接触多因子策略，总会看到IC值、IR值，作为某种度量指标。
IC值的定义
IC是Information Coefficient的缩写，称为信息系数。
IC代表的是预测值和实现值之间的相关性，通常用于评价预测能力（即选股能力）。
I C ∈ [ − 1 , 1 ] 绝 对 值 越 大 ， 表 示 预 测 能 力 越 好 IC \in [-1,\; 1] \\ 绝对值越大，表示预测能力越好
IC∈[−1,1]
绝对值越大，表示预测能力越好
IC的计算方式有两种：normal IC、rank IC
因为normal IC有一个前提条件，就是数据要服从正态分布，现实往往不理想，所以实际中更多人采用rank IC（秩相关系数）来判断因子的有效性。两者分别对应Pearson 或者 Spearman 相关系数
Normal IC
IC（Information coefficient 信息系数）的定义：t期（这里的期一般指的是调仓周期）的因子载荷（因子值）对t+1期的收益预测值和实际收益之间的相关系数。
I C A = c o r r e l a t i o n ( f A , r ) IC_A=correlation(f_A,r)
IC
A
=correlation(f
A
,r)
I C A : 因 子 A 在 改 期 的 I C 值 f A ： t 期 因 子 A 对 T + 1 期 收 益 率 的 预 测 值 （ 或 向 量 ） r ： t + 1 期 股 票 实 际 收 益 率 （ 或 向 量 ） IC_A:因子A在改期的IC值\\ f_A：t期因子A对T+1期收益率的预测值（或向量）\\ r：t+1期股票实际收益率（或向量）\;\;\;\;\;\;
IC
A
:因子A在改期的IC值
f
A
：t期因子A对T+1期收益率的预测值（或向量）
r：t+1期股票实际收益率（或向量）
要计算IC就需要知道因子对下期收益率的计算。很多文献中是直接用t tt期的因子值来当作这个对t + 1 t+1t+1期的收益预测值，也就是说，直接计算t tt期因子值与t + 1 t+1t+1期的收益率之间的相关系数，作为IC值。
求IC需要有足够的数据才有意义
案例
因子：20日收益方差
股票池：000001.SZ 平安银行；000002.SZ 万科A； 000006.SZ 深振业A； 000008.SZ 神州高铁
日期：2018.1.2
Rank IC
Rank IC和Normal IC的唯一不同点在于，求相关系数时，采用秩相关系数。
Rank IC：t期的因子载荷（因子值）的排序值和t+1期的因子收益的排序值之间的相关系数。
IR值的定义
IR的是Information Ratio的缩写，即信息比率。
IR指的是超额收益的均值与标准差之比。需要多个调仓期，每一个调仓期计算出一个IC值。
IR代表因子获得稳定Alpha的能力。
I R = I C 的 多 周 期 均 值 I C 的 标 准 方 差 IR=\frac{IC的多周期均值}{IC的标准方差}
IR=
IC的标准方差
IC的多周期均值
IR有时指因子IR，有时是策略IR，对于策略IR：
策 略 I R = 超 出 指 数 收 益 超 出 指 数 收 益 的 波 动 率 策略IR=\frac{超出指数收益}{超出指数收益的波动率}
策略IR=
超出指数收益的波动率
超出指数收益
策略IR表示策略稳定战胜基准指数的能力。
IC与IR
IR等于多个调仓周期的IC均值除以这些IC的标准差，所以IR兼顾了因子的选股能力（由IC表征）和选股能力的稳定性（由IC的标准方差的倒数代表）
IC最大值为1，表示该因子选股100%准确，对应的排名分最高的股票，选出来的股票在下格调仓周期中涨幅最大；反之-1，则是反向指标。实际中对于多年的IC均值，当I C > 0.05 IC>0.05IC>0.05时，就可以视为有效因子，当I C > 0.1 IC>0.1IC>0.1，就可以认为是很好的阿尔法因子了。当IC均值接近0，可视为无效因子。
IR大于0.5时，因子稳定获取超额收益的能力较强。
References
【因子分析】之 Normal IC 与 Rank IC 的区别 (此文定义有误)
量化投资学习——因子IC、IR的介绍
Information Coefficient (IC) Definition
2017.12.29-渤海证券-多因子模型研究之二：收益预测模型