量化因子中心手册
因子筛选与评估
搜索、股票池与回测区间怎么选，卡片视图与表格视图各看什么，以及列表里每一列指标的判断标准。
因子中心的列表页做两件事：把候选范围收窄，以及用同一口径横向比较。这一页讲清楚每个筛选项的作用，和列表里每一列该怎么读。
一、搜索与筛选
| 筛选项 | 可选值 | 说明 |
|---|---|---|
| 搜索 | 因子名称关键词 | 按名称模糊匹配 |
| 分类标签 | 全部 / 各因子类别 | 标签上带该类的因子数量，见 因子库构成 |
| 股票池 | 全A股、沪深300、中证500、中证1000 | 决定指标在哪个样本上计算 |
| 回测周期 | 近半年、近一年、近两年、近三年 | 决定指标的样本区间 |
| 排序字段 | IC_MEAN、RANK_IC、IC_IR、IC_STD、数据更新时间 | 默认 RANK_IC |
| 排序方向 | 升序 / 降序 | 默认降序 |
说明
筛选条件一变，所有因子的绩效指标按同一口径重新计算，所以同一屏里的因子可以直接比较；但换了股票池或区间之后，新旧数字之间没有可比性。
排序下拉只在卡片视图里出现；切到表格视图后，直接点表头的排序图标排序。
二、两种视图
| 视图 | 展示什么 | 适合 |
|---|---|---|
| 卡片视图 | 名称、分类标签、一句话说明、四项核心预测指标、数据起始与更新日期 | 快速浏览、初筛 |
| 表格视图 | 完整指标列，表头可排序 | 逐项对比、挑选入池 |
列表每页 30 条，底部翻页。
三、卡片上的四项指标
卡片固定展示四项预测能力指标，它们是初筛的主要依据：
| 指标 | 含义 | 判断标准 |
|---|---|---|
| IC_MEAN | 因子值与未来收益的平均线性相关 | 绝对值越大预测能力越强，通常以 ≥ 0.02 为有效 |
| Rank_IC | 因子排名与未来收益排名的秩相关 | 对极端值更稳健，实务中更常用 |
| IC_IR | IC 均值 ÷ IC 标准差 | 衡量预测能力的稳定性，数值越高越可靠 |
| IC_STD | IC 序列的波动程度 | 数值越小，信号越平稳 |
IC 为负不等于因子没用：它表示反向预测能力——因子值越高、未来收益越低。反向因子照样能选股，只要把方向取反即可，关键看绝对值与稳定性。
四、表格里的完整列
| 列 | 含义 |
|---|---|
| 因子名称 | 点击可查看该因子对应的工作流 |
| 分类 | 所属因子类别 |
| IC_MEAN / Rank_IC / IC_IR / IC_STD | 四项预测能力指标，同卡片 |
| 数据起始日期 | 指标计算窗口的起点 |
| 数据更新日期 | 指标最近一次更新的日期 |
| 年化收益 | 分组回测中表现最优分组的年化收益 |
| 最大回撤 | 最优分组的最大回撤 |
| 夏普比率 | 最优分组的风险调整后收益 |
| 换手率 | 调仓带来的持仓变化比例 |
表格顶部那句口径说明是理解这几列的前提：
指标口径：IC 类指标基于样本截面计算；绩效指标取自该因子分组回测中表现最优分组的结果。
换句话说，年化收益、最大回撤、夏普比率描述的是「这个因子最好的那一层能做到什么」，不是整体收益预期。两个因子的年化收益差 20 个百分点，可能只是分组结构不同，真正决定可用性的还是 IC 类指标与分层的单调性。
五、一条实用的筛选顺序
- 先定场景：股票池与回测区间跟你的实际研究口径对齐——做中证 1000 的策略，就别在沪深 300 的口径下挑因子。
- 按 Rank_IC 降序：它比 IC 稳健，作为第一道排序更合理。
- 卡四项指标：留下 |IC_MEAN| ≥ 0.02 且 |IC_IR| ≥ 0.5 的。
- 再看绩效列：年化与回撤用来排序偏好，不用来判断有效性。
- 进看板复核：候选留到 5~10 个，逐个点【因子分析】看分层是否单调、IC 是否衰减太快，见 因子分析怎么读。
- 入池：确认后【加入因子池】，见 我的因子池。
提示
同类因子往往高度同质（例如一堆均线类因子）。挑两三个代表放进池子就够了，堆十个只会让组合的风险集中在同一种逻辑上。
六、行情不同，选法不同
| 行情 | 优先考虑 |
|---|---|
| 趋势行情 | 均线类与技术类因子 |
| 弱势或下跌 | 估值、基础与超买超卖因子，关注安全边际与反转节点 |
| 震荡行情 | 超买超卖、量能指标与估值因子，捕捉波段机会 |
| 组合构建 | Alpha 系列逻辑透明、分散度较好，适合做多因子组合的基础构件 |
各类因子的具体构成见 因子库构成。