/gs/gs-quant

你大概率遇到过这种情况：某个因子回测里 IC 曲线一路向上，等拿到实盘信号就衰减得很快。多数时候，问题不在数据，而在你用来衡量预测力的指标本身。gs-quant 的因子风险模型和时序模块，正好提供了一对互补的检验工具：Pearson IC 和 Rank IC（信息系数，用来量化"因子值对未来收益的预测力"，前者取相关系数，后者先排名再取相关）。

从因子风险模型手里拿到什么数据

判断一个因子有没有用，前提是先把它的历史表现取出来。gs-quant 里这套东西集中在gs_quant/models/risk_model.py，模型对象上可以直接取到因子收益、因子暴露，以及因子之间的协方差矩阵（描述一组因子彼此相关程度的一堆数字）——有了这份矩阵，组合层面的风险归因才算完整。

取数入口是get_factor_data，大约在第 682-726 行。你只需要关心三个参数：

from gs_quant.models.risk_model import FactorRiskModel import datetime as dt model = FactorRiskModel.get("MODEL_ID") data = model.get_factor_data( start_date=dt.date(2024, 1, 1), end_date=dt.date(2024, 6, 1), identifiers=["FACTOR_ID"], )

这几行做的事：加载一个因子风险模型，然后按日期区间和因子 ID 拉出它的历史数据，返回的 DataFrame 就是后面算 IC 的原料。

Pearson IC 和 Rank IC 到底差在哪

• Pearson IC：拿某一截面的因子值和这些股票下一期的收益，直接算相关系数。计算快、信息全，但一个离群点就能把整条曲线拽歪。
• Rank IC：先把两边都换成横截面排名，再算相关。相当于把"涨了多少"压缩成"排第几"，极端行情基本伤不到它。

gs-quant 的gs_quant/timeseries/econometrics.py里有个现成的correlation函数（第 767 行起），传一个滚动窗口就能算出逐期的 IC 序列，不用自己写循环。

📊 什么时候信 IC，什么时候信 Rank IC

• 单票单日出现 ±30% 这种收益时，Pearson IC 很容易被这一只票拉偏——离群点同时抬高两个序列的波动和相关值，算出来虚高；Rank IC 对这种冲击基本无感，留下的是因子对大多数股票的真实预测力。
• 反过来，如果你的因子暴露接近正态分布，而且尾部那几只票的幅度本身就是信号的一部分，Pearson IC 保留了幅度信息，读数更"值钱"。

比较稳妥的分工是：日常监控看 Rank IC 判断信号健康度，做归因时再看 Pearson IC 拆尾部贡献。

执行环节里，因子暴露同样要用

模型说"该买该卖"，执行时还要看成本。gs-quant 的 APEX 模块会在调仓前分析订单的因子暴露结构，并按流动性聚类估计市场冲击，决定怎么拆单。它的聚类逻辑就是用队列时间、点差、成交规模这些特征把股票分成若干组，每组的市场冲击特征差别很大：

执行方式选得不好，因子结构会在下单过程中被悄悄改变。

下一步建议：用get_factor_data拉出你手上因子的历史序列，用滚动窗口同时算 Pearson 和 Rank 两条 IC 曲线放在一起看——两条线的背离程度，往往比单条线的水平更早暴露信号的问题。

【免费下载链接】gs-quantPython toolkit for quantitative finance项目地址: https://gitcode.com/GitHub_Trending/gs/gs-quant