台股因子的 Pearson IC 與 Rank IC 對照長條圖，兩種算法給出相反的因子排名

Rank IC（資訊係數的等級相關版本）衡量的是「因子排序」與「未來報酬排序」的一致程度，用 Spearman 等級相關計算；Pearson IC 則衡量兩者數值的線性相關。兩者常被混為一談，但在台股實測上，它們可能給出完全相反的結論。用 finlab 抓 2010–2026 的全市場上市櫃資料、以月度橫截面同時計算兩種 IC，下表就是結果：動能因子的 Pearson IC 是正的、Rank IC 卻是負的；價值因子剛好相反。換一個算法，哪個因子「比較強」的排名就翻盤了。

關鍵數字：同一批因子、兩種算法、相反排名

因子	Pearson IC	Rank IC（Spearman）	Rank IC 月度為正比例
動能（60 日）	+0.018	−0.006	50.3%
短期反轉（20 日）	−0.006	+0.018	48.7%
本益比（反向）	+0.005	+0.050	74.5%
股價淨值比（反向）	+0.003	+0.045	65.3%

資料來源：finlab 套件，全市場上市櫃、2010-01 至 2026-06、20 日前瞻、月度橫截面計算。如果你只看 Pearson IC，會得到「動能最強、價值很弱」的結論；如果你看 Rank IC，結論完全相反：價值因子的 Rank IC 高達 0.05、且有四分之三的月份為正，而動能的 Rank IC 幾乎是零甚至為負。同一份資料，兩個故事。

Rank IC 與 Pearson IC 差在哪？

兩者都是 Information Coefficient（IC），差別在「比較的是數值還是排序」：

Pearson IC：把每檔股票的因子值與未來報酬直接算線性相關。它對極端值很敏感：少數因子值或報酬特別大的股票，會主導整個相關係數。
Rank IC：先把因子值與未來報酬各自換成「排名」，再算相關（等於 Spearman 等級相關，由 Spearman (1904) 提出）。它只在乎「排序對不對」，不在乎差距多大，因此對極端值穩健。

finlab 內建的 factor_analysis.ic 計算的是 Pearson 版本。當一個因子的分布很偏（例如本益比有少數極端值），Pearson 與 Rank 兩種 IC 就可能差很多。

台股實證：換個算法，因子排名就翻盤

去除極端值後 Pearson IC 向 Rank IC 靠攏的長條圖，顯示分歧來自離群值

要找出分歧的原因，最直接的方法是做一個對照實驗：把每個月的因子值與報酬各自去掉前後 1% 的極端值（winsorize）後，再算一次 Pearson IC。結果很清楚：

動能的 Pearson IC 從 +0.018 掉到 +0.011，代表它的正值有相當一部分來自少數「漲很多的極端贏家」，而非全體排序。
**價值因子（本益比、股價淨值比反向）**的 Pearson IC 反而上升（本益比從 +0.005 升到 +0.009、股價淨值比從 +0.003 升到 +0.011），代表原本的低 Pearson 是被極端的估值離群值壓低的。

去掉極端值後，Pearson IC 全面向 Rank IC 靠攏。這證明兩者的分歧主要來自離群值：Pearson 把少數極端股票的影響放大，Rank IC 則把每檔股票一視同仁。

動能的弔詭：Pearson 正、Rank 近零

動能因子最值得玩味。它的 Pearson IC 是正的，但 Rank IC 幾乎是零、甚至略為負，而且月度為正的比例只有 50%，跟丟銅板沒兩樣。對照組「短期反轉（過去 20 日報酬取負）」剛好是一面鏡子：Pearson IC 為負，Rank IC 卻是正的 +0.018。

這背後是台股的短期反轉效應：Jegadeesh (1990) 很早就記錄到，個股報酬在「下一個月」這種短期尺度上傾向反轉（過去一個月的輸家容易反彈）。用 60 日動能去預測未來 20 日報酬，正好踩在這個短期反轉的尾巴上：少數強勢股延續了漲勢（撐起 Pearson IC 的正值），但全體的排序關係被短期反轉抵銷掉了（Rank IC 接近零）。把累積月度 Rank IC 畫出來，可以看到價值因子穩定向上、動能則幾乎是一條平線。

價值與動能的累積月度 Rank IC 曲線，價值穩定向上、動能幾乎是平線

這不代表動能在台股完全無效，而是提醒：動能是偏中長期的訊號，用太短的前瞻期、又只看 Pearson IC，很容易高估它的排序選股能力。想看動能 IC 如何隨持有期拉長而升高，可參考 IC 教學裡的衰減分析。

哪個比較可信？看穩定度

各因子 Rank IC 月度為正比例長條圖，價值因子超過六成、動能僅約一半

判斷一個 IC 數字可不可信，除了看平均，更要看穩定度，也就是它有多少比例的月份維持同方向。價值因子的 Rank IC 有 65% 到 75% 的月份為正，資訊比率（IC 的平均除以標準差）也最高（本益比反向達 0.62）；動能的 Rank IC 月度為正比例只有 50%，等於沒有穩定的排序力。

對選股研究來說，Rank IC 通常是更穩健的主指標，尤其是分布偏斜的因子（估值比率、市值、成交量）。Pearson IC 仍然可用，只是要記得它容易被極端值帶著走；當 Pearson 與 Rank 兩者打架時，代表這個因子的「訊號」集中在少數極端股票，而非全體排序，這件事本身就值得警惕。

這對選股研究的三個實務啟示

把上面的觀察，收斂成幾條評估任何一個選股因子時都用得上的原則：

報告因子表現時，預設用 Rank IC。 估值、市值、成交量這類分布偏斜的因子，用 Pearson IC 幾乎一定會低估它們的預測力。把 Rank IC 當主指標、Pearson 當輔助，能避免被少數極端股票誤導而錯過真正有效的因子。
兩種 IC 一起看，分歧本身就是訊號。 當一個因子的 Pearson IC 明顯高於 Rank IC，代表它的預測力集中在少數極端贏家身上，而這類股票實單時往往波動大、流動性差、不見得追得到；反過來若 Rank IC 高於 Pearson，代表訊號分散在全體股票，反而更容易實作與分散風險。
持有期和評估指標要一起決定。 動能在 20 日前瞻的 Rank IC 近零，是因為踩到短期反轉；把持有期拉長，它的排序力才會浮現。先想清楚策略要持有多久，再挑對應的因子與前瞻期，比盲目追求一個漂亮的 IC 數字更重要。

這也是為什麼成熟的因子研究流程，會把 Rank IC、分位數單調性與 IC 穩定度三者一起看，用多個角度交叉驗證，而不是只盯著單一數字下結論。一個因子值不值得放進策略，看的是它在多種檢驗下是否一致地有效，而非某一個指標剛好算出漂亮的數字；這個習慣能擋掉很多看起來很強、實單卻無效的假訊號。

怎麼在 finlab 算 Rank IC？

finlab 的 factor_analysis.ic 給的是 Pearson 版本。要算 Rank IC，自己對每個再平衡日做一次 Spearman 等級相關即可：

      
        
        顯示程式碼
        
      
      import pandas as pd
from finlab import data
 
adj = data.get('etl:adj_close')
fwd = adj.shift(-20) / adj - 1            # 未來 20 個交易日報酬
momentum = adj / adj.shift(60) - 1        # 動能因子（過去 60 日報酬）
 
# 每月底計算一次橫截面 Rank IC（Spearman）
rebalance_dates = adj.resample('ME').last().index
rank_ic = []
for dt in rebalance_dates:
    day = adj.index[adj.index <= dt][-1]
    f = momentum.loc[day].dropna()
    r = fwd.loc[day].reindex(f.index).dropna()
    common = f.index.intersection(r.index)
    if len(common) < 100:
        continue
    rank_ic.append(f[common].corr(r[common], method='spearman'))
 
print(round(pd.Series(rank_ic).mean(), 4))   # 動能 20 日 Rank IC ≈ -0.006
    

第一次取資料時 finlab 會自動引導登入，照套件指示操作即可。把 momentum 換成本益比、股價淨值比等因子，就能重現本文那張對照表。

計算口徑與限制

方法：月度橫截面，前瞻期 20 個交易日；Rank IC 用 Spearman、Pearson IC 用一般相關，兩者在同一批日期、同一批股票上計算，確保公平對照。
與 IC 教學文的數字差異：本文用月度計算，IC 教學文用的是 finlab 逐日 ic()，所以動能 Pearson IC 一邊約 0.018、一邊約 0.020，屬於計算頻率差異，結論方向一致。
重疊報酬：20 日前瞻在相鄰月份會有部分重疊，會降低統計獨立性；本文採月度抽樣已大幅減輕，但極端期間的群聚仍可能影響短窗結果。
股票池：全市場上市櫃，未額外做流動性過濾；嚴謹的因子研究會再加成交額門檻。
數字可重現：上表由全市場資料逐月計算後平均，使用相同資料窗重跑即可重現。

常見問題（FAQ）