定義

Information Ratio（IR，資訊比率）衡量主動策略每承擔一單位主動風險，換得多少超額報酬：等於主動報酬（策略報酬減基準報酬）除以追蹤誤差（主動報酬的標準差）。一般 IR 大於 0.5 算不錯、大於 1 屬優秀。由 Grinold（1989）提出的主動管理基本法則可近似為 IR ≈ IC ×√（投資廣度）：因子預測力越高、彼此獨立的押注次數越多，IR 越高。它與夏普比率的差別在比較對象：夏普比率看「絕對報酬對總波動」，IR 看「贏過基準的部分」對「偏離基準的波動」。

公式與計算

IR = 年化主動報酬 ÷ 年化追蹤誤差

手算一次：策略年化報酬 18%、基準（例如 0050 含息）年化 12%，主動報酬 = 18% − 12% = 6%；若主動報酬的年化標準差（追蹤誤差）是 8%，IR = 6% ÷ 8% = 0.75。驗算：0.75 × 8% = 6%，還原主動報酬，計算成立。同樣多賺 6%，追蹤誤差若高達 15%，IR 只剩 0.4：超額報酬是用大幅偏離基準換來的，品質較低。

台股真實實例

IR 的精神同樣用在因子研究：把逐期 IC（資訊係數）的平均除以標準差，得到 IC IR，衡量因子預測力「又準又穩」的程度。FinLab 用 finlab 實測台股 2010 至 2026 全市場、20 日前瞻的結果：

IC 因子實測：動能因子平均 IC +0.0199、IC IR 0.165；ROE 平均 IC +0.0130、IC IR 0.163，兩者都越過單因子 0.01 的實務門檻。
Rank IC 對照實測：改用排序相關後，本益比（反向）的 Rank IC 達 +0.050、資訊比率（IC 平均除以標準差）達 0.62，且 74.5% 的月份為正，是該批因子中最穩定的訊號。

依 Grinold 法則，單因子 IC 看似微小，但靠上市櫃近兩千檔的投資廣度與多個低相關因子的組合，仍能累積出可觀的 IR，這正是量化選股把「微弱但穩定的訊號」變成長期績效的邏輯。

用 finlab 計算

因子層的 IC IR 幾行就能算（寫法與 IC 教學一致，finlab 會自動引導登入）：

      
        顯示程式碼
        
      import finlab
from finlab import data
from finlab.tools.factor_analysis import ic
 
finlab.login()
 
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
 
# 逐期 IC 的時間序列（20 日前瞻）
ic_series = ic(momentum, adj, days=[20]).iloc[:, 0].dropna()
 
# IC IR = IC 平均 ÷ IC 標準差
print(round(ic_series.mean() / ic_series.std(), 3))

策略層的 IR 則把回測淨值（report.creturn）與基準的日報酬相減得到主動報酬序列，再用「平均 ÷ 標準差 × √252」年化即可。

常見陷阱

**IR 與 IC 混用。**兩者是不同概念：IC 是「因子值與未來報酬的相關係數」，衡量單一因子的預測力，單因子月頻 0.01 到 0.05 就算有用；IR 是「策略層績效」的比率，0.5 以上才算不錯。兩者量級差了一個數量級，門檻不能互套；它們的關係由 Grinold 法則連起來（IR ≈ IC ×√廣度），並非同義詞。
**基準口徑不一致，IR 失真。**台股常用 0050 當基準，含息與不含息的口徑差距很大；基準少算了股息，主動報酬就被高估，IR 跟著虛高。全站實測一律用含息還原價當基準，例如回測是什麼中 0050 含息年化 +20.6% 的口徑。

定義

公式與計算

台股真實實例

用 finlab 計算

常見陷阱

相關詞條與延伸閱讀