你和朋友每天给一篮子股票打分，喜欢的股票几乎一样。直觉上，两套策略赚亏也该同步。但事情未必如此：打分像不像，是在同一天比较许多股票；收益是否同步，则是在许多天里比较两条盈亏曲线。两者看的不是同一个方向。
Marc Nunes 在研究笔记《Signal Correlation, IC, and PnL Dependence》中拆解了这个常见误判。它直接关系到三个实际决定：要不要删除“重复”因子、两套策略能否分散风险，以及该给每套策略多少风险预算。以下结论均来自这篇单一信源，尚无独立材料核对其证明与复现结果。
同样喜欢一批股票，不等于同样赚钱
先分清两个“相关性”。
信号相关性通常在每个交易日横跨许多股票计算。它回答：今天两套模型喜欢的是不是同一批股票？PnL correlation（盈亏相关性）则跨越许多日期，比较两套策略每天是否同涨同跌。它回答：两条收益曲线能不能真正互相分散。
论文的切入点很简单：前者比较股票这个维度，后者比较时间这个维度。它们并非同一总体相关性的两种估计，也就不能天然互相替代。
连接两者的关键是 Information Coefficient，简称 IC——某一天，信号与随后实际收益在股票横截面上的 Pearson 相关系数。说白了，它衡量当天“押对方向”多少。若改用排序来计算，就叫 Rank IC；但论文特别提醒，Rank IC 不能在交易权重并非归一化排名时直接代入这里的等式。
在信号保持市场中性、采用 Euclidean norm（普通平方和意义下的长度）归一化，而且实际交易的正是这条信号时，Nunes 写出的单日关系可以概括为：
这里的 是横截面收益离散度，也就是当天不同股票的收益分得有多开。预测方向对了只是第一步。若所有股票当天都走得差不多，策略即使 IC 不错，也未必赚得多；反过来，高离散度会放大同样的 IC。
信号相似度里，混进了“不赚钱的相似”
论文把每条归一化信号拆成两部分。一部分沿着当天已实现收益的方向，其投影就是当天的 Pearson IC；另一部分与这条收益方向正交，作者称为 transverse component，可理解为“横向剩余部分”。
两条信号的相关性因此包含两类东西：一类是两者 IC 的未中心化交叉矩，即它们是否同时沿着收益方向；另一类是横向剩余部分的相似度。将收益方向控制住以后，后者正是横截面的偏相关系数——也就是先扣掉两条信号与实际收益的共同关系，再看剩余结构有多像。
问题就在这里。对一条固定且按上述方式归一化的信号，当日 PnL 只看 IC 与收益离散度；横向剩余部分不贡献同日收益。但普通信号相关性会把它完整计入。两套模型可能因为使用相似的特征家族而显得很像，可相似之处恰好位于当天收益方向之外。它们也可能看起来近乎正交，却在真正决定盈亏的 IC 方向上高度同步。
PnL correlation 还会再做两步处理。它先用每天的收益离散度给 IC 加权，再对得到的 PnL 时间序列去均值，并按时间序列波动率归一化。因此，两条长期平均 IC 都为正的策略，可能共享“平均能赚钱”这一部分，却没有高度相关的每日盈亏波动。Pearson 相关性会主动去掉共同均值。
为什么不能从一个相关性推断另一个
Nunes 的主要结论是一个不可识别性结果：在不限制横向几何结构、收益离散度和时间依赖时，平均信号相关性既不能给 PnL correlation 提供非平凡的上下界，也不能保证排序一致。
这不是说两者在任何附加条件下都毫无关系。结论的准确含义是：只知道一个平均信号相关性数字，信息不够。你还需要知道 IC 序列如何共同变化、这种共同变化是否集中在高离散度日期，以及信号在收益方向之外怎样排列。
论文还给出一个弱 IC 尺度下的合成机制示例：作者刻意让特征家族的横向结构与 IC 的时间依赖相互独立，用来展示信号相似度为何可能排错 PnL 依赖。作者明确把它称为机制演示，而非真实信号库的校准证据；供稿文本中的数值表未完整呈现，因此这里不引用具体结果。
组合以后，被忽略的部分又回来了
横向剩余部分对单条固定信号的同日 PnL 不起作用，却不会永远无关。一旦把多条信号合成一条并重新归一化，它会进入组合长度的分母：两条信号在横向上重复，可能让组合显得更大，却没有增加相应的收益方向暴露；横向抵消则可能提高单位普通长度下的 IC。
论文把组合问题分成两副镜头。Euclidean 镜头问：这组信号张成的空间，最多能解释多少已实现收益方向？其样本后最优值对应经典的 multiple-correlation bound，即多重相关系数界。风险镜头则把分母换成 covariance-risk metric——风险模型给出的协方差尺度，回答单位经济风险能获得多少已实现收益。
作者证明，两套最优组合规则要对所有纵向收益暴露都一致，当且仅当风险度量在信号张成空间上是各向同性的，也就是各方向只相差同一个缩放倍数。现实判断因此不能只看普通几何下的“信号有多不同”，还要看风险模型如何衡量这些方向。
不过，这些最优组合都使用了已经实现的未来收益，属于 ex post envelope——事后可达到的上界，不是可直接交易的规则。真正实施仍要在收益发生前估计目标，正则化矩阵求逆，并做严格的样本外验证。
对因子库意味着什么
最直接的改变，是不要再用一张信号相关矩阵包办所有工作。判断因子是否重复，可以继续看信号相关性，但应把它拆成 IC 共同变化与控制已实现收益后的偏相关。判断能否分散，则应直接研究经收益离散度加权、去均值后的 PnL 序列。决定风险预算时，还要转入风险模型的协方差尺度。
对大型因子库，论文建议保留逐日联合数据，并用能处理时间依赖的方法做推断。原因是信号会持续，远期收益窗口也可能重叠；几十条信号还会产生大量两两比较，点估计的排名不等于稳定证据。
局限与未知
- 全部核心论断目前只得到这篇研究笔记支持，材料不足以独立核查定理证明、适用条件和复现结果。
- 关键恒等式要求研究信号与实际交易组合一致，并采用指定的中性化与归一化；优化器、约束、成本惩罚或其他缩放都会增加新的传导渠道。
- 合成示例由作者设定横向结构与 IC 依赖相互独立，不能替代真实信号库上的样本外检验。