新闻详情

新闻详情

首页 / 资讯中心 / 详情

QuantsPlaybook ICIR 因子评估:从零看懂因子“稳不稳“

发布时间:2026/11/16 14:06:25来源:尧图网络
QuantsPlaybook ICIR 因子评估:从零看懂因子“稳不稳“
QuantsPlaybook ICIR 因子评估从零看懂因子稳不稳【免费下载链接】QuantsPlaybook量化研究-券商金工研报复现项目地址: https://gitcode.com/GitHub_Trending/qu/QuantsPlaybook在 QuantsPlaybook ICIR 是判断一个因子能不能用的第一把尺子。这个复现了上百篇券商金工研报的开源项目里几乎每个因子 notebook 都藏着完整的 ICIR 评估流程。下面挑一个动量因子带你把怎么算、怎么读、怎么判完整走一遍。 ICIR 到底在量什么一句话讲清先别记公式把它想象成考试成绩。ICInformation Coefficient信息系数相当于每一次月考的分数每个调仓日算一次因子值与下月收益的相关性一期出一个数。ICIRIC 信息比率就是平均分除以分数的波动即 IC 均值 ÷ IC 标准差。它只回答一个问题预测能力稳不稳。一个 IC 均值 0.05 但波动小的因子ICIR 会高于 IC 均值 0.08 但忽大忽小的因子——前者是稳定发挥的学生后者是赌一把的彩票。项目内部是怎么把 ICIR 算出来的QuantsPlaybook ICIR 的数据流就四步行情数据 → 因子值 → IC 序列 → ICIR。数据层notebook 先用 jqdata 或 tushare 拉行情剔除 ST、停牌、上市不满一年的股票形成干净股票池因子层逐日算因子值比如过去 20 日收益率就是最基础的动量因子IC 层每个交易日算一次截面相关scr/core.py 里用的是 Spearman 秩相关按排名算相关避开极端值干扰ICIR 层IC 序列求均值再除以标准差composition_factor.py 里ic_ir mean_ic / std_ic就是最直白的写法还套了滚动窗口用来给因子加权重。你搜因子ICIR怎么算想找的就是这条四步流水线而不是一行神秘代码。拿动量因子走一遍从输入到读数打开 再论动量因子.ipynb能看到最完整的一次读数。输入很简单中证 500 成分股2007–2019 年月度调仓20/60/120/240/480 日五个窗口且按申万一级行业和对数流通市值做了中性化把行业和市值的影响从因子里剥离出去。输出的是一张五行表格IC、IC_IR、多空夏普、单调性 MONO_Score各组收益是否按因子大小有序排列、换手率。读数时抓住三点20 日动量IC ≈-0.046IC_IR ≈ -0.06760 日动量IC_IR ≈ -0.070是五个窗口里最稳的负号才是关键A 股短期是反转——前期涨得多的股票下个月倾向跌所以这个因子要靠做空强、做多弱赚钱。约 150 个月样本里 |ICIR| 只有 0.05–0.07绝对值算一般但方向十几年来没翻过——这正是量化因子有效性评估里 ICIR 想表达的东西。仓库里其他案例同理STR 凸显性因子的 Rank ICIR ≈ 0.35筹码分布因子、球队硬币因子用的都是同一套读数方法。⚖️ ICIR 多少算好别被单一数字骗了QuantsPlaybook ICIR 的表格多为月度频率业内常用的 ICIR判断标准大致如下ICIR月度评价 0.5优秀因子0.3 – 0.5良好因子0.1 – 0.3一般因子 0.1需进一步优化两个常见误读要避开ICIR 高但样本量不足只有几个月的 IC标准差天然小ICIR 被除得虚高可信结论至少要几年的样本ICIR 高但 IC 均值低均值 0.02、标准差 0.02 也能得出 ICIR 1可预测力很弱读数时 IC 均值、IC 胜率和 ICIR 要一起看。另外注意口径股票网络中心度因子 的文档里直接给出 IC_IR ≈ 3.97 这样的大数那是年化口径月度 ICIR × √12别和上表的月度数字直接混比。高 ICIR 因子做成组合后净值曲线通常就是这种平滑少深坑的形态五分钟内跑通第一次 ICIR 分析三行命令git clone https://gitcode.com/GitHub_Trending/qu/QuantsPlaybook cd QuantsPlaybook pip install pandas numpy scipy statsmodels jupyter notebook B-因子构建类/再论动量因子/py/再论动量因子.ipynbnotebook 里股票池、起止日期、分析参数都预设好了QuantsPlaybook ICIR 工作流开箱即用按顺序运行单元格就能读到那张五行表。想看更短的案例可以换 STR 凸显性因子完整的案例都放在B-因子构建类/下底层回测与风险指标在 hugos_toolkit/BackTestReport/ 里。⚠️ 别踩这几个坑项目接下来要做什么跑之前记住四条只看 ICIR 不看换手率动量因子月度换手接近 0.93成本吃掉一半 alpha 就不香了月度与年化口径混着比差一个 √12结论会翻车单一股票池下结论动量因子在中证 500 上是反转换中证 300 读数可能完全不同只看单个窗口20 日和 240 日要合着看单窗口容易自欺。项目仍在持续新增研报复现覆盖择时、因子、价值、组合四大类 100 策略工具链也一直在hugos_toolkit/与SignalMaker/中沉淀。打开项目里的B-因子构建类/目录挑一个你感兴趣的因子把第一次 ICIR 分析跑起来。【免费下载链接】QuantsPlaybook量化研究-券商金工研报复现项目地址: https://gitcode.com/GitHub_Trending/qu/QuantsPlaybook创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉