【實戰應用】TQuant Lab F-score 策略，找出被低估的優質股票

TEJ 台灣經濟新報

Published in

TEJ-API 金融資料分析

16 min readJun 21, 2024

F-score 策略 — Photo by engin akyurt on Unsplash

本文重點摘要

文章難度：★★☆☆☆
簡介 F-score 策略的九項選股條件。
利用 Pipeline 篩選符合 F-score 策略九項指標的股票，並形成買進訊號。
透過 TQuant Lab 的簡化版回測引擎 TargetPercentPipeAlgo 回測 F-score 策略每季再平衡的績效表現。

前言

在當今的股市中，投資人面臨著選擇眾多股票的挑戰，許多投資人希望能夠找到被低估但基本面良好的股票。然而，市場的波動和信息的不對稱性往往使得這個目標變得困難重重。在這種情境下，Piotroski F-score，亦稱為皮爾托斯基分數或 F-score，成為了投資者的重要工具。

由前芝加哥大學教授 Joseph Piotroski 提出的 F-score 策略，透過 9 項財報條件的評估，幫助投資人深入了解公司的財務健康狀況，F-score 涵蓋公司的獲利性、安全性及成長性，提供了多維度的分析框架，讓投資人能夠更全面地評估公司的潛在價值。為了探討 F-score 在台股市場的表現，本文使用 TQuant Lab 建構 F-score 策略，幫助投資人深入了解 F-score 所能帶來的投資效益。

F-score 策略

根據 Joseph Piotroski 教授所著的論文，為了找出被低估且在獲利性、安全性及成長性都相對穩健的股票，建構 F-score 策略時，我們需要透過以下兩個步驟來生成交易訊號：

找出市場中淨值市價比 ( Book-to-Market Ratio, BM Ratio ) 前 20% 的股票形成股票池。
p.s. BM Ratio 越高，代表該股票價值越被低估，因為該股票的交易價格低於其資產的價值。
根據 F-score 的 9 項基本面條件計算分數，符合一項得 1 分。我們將買入 8 分和 9 分的標的，並在每季進行一次再平衡。

F-score 策略的 9 項基本面條件如下：

獲利性

資產報酬率 ( ROA ) > 0
今年 ROA > 去年 ROA
營業現金流 > 0
營業現金流 > 稅後淨利

安全性

今年度的長期負債金額 < 上一年度
今年度的流動比率 > 上一年度
上一年度沒有發行新股

成長性

今年度的毛利率 > 上一年度
今年度的資產週轉率 > 上一年度

以下，我們將透過 TQuant Lab 來生成 F-score 策略所需的交易訊號。

編輯環境與模組需求

本文使用 Windows 11 並以 Jupyter Lab 作為編輯器。

載入套件與環境設定

import os
import numpy as np
import pandas as pd

# tej_key
tej_key = 'your key'
api_base = 'https://api.tej.com.tw'

os.environ['TEJAPI_KEY'] = tej_key 
os.environ['TEJAPI_BASE'] = api_base

取得股票池

我們透過以下兩個步驟取得被低估的股票：

利用 get_universe 函式取得 2019-05-06 所有上市櫃普通股的股票代碼。
利用 TEJ Tool API 取得上述股票的股價淨值比 ( Price-Book Ratio, PB ratio )，藉此計算 BM Ratio，進而取得 BM Ratio 前 20 % 的股票。
p.s. PB Ratio 和我們需要的 BM Ratio 互為倒數。

from zipline.sources.TEJ_Api_Data import get_universe

pool = get_universe(start = '2019-05-06', 
                    end = '2019-05-06', 
                    mkt = ['TWSE', 'OTC'],  # 上市櫃公司
                    stktp_e = ['Common Stock', 'Common Stock-Foreign']  # 普通股 & KY股
                   )

import TejToolAPI

data = TejToolAPI.get_history_data(start = '2019-05-06', 
                                   end = '2019-05-06',
                                   ticker = pool, 
                                   columns = ['PBR_TEJ'],  
                                   transfer_to_chinese = False
                                   )

# 計算 BM Ratio = 1/PB Ratio
data['BM_ratio'] = 1/data['PBR_TEJ'] 

# 計算 BM Ratio 的 80 分位數
quantile_80 = data['BM_ratio'].quantile(0.80)

# 選取 BM Ratio 前 20% 的資料
top_20_percert_data = data[data['BM_ratio'] >= quantile_80]

# 取得 BM Ratio 在市場前 20% 的股票 -> pool
pool = top_20_percert_data['coid'].tolist()

取得 F-score 策略需要的財務資料

根據計算 F-score 所需的財務條件，我們使用 Tej Tool API 抓取以下 9 項財務資料：

ROA: Return_on_Total_Assets_A_percent
營業現金流：Cash_Flow_from_Operating_Activities
每股稅後淨利：Net_Income_Per_Share
在外流通股數_仟股：Outstanding_Shares_1000_Shares
長期負債：Total_Non_current_Liabilities
流動比率：Current_Ratio
現金增資_仟股：Cash_Capital_Increase_Thousand_Shares
營業毛利率：Gross_Margin_Rate_percent
資產週轉率：Total_Assets_Turnover

start = '2019-05-06'
end = '2023-12-31'

columns = ['Return_on_Total_Assets_A_percent',
           'Cash_Flow_from_Operating_Activities',
           'Net_Income_Per_Share',
           'Outstanding_Shares_1000_Shares',
           'Total_Non_current_Liabilities',
           'Current_Ratio',
           'Cash_Capital_Increase_Thousand_Shares',
           'Gross_Margin_Rate_percent', 
           'Total_Assets_Turnover']

fin_data = TejToolAPI.get_history_data(start = start, 
                                       end = end,
                                       ticker = pool, 
                                       columns = columns,
                                       transfer_to_chinese = False
                                       )

fin_data = fin_data.sort_values(['coid','mdate'])
fin_data = fin_data.filter(regex='(_TTM$|^(?!.*(_A$|_Q$|_TTM$)).*$)')  # 僅保留移動四季 (TTM) 的資料
fin_data['Net_Income'] = fin_data['Outstanding_Shares_1000_Shares'] * fin_data['Net_Income_Per_Share_TTM']
fin_data

導入股票池價量資料

資料期間從 2019–05–06 至 2023–12–31，並導入上述 340 檔股票的價量資料與加權股價報酬指數 ( IR0001 ) 作為績效比較基準。

os.environ['mdate'] = start + ' ' + end
os.environ['ticker'] = ' '.join(pool) + ' ' + 'IR0001'

!zipline ingest -b tquant

將財務資料導入 Pipeline

CustomDataset 可以將資料庫中的內容導入 Pipeline 中，方便後續回測使用。於本範例我們用以將計算 F-score 所需的財務資料導入 Pipeline。擷取部分程式碼如下：

from zipline.pipeline.data.dataset import Column, DataSet
from zipline.pipeline.domain import TW_EQUITIES

class CustomDataset(DataSet):
    
    Return_on_Total_Assets_A_percent_TTM = Column(dtype=float)
    Cash_Flow_from_Operating_Activities_TTM = Column(dtype=float)
    Net_Income = Column(dtype=float)
    Total_Non_current_Liabilities_TTM = Column(dtype=float)
    Current_Ratio_TTM = Column(dtype=float)
    Cash_Capital_Increase_Thousand_Shares = Column(dtype=float)
    Gross_Margin_Rate_percent_TTM = Column(dtype=float)
    Total_Assets_Turnover_TTM = Column(dtype=float)
    domain = TW_EQUITIES

建立 CustomFactor 函式

在計算 F-score 前，我們先使用 CustomFactor 函式自訂以下兩個因子：

計算財務數據 YOY 變化。
將通過 F-score 的資料轉為 1 ，沒通過的轉為 0，用以計算 F-score 分數。

建立 Pipeline 函式

Pipeline() 提供使用者快速處理多檔標的的量化指標與價量資料的功能，於本次案例我們用以處理：

導入股價與財務資料。
計算財務數據 YOY 變化、年度平均現金增資 ( 用以判斷是否發行新股 ) 。
計算 F-score，並在 longs 欄位中生成交易訊號：F-score ≥ 8 分為 True，其餘則為 False。

擷取部分 Pipeline 內容如下：

from zipline.pipeline import Pipeline
from zipline.pipeline.factors import Factor, SimpleMovingAverage
from zipline.pipeline.filters import StaticAssets

benchmark_asset = bundle.asset_finder.lookup_symbol('IR0001',as_of_date = None)

def make_pipeline():
    return Pipeline(
        columns = {
            'price': price,
            'f_score_total': f_score_total,
            'longs': f_score_total >= 8
                },
            screen = ~StaticAssets([benchmark_asset])  # 排除大盤的數據  
    )

start_dt = pd.Timestamp(start, tz = 'UTC')
end_dt = pd.Timestamp(end, tz = 'UTC')
        
pipeline_result = engine.run_pipeline(make_pipeline(), start_dt, end_dt)
pipeline_result

回測 F-score 策略

使用 TEJ 自製的簡化版 Zipline 回測引擎：TargetPercentPipeAlgo，輕鬆在一行內設定所有回測參數，最少只需輸入策略 pipeline 即可進行回測。
p.s. TargetPercentPipeAlgo 的詳細使用說明可參考 TQuant Lab GitHub: Simple Algorithm-TargetPercentPipeAlgo

本次策略修改的相關參數：

回測起迄日 ( start_session, end_session )：2020 / 05 / 30 ~ 2023 / 12 / 31
初始本金 ( capital_base )：1 千萬
交易日 ( 再平衡日 )：3, 6, 9, 12 月的十五號
最大槓桿：90%
策略 pipeline：將讀取上述 Pipeline 中的 longs 欄位判斷再平衡日是否交易
滑價模型：VolumeShareSlippage
手續費模型：Custom_TW_Commission

from zipline.algo.pipeline_algo import *

start_dt = pd.Timestamp(start, tz = 'UTC')
end_dt = pd.Timestamp(end, tz = 'UTC')
algo = TargetPercentPipeAlgo(
                     start_session=start_dt,
                     end_session=end_dt,
                     capital_base=1e7,                
                     tradeday=tradeday,
                     max_leverage=0.9,
                     pipeline=make_pipeline,
                     slippage_model=slippage.VolumeShareSlippage(volume_limit=0.15, price_impact=0.01),
                     commission_model = commission.Custom_TW_Commission(min_trade_cost = 20, discount = 1.0, tax = 0.003),
                     custom_loader=custom_loader,
                     analyze=analyze
)
results = algo.run()

利用 Pyfolio 進行績效評估

import pyfolio as pf 

returns, positions, transactions = pf.utils.extract_rets_pos_txn_from_zipline(results)
benchmark_rets = results['benchmark_return']

pf.tears.create_full_tear_sheet(returns=returns,
                                positions=positions,
                                transactions=transactions,
                                benchmark_rets=benchmark_rets
                                )

藉由上表我們可以看到 F-score 策略的年化報酬率達到 27.25%，年化波動度約為 18.6%，另外夏普比率為 1.39，且 α 值為 0.11，顯示 F-score 策略在相對可控的風險之下，亦能為投資人賺取不俗的超額報酬。觀察 β 值，0.77 代表 F-score 策略的績效與大盤走勢的相關性不算高，表示 F-score 的九項選股條件確實能為投資人規避部分系統風險。在績效比較圖中，可以發現 F-score 策略於 2022 年的回檔下跌幅度較大盤小，且脫離熊市後，回升的績效也較大盤為佳，再次說明本策略優良的獲利能力。

在年化報酬率圖中，可以發現除了 2022 年經歷較大的回檔之外，其餘三年的年化報酬率都能達到超過 30% 的表現。

藉由長短部位曝險圖，我們可以看到因為先前在 TargetPercentPipeAlgo 設定最大槓桿為 90%，所以曝險部位穩定在 0.9 左右，使 F-score 策略保有部分餘裕不受大波動的影響。

結論

本次策略由 Joseph Piotroski ( 2002 ) 的論文作為出發點，欲探討 F-score 策略於台股市場能否為投資人穩定獲利。策略建構上，我們透過淨值市價比找尋被低估的股票，並使用 Pipeline 計算 F-score 及生成交易訊號，最後應用簡化版的回測引擎 TargetPercentPipeAlgo 進行策略回測。

因為 F-score 策略每季再平衡的特性，使投資人在每季有新的財報數據發佈後，能及時更新投資組合，而 Pyfolio 的績效分析，也進一步驗證了 F-score 策略優於大盤的獲利能力，顯示即使此策略已推出逾 20 年，在公司獲利性、安全性及成長性的評估上依然擁有不俗的能力，且在台股市場中也有應用的空間。

溫馨提醒，本次策略與標的僅供參考，不代表任何商品或投資上的建議。之後也會介紹使用 TEJ 資料庫來建構各式指標，並回測指標績效，所以歡迎對各種交易回測有興趣的讀者，選購 TQuant Lab 的相關方案，用高品質的資料庫，建構出適合自己的交易策略。

TQuant Lab｜一站式量化研究，打造專屬於你的投資研究金鑰

TQuant Lab提供高品質的資料與分析工具，搭配全方面策略回測引擎與專業因子分析工具，快速產生視覺化報表，是您在量化投資之旅中不可或缺的一大利器。

tquant.tejwin.com