alphalens教程3--Information Analysis

information anslysis适用于分析评价在不考虑交易成本下，一个factor的预测能力的一种方法。主要的方法就是通过因子的IC来分析。

1.ic的生成

首先介绍一下一个通过上次的factor_data生成ic的函数： def factor_information_coefficient(factor_data,                                    group_adjust=False,                                    by_group=False): 这个是计算Spearman Rank Correlation IC的函数，参数也很好理解。 based Information Coefficient (IC)。group_adjust就是是否做组内中心，譬如我们的group是行业，那么，选择为true的时候，就是行业中性的算法。

ic = alphalens.performance.fiactor_nformation_coefficient(factor_data)

        有了这样的数据，和return analysis的顺序一样，接下来就是画图了。

2.IC的时间序列        

第一个是time series的图。 def plot_ic_ts(ic, ax=None): alphalens.plotting.plot_ic_ts(ic)

3.IC的分布直方图  

然后是绘制ic的分布直方图 def plot_ic_hist(ic, ax=None): alphalens.plotting.plot_ic_hist(ic) 这个函数会把ic值的分布直方图绘制出来，然后可以看到ic值的分布，我们希望是ic值均值越高越好，方差越小越好。

4.IC的QQ图        

有了分布，我们要看一下是否正态分布，或者是否和某个分布很吻合。所以，我们还可以绘制qq plot，用于查看我们的ic值是否是一个正态分布，或者多大程度与正态分布相似。 def plot_ic_qq(ic, theoretical_dist=stats.norm, ax=None): alphalens.plotting.plot_ic_qq(ic)

5.IC不同维度的比较

def mean_information_coefficient(factor_data,                                  group_adjust=False,                                  by_group=False,                                  by_time=None): mean_monthly_ic = alphalens.performance.mean_information_coefficient(factor_data, by_time='M') 这个函数给出ic各种形式下的均值，例如，特定的group，每个月，每个group，每个月。 

       有了分类数据之后，我们可以绘制热力图，热力图可以让我们查看不同市场，不同时间下的因子的一致性。 alphalens.plotting.plot_monthly_ic_heatmap(mean_monthly_ic)

和return analysis一样，也有一个所以一起生成的语句： alphalens.tears.create_information_tear_sheet(factor_data)