书接上回，
三、第二维：ICIR（信息比率）
定义公式：
衡量IC均值与波动的比值，类似"夏普比"。 它告诉你：因子的预测能力是否稳定。
判断标准：
Python实战：
计算ICIR相对就简单多了，只是对上面结果的一个统计分析，代码如下：
基于全A统计，RSI因子的ICIR为-0.5501。
ICIR 的绝对值反映预测稳定性。虽然 RSI 的 ICIR = -0.5501（为负表示反向信号），但绝对值较高，说明该反向关系稳定可靠，这一点在后文信号衰减分析中也能得到印证。这也刚好符合RSI的经典性质------反转特征。
- 第三维：分层收益（Portfolio Return Spread）
定义公式：
将样本按因子值分为五层（Q1--Q5）：
即高因子组和低因子组未来收益之差。若Spread长期为正，说明因子能区分强弱股，具有实战价值。
Python实战：
我们来看看全A股票的RSI因子分层多空累计收益：
从上图中可以明显看到： RSI因子的多空组合在测试初期快速上涨至约 +0.6，随后出现陡峭回落，最终跌至 -1.0附近并趋于平稳。初期上涨可能是样本噪声或极端行情所致，长期趋势为负，符合RSI反向特征。
五、第四维：信号可持续性（Autocorrelation）
信号可持续性可从两方面衡量：
一是因子值的时间自相关（信号稳定性），
二是因子预测力的IC衰减（有效期）。本文以IC衰减为例进行展示。
公式定义：
衡量因子在时间上的稳定性，IC衰减：
这条曲线反映因子的预测力能持续多长时间。
Python实战：
前文的IC计算基于未来10天收益。为了观察信号随持有期的衰减，我们在此计算不同持有期（1、3、5、10、20天）对应的平均IC。
这种典型的 快速衰减形态，说明RSI的预测能力主要集中在短周期内，仅能捕捉短期反转，而无法维持中长期的趋势判断。