Bootstrap IC 置信区间：给你的因子 Rank-IC 算出一个真显著的上下界
因子回测里最常犯的错，是把一个 0.05 的 Rank-IC 当成『有效因子』。点估计没有显著边界，你根本分不清它是真信号还是样本偶然。本文 numpy 从零实现 block bootstrap（按月整块重抽），在 N=200/T=120、真实 IC=0.06 的合成数据上给出 95% 置信区间 [0.082, 0.104]、t-stat=16.4、p≈0，并讲清 block bootstrap 为何优于普通 bootstrap。附完整 Python 与三张真实计算图。