对数流通市值 lncap
这页在做什么
本页展示各公开因子在历史样本外区间的统计特征，仅为研究参考， 不构成任何投资建议，历史统计不代表未来表现。
IC 与 Rank IC 时间序列
每期把当期因子暴露值与其后 20 个交易日的持有收益取相关系数：IC 用 Pearson 线性相关， Rank IC 用 Spearman 秩相关。柱状为 IC，折线为 Rank IC；图表展示最近 500 个交易日 （滚动窗口，随新数据自动滚动，更早的交易日不再显示）。下方统计量基于全部 1589 个有效交易日， 不受图表展示范围影响。
IC 均值
-0.0272
全区间算术平均，Pearson 线性相关。
Rank IC 均值
-0.0283
对极端值不敏感，通常比 IC 更稳。
ICIR
-0.181
IC 均值 ÷ IC 标准差，衡量稳定性，未年化。
选择研究对象
本页是对单个因子的历史统计检验：它在过去这段样本上，与其后若干个交易日的持有收益 之间是否存在稳定的相关性。因子按"衡量什么"固定分组展示，组间与组内均不代表任何优劣或推荐顺序。
对数流通市值 是什么
流通市值取自然对数。 当前选择：对数流通市值（lncap），持有窗口 20 个交易日，分为 5 组——即每期算出 对数流通市值 暴露值后，观察其后 20 个交易日的持有收益，并按暴露值把全市场等分成 5 组比较各组收益差异。
稳定性与覆盖率
| 统计量 | 取值 | 口径说明 |
|---|---|---|
| 统计期数 | 1589 | 按持有窗口重采样后的有效期数 |
| IC 为正的期数占比 | 42.7% | 正负号的稳定性，接近 50% 说明方向不稳定 |
| Rank IC 为正的期数占比 | 42.2% | 同上，基于 Rank IC |
| ICIR | -0.181 | IC 均值 ÷ IC 标准差，未年化 |
| Rank ICIR | -0.160 | Rank IC 均值 ÷ Rank IC 标准差，未年化 |
| 因子覆盖率 | 99.3% | 该因子有效样本占当日有行情证券数的平均比例 |
以上统计量随样本区间变化，区间越短置信度越低。单期 IC 的绝对值通常很小， 单看某一期的高低没有意义，需结合期数与稳定性一起看。
分组统计（5 组）
每期按因子暴露值升序把全市场等分为 5 组，G1 为暴露值最低的一组。 下表报各组在其后 20 个交易日的平均持有收益与年化波动，用于观察该因子是否具有单调性。
| 分组 | 平均持有收益（%） | 年化波动（%） | 平均样本数 |
|---|---|---|---|
| G1 | +1.70 | 29.96 | 976.3 |
| G2 | +1.42 | 26.49 | 976.9 |
| G3 | +1.01 | 25.33 | 976.9 |
| G4 | +0.78 | 23.90 | 976.9 |
| G5 | +0.65 | 20.51 | 977.5 |
分组收益为不含交易成本的原始口径（买入佣金万 3、卖出印花税万 5 + 佣金万 3、单笔最低 5 元均未扣除）， 也未剔除涨跌停不可成交、停牌等实际约束，因此不能理解为可实现的结果。 本页不据此构建任何组合，也不展示组合层面的净值。
计算口径
- 统计区间2020-01-02 ~ 2026-08-21（walk-forward 样本外，非训练区间）
- 成交口径T+1 开盘价：T 日收盘计算因子暴露值，T+1 开盘买入，持有满窗口后再一交易日开盘卖出，与训练标签口径一致
- 样本宇宙全市场当日有打分的证券，不加训练掩码（train_mask 只过滤训练样本），含 ST；与 train_stock.py 的 walk-forward OOS 评估同一宇宙
- 样本外性质单因子按公开定义式直接计算、无拟合参数，2020-01 起整段天然样本外，不存在「训练集」与「测试集」之分
- 与生产折叠的关系逐年分表区间取自 train_stock.fold_segments() 的 test 段，与生产 7 折 walk-forward 可比；GAP=11 定义在生产模型的 train/valid 边界上，公式因子没有这两段，这里只体现为「label 不超出样本终点」——超出数据末端的 label 为 NaN，自动不计入统计，不是另一种「剔除」
- 交易成本下方分组统计为不含成本口径：买入佣金万 3、卖出印花税万 5 + 佣金万 3、单笔最低 5 元均未扣除，也未剔除涨跌停不可成交、停牌等实际约束，不能理解为可实现的组合结果
- 缺失值语义对数流通市值 的缺失值策略为keep_null（对该样本不适用，不参与统计，也不参与分组）