跳至主要內容
台股研究 約 7 分鐘閱讀

Information Coefficient（IC）是什麼？台股因子 IC 實測與避免過擬合教學

Information Coefficient（IC）是衡量選股因子預測力的指標，用因子值與未來報酬的相關係數計算。本文用 finlab 實測台股 2010–2026 全市場：動能因子 20 日前瞻 IC 約 0.0199、ROE 約 0.0130，都越過一般因子有效門檻 0.01，並附 Python 程式碼、十分位單調性與滾動 IC 穩定度，說明 IC 如何幫你避免過擬合。

IC 把『這個因子到底有沒有用』量化成一個數字，是避免過擬合最重要的驗證工具。

台股五大因子的 20 日前瞻 IC 長條圖，動能與 ROE 越過 0.01 有效門檻

Information Coefficient（IC，資訊係數）是因子預測值與未來實際報酬之間的相關係數，用來把「這個選股因子到底有沒有預測力」量化成一個可比較的數字。 它回答的問題是：我今天用這個因子把股票排序，這個排序對未來報酬有沒有預測力？IC 越接近正向，代表因子排越前面的股票、未來報酬傾向越高。下表是我們用 finlab 實測台股 2010–2026 全市場上市櫃、20 個交易日（約一個月）前瞻 IC 的結果。

台股五大因子的真實 IC（關鍵數字）

因子 平均 IC IC IR 正值期間佔比 是否過 0.01 門檻
動能（過去 60 日報酬） +0.0199 0.165 59.5% ✅
ROE（稅後） +0.0130 0.163 58.9% ✅
股價淨值比（反向） +0.0047 0.063 54.8% ❌
本益比（反向） +0.0046 0.099 57.3% ❌
營收年增率 +0.0023 0.079 47.7% ❌

資料來源：finlab factor_analysis.ic，全市場上市櫃、2010-01 至 2026-06、20 日前瞻、Pearson 相關。動能與 ROE 兩個因子越過「一般因子 IC > 0.01」的實務門檻，價值類（本益比、股價淨值比）與營收年增在這段期間的單因子 IC 偏低。這正是 IC 的用處：在做出任何回測之前，先用一個數字判斷因子值不值得用。

IC 是什麼？為什麼比回測曲線更該先看

IC 是因子值與「未來」報酬的相關係數。和一般相關係數的數學定義相同，差別在於它帶有時間先後：先有今天的因子分數、再對應未來一段時間的報酬，因此衡量的是「預測力」而不是「同期關聯」。實務上 IC 通常逐期計算（例如每天或每月，對全市場算一次因子分數與下一期報酬的相關係數），再取一段時間的平均與波動。

在量化交易的研發流程裡，IC 把「因子是否有效」這件事量化成一個可比較的數字，而不是靠回測曲線好不好看來判斷。回測曲線漂亮，可能只是剛好選到一兩支暴漲股；IC 是全市場、逐期的統計，較難被少數樣本扭曲。Grinold 在 Grinold (1989) 提出的「主動管理基本法則」更把它寫成一條關係式：資訊比率 IR ≈ IC × √（投資廣度），意思是因子預測力（IC）與押注次數（breadth）共同決定一個策略長期能創造多少風險調整後報酬。換句話說，因子的預測力（IC）是策略長期獲利能力的源頭之一，這也是它值得在動筆寫策略前就先量化的原因。

IC 多少算好？用真實數字校準

實務經驗常說：一般因子的 IC 盡量大於 0.01，機器學習模型的綜合 IC 最好大於 0.05。從上面的台股實測可以看到，單一因子的月頻 IC 普遍就落在 0.002 到 0.02 之間，這是正常的，不要被「相關係數只有 0.02」嚇到。因子預測力本來就微弱，量化的獲利來自把大量微弱但穩定的訊號，透過分散的押注累積起來（這正是 Grinold 法則裡 breadth 的角色）。

所以正確的讀法是：動能的 0.0199 與 ROE 的 0.0130 是「可用」的單因子；要把綜合 IC 推到 0.05 以上，得靠多個低相關因子的組合，而不是把單因子的門檻訂得不切實際。把多個因子組成策略的完整流程，可以參考因子分析實戰：3 因子選股與多因子選股策略教學，IC 在那裡扮演的就是篩選與排序因子的角色。

怎麼用 finlab 算 IC？

finlab 內建 factor_analysis.ic，傳入因子與還原股價，就會回傳逐期 IC 的時間序列：

顯示程式碼 
from finlab import data
from finlab.tools.factor_analysis import ic
 
adj = data.get('etl:adj_close')
 
# 動能因子：過去 60 個交易日的報酬
momentum = adj / adj.shift(60) - 1
 
# 計算 20 日（約一個月）前瞻 IC 的時間序列
ic_series = ic(momentum, adj, days=[20])
 
print(ic_series.mean())   # 平均 IC ≈ 0.0199

第一次取資料時，finlab 會自動引導登入，照套件指示操作即可。要一次比較多個因子，把它們放進迴圈分別計算平均 IC 就能得到本文開頭那張長條圖：

顯示程式碼 
factors = {
    '動能(60日)': momentum,
    'ROE(稅後)': data.get('fundamental_features:ROE稅後'),
    '本益比(反向)': -data.get('price_earning_ratio:本益比'),
    '股價淨值比(反向)': -data.get('price_earning_ratio:股價淨值比'),
    '營收年增率': data.get('monthly_revenue:去年同月增減(%)'),
}
 
for name, f in factors.items():
    s = ic(f, adj, days=[20]).iloc[:, 0].dropna()
    print(name, round(s.mean(), 4), 'IR', round(s.mean() / s.std(), 3))

本益比與股價淨值比取負號，是因為「比值越低越便宜」，要讓因子方向與報酬同向。

IC 不能只看平均：時間穩定度

平均 IC 為正只是及格線，更重要的是它穩不穩。把動能因子的月度 IC 畫出來，可以看到它逐月上下波動，但累積 IC 長期穩定向上，代表這個訊號不是靠某一段行情撐起來的。

動能因子的月度 IC 與累積 IC 曲線，月度波動但長期累積向上

衡量穩定度的常見方式是 IC IR（IC 的平均除以標準差），上表動能與 ROE 的 IC IR 都在 0.16 左右。再把 IC 取滾動 12 個月平均，更能看出因子的「失效期」：動能因子在 2010–2026 約有 68.9% 的時間滾動 IC 為正，但也存在幾段轉負的區間，這就是需要持續監控、而非設定一次就放著不管的理由。

動能因子的滾動 12 個月 IC，多數時間為正但有失效期

分位數檢驗：IC 背後的單調性

IC 是一個總結數字，搭配十分位前瞻報酬看會更踏實。把每個再平衡日的股票，依動能因子分成十等分，再看各分位未來 20 日的平均報酬：

動能因子十分位的前瞻報酬長條圖，分位越高報酬越高呈單調遞增

第 2 分位到第 10 分位呈現清楚的單調遞增，最強分位（+1.47%）比最弱那幾組高出約 0.78 個百分點。單調性比單一 IC 數字更能說服人：整條排序由弱到強都帶有資訊，代表因子的效果遍及全市場，而非只集中在少數極端股票。如果一個因子 IC 為正、分位卻雜亂無章，那這個訊號就值得懷疑。

IC 會隨持有期改變嗎？

同一個因子，用不同的持有期（前瞻天數）算 IC，結果可能差很多。把動能與 ROE 的 IC 分別在 5、10、20、60、120 個交易日的前瞻期算出來：

因子 IC 隨持有期變化的折線圖，動能在長持有期 IC 更高、ROE 隨持有期遞減

動能因子的 IC 隨持有期拉長而升高，從 5 日的約 0.011 一路升到 120 日的約 0.039，是偏中長期的訊號；ROE 則相反，在 10 日內最強（約 0.016），之後隨持有期遞減，到 120 日只剩約 0.003，屬於短期較有效的品質訊號。這代表同一個因子的 IC 高低，和你打算持有多久綁在一起：研究因子時必須連持有期一起定義，否則容易誤判因子的強弱，這也是為什麼選好因子之後，還要選對再平衡頻率。

IC 最重要的價值：避免過擬合

當你回測「每月持有 10 檔股票」時，一年的樣本數只有 12 × 10 = 120 個。樣本這麼少，只要選到一兩支暴漲股，回測績效就會異常漂亮。問題是你永遠分不清，自己究竟是：

  • 發現了某個現象，捕捉到真的會上漲的股票，還是
  • 為了套住已知會上漲的股票，反推設計出這些條件。

兩者都能讓回測好看，但樣本外（實單）結果天差地別。Bailey, Borwein, López de Prado & Zhu (2014) 證明：只要你反覆嘗試足夠多組策略設定，幾乎一定能挑出一條樣本內夏普很高、樣本外卻沒用的曲線，他們把這種風險量化成「回測過擬合機率」。IC 的好處正在於它是全市場監測：你的樣本一下子變成上市櫃近兩千檔，還能用滾動方式增加樣本數，大幅降低被少數幸運股誤導的機率。想從另一個角度量化過擬合風險，可以搭配用回測過擬合機率判斷策略真實力：IC 看的是因子在全市場的預測力，過擬合機率評估的是這組回測有多大可能只是運氣，兩者互補。

機器學習選股更該用 IC 把關。如果用基因演算法暴力列舉參數，隨時都能生出回測漂亮的策略，但那多半是過擬合。正確做法是先把模型輸出的綜合 IC 調到夠高、且在樣本外穩定，再來談回測。實際把 IC 用在 ML 選股的流程，可以參考用 Qlib 與 finlab 訓練台股 AI 選股模型與機器學習產生交易訊號的正確方法。

計算口徑與限制

  • 相關係數類型：finlab factor_analysis.ic 用的是 Pearson 相關。Pearson 對極端值較敏感（例如本益比的離群值），改用排序後再算相關的 Rank IC（Spearman）結論可能不同：在台股上，價值因子的 Rank IC 明顯高於 Pearson、動能則相反，本文的因子強弱排序若改看 Rank IC 會翻盤，完整實證見 Rank IC vs Pearson IC 的台股對照。
  • 前瞻期間：本文用 20 個交易日（約一個月）。換成 5 日或 60 日，IC 的數值與最佳因子可能改變，因子的「最適持有期」本身就是要研究的問題。
  • 樣本：全市場上市櫃，未額外排除全額交割、KY 股或低流動性個股；嚴謹的因子研究會再加流動性過濾，避免回測買得到、實單買不到。
  • IC 不是報酬：IC 衡量的是預測力，不是策略淨報酬，因此這裡不涉及手續費、證交稅與滑價；那些要在把因子做成策略、進入回測時才計入。
  • 數字可重現：上表數字由全市場資料逐期計算後平均，使用相同資料窗重跑即可重現。

常見問題（FAQ）

Information Coefficient（IC）是什麼？

IC 是因子預測值與未來實際報酬之間的相關係數，用來衡量一個選股因子對未來報酬的預測力。它把「這個因子到底有沒有用」量化成一個數字，正值代表因子排序與未來報酬同向。在量化交易裡，IC 是驗證因子與監控模型穩定性的核心指標。

IC 多少算好？

一般因子的 IC 盡量大於 0.01，機器學習模型的綜合 IC 最好大於 0.05。以本文台股實測為例，動能（0.0199）與 ROE（0.0130）越過 0.01，價值類與營收年增則偏低。單因子月頻 IC 落在 0.002–0.02 是正常的，重點是 IC 長期是否維持正向且穩定，而非單一數值高低。

IC 怎麼計算？

把因子分數與下一期實際報酬計算相關係數，通常逐期（例如每月）算一次，再取一段時間平均。實作上用 finlab 的 factor_analysis.ic，傳入因子與 etl:adj_close，呼叫 .mean() 取得平均 IC，本文程式碼即為最小範例。

IC 和 Rank IC 有什麼不同？

IC 一般指 Pearson 相關，Rank IC 指排序後計算的 Spearman 相關。Rank IC 對極端值較不敏感，因子分布偏態（如本益比）時常用 Rank IC 佐證。finlab 內建的 ic() 計算的是 Pearson 版本。

IC 多少才能拿來做策略？

沒有絕對門檻，但實務上單因子 IC 過 0.01、且 IC IR（穩定度）為正、滾動 IC 多數時間在零以上，就值得納入候選。最終要靠多個低相關因子組合，把綜合 IC 推高，再進入回測與風控。

IC 和一般相關係數有什麼不同？

數學定義相同，差別在「比的是什麼」。IC 特指因子值與未來報酬的相關係數，帶有時間先後的預測意涵，且通常在全市場逐期計算後取平均。一般相關係數沒有這層時序限制，因此 IC 更貼近實單會遇到的樣本外預測情境。

延伸閱讀

投資警語：本文為量化交易方法與工具的教學說明，所有數據與範例僅供研究參考，不構成投資建議。投資前請自行評估風險。

最後更新：2026-06｜IC 計算區間：2010-01 至 2026-06、20 日前瞻、全市場上市櫃｜作者：FinLab 量化研究團隊（經量化研究員審閱）

FinLab AI

想建立自己的策略？

用自然語言描述你的選股想法，AI 自動驗證、回測、給你答案

免費開始

更多多因子選股研究

查看全部