基本面因子（F-score）——投资组合分析（EAP.portfolio_analysis）

已于 2023-09-24 19:37:50 修改
阅读量6.5k 收藏 14
点赞数 4
分类专栏： 量化股票投资与实证资产定价 文章标签： 金融 资产定价 python
于 2022-03-28 15:20:46 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_37430356/article/details/123794089
版权
本文探讨了Piotroski的F-score如何作为基本面因子与估值指标结合，用于识别被高估和低估的股票。通过构建3*3的Fscore-BM分组投资组合，展示如何获取超额收益。数据来源于2000年的CSMAR数据集，并通过风险模型和因子模型调整验证了理论效果。
摘要由CSDN通过智能技术生成

实证资产定价（Empirical asset pricing）已经发布于Github和Pypi. 包的具体用法(Documentation)博主将会陆续在CSDN中详细介绍，也可以通过Pypi直接查看。

Pypi: pip install --upgrade EAP

Github: GitHub - whyecofiliter/EAP: empirical asset pricing
————————————————

价值投资通常是“以合理的价钱买入优质的公司要远胜于以便宜的价钱买入一般的公司”。有两种价值投资，一种是价值因子投资，价值因子投资是通过估值类指标进行股票选择，容易选出“伪价值”股。另一种是在价值因子上，将基本面考虑进来，关注公司未来的盈利能力和成长能力，试图找到优质且便宜的股票。在对基本面的研究中，和因子投资结合最为紧密的是Piotroski (2000)的F-score和Mohanram (2005)的G-score。

本文以Piotroski的F-score为例。F-score使用三大类（盈利能力、财务情况、经营效率）9个指标来度量公司的基本面情况。F-score按照这9个指标的打分情况来划分股票，具体地说，公司每满足一个指标就得一分，满分为9分，最低分为0分，得分越高的公司，基本面情况越好。

将F-score和盈利指标BM或PE结合起来，可以发现估值高但基本面不好的股票，也可以发现估

了解本专栏 订阅专栏 解锁全文 超级会员免费看
鹦鹉螺平原
关注
专栏目录
订阅专栏
F1Score与其他评估指标的区别
AI天才研究院
09-29 337
F1Score与其他评估指标的区别 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词：F1Score，评估指标，分类模型，混淆矩阵，精确率，召回率，准确率 1. 背景介绍
投资组合分析：EAP.portfolio_analysis
Why的博客
01-05 2362
投资组合分析是实证资产定价中最常用的工具之一。它的主要用途是研究因子对资产价格的影响，主要方法是通过构建投资组合(portfolios)和投资组合差分(differenced portfolios)，并根据需要对投资组合进行风险调整(risk adjustment),从而验证因子对资产价格影响的存在与否。 投资组合分析的具体步骤分为三步： 1. 确定切分点（breakpoint）。按照因子切分点，将资产分成相应投资组合分组。例如常见的Fama-French三因子投资组合，就是将资产按照规模（Size），
基本面指标笔记
纸上得来终觉浅
06-22 4493
基本的财务数据，为了使得不同公司可比，因此需要构建基本面指标。 基本的财务数据：营业收入，利润，现金流。价值投资基本都是在估计营收和利润，谁估计得更准确，谁将获利，这就是分析师的一致预期。 成长因子：财务指标的差分（同比）。 盈利因子：为了可比，消掉单位，计算比值，可以比营收，总资产，股东权益。 市场表现指标：市值（规模）。 公司实际价值和市场表现的结合：估值。 1. 十二类风格因子：...
基本面因子模型
scc的博客
05-29 3669
基本面因子模型BARRA因子模型产业因子模型因子模拟组合Fama-French方法 基本面因子模型用资产的可观测的具体属性构建公共因子来解释超额收益率。这些具体属性包括产业分类、企业规模、市场资本化、账面价值以及风格分类（增长率或者值）。 BARRA因子模型 假定超额收益率是均值修正的，从而因子实现也是均值修正的，因子模型退化为： r~t=βft+εt\tilde{r}_t =\beta f_t + \varepsilon_tr~t​=βft​+εt​ r~t\tilde{r}_tr~t​表示均值修正后的超
量化投资学习——基本面选股因子
m0_37876745的博客
04-03 2983
不同行业的因子数据可比性较差，银 行业的因子值明显高于其他的行业，国防军工和计算机 则明显低于其他行业。 所以我们需要对因子进行行业中性化处理，消除行业间 的差异对因子值的影响 ...
【转】几个期货基本面因子的研究
pigeontang的博客
01-04 6285
几个期货基本面因子的研究 引言 随着传统中低频CTA策略的普及，尤其16年黑色的一大波行情后，越来越多的机构/个体都已经开始布局期货市场上的量化趋势策略，但不论是通道突破类策略、还是趋势指标、均线类策略，信号有效性对市场行情的依赖远大于研究员辛辛苦苦的策略调参、指标组合优化等等。甚至有的机构研究员戏称，趋势策略纯粹看天吃饭，只有一直坚持一波又一波的震荡亏损，才有可能等来一波赚钱的大行情。 然...
组合因子分析 —— F-Score因子
domodo2012的博客
04-15 1000
组合因子分析 —— F-Score因子
投资因子（Investment factor）——投资组合分析（EAP.portfolio_analysis）
Why的博客
01-29 4767
实证资产定价（Empirical asset pricing）已经发布于Github. 包的具体用法(Documentation)博主将会陆续在CSDN中详细介绍。 Github: GitHub - whyecofiliter/EAP: empirical asset pricing 自Fama and French (2015)引入以来，投资因素逐渐流行起来。它还包括在HXZ的模型(2015)中，Zhang (2017) 将其扩展到ICAPM。在其流行之前，Titman et al. (2014)是该
规模效应（Size effect）——投资组合分析（EAP.portfolio_analysis）
Why的博客
01-20 1789
Fama和French（1993）发现的规模效应可能是主要资本市场中最著名和最常见的现象。规模作为公司的一个特征，能够预测未来的股票收益率，而规模较大的公司在未来的收益率往往较低。Fama和French将该效应作为某些背景风险因素的代理变量，可能是违约风险和破产风险。与美国股市一样，中国A股市场也存在这种效应（Liu等人，2016年），其构建和测试如下。 股票按公司规模按升序排序，随后分为5组或10组。头组和尾组股票的平均收益率检验显著，且相应的组收益率降序表明存在规模效应。 # %% import
投资组合的风险因子调整——投资组合分析（EAP.portfolio_analysis）
Why的博客
03-14 1555
实证资产定价（Empirical asset pricing）已经发布于Github和Pypi. 包的具体用法(Documentation)博主将会陆续在CSDN中详细介绍，也可以通过Pypi直接查看。 Pypi: pip install --upgrade EAP Github: GitHub - whyecofiliter/EAP: empirical asset pricing 投资组合的超额收益的主要来源有两种：承担风险因子和错误定价。对投资组合的超额收益进行风险因子调整是排除已知主要风险因子
准确率、召回率、F-score——信息检索、分类、推荐系统评估标准
qq_23617681的博客
05-21 6776
在分类和推荐系统中，对其结果进行评价，经常用到准确率、召回率、F-score这些指标。 下面介绍其概念，举例阐述。 准确率（Precision）：检索出的相关文档/检索出的文档总数，衡量的是系统的查准率。 召回率（Recall）：检索出的相关文档/文档中所有相关文档总数，衡量的是系统的查全率。 F-score是两者的综合评价标准： 准确率和召回率的取值范围都在[0,1]，越高越好
投资组合：数据科学投资组合
02-23
数据科学组合 包含数据科学和数据分析项目的存储库。 使用Python进行机器学习 解释性数据分析，特征工程，监督机器学习（逻辑回归，决策树，随机森林）。 结果：基准是Logistic回归，并且在测试数据集上产生了0.7694的AUC。 通过利用随机森林和对参数进行超调，可以达到0.8025 AUC。 因此，超调会产生更好的性能。 技术： 监督机器学习：逻辑回归，决策树，随机森林 工具 ： Python ：熊猫，Numpy，Sklearn，Matplotlib，Seaborn 带有Python的多层感知器 解释性数据分析，特征工程，MLP 结果：该项目的基准为0.7694。 MLP模型优于基准，但没有击败随机森林。 技术： 神经网络 工具 ： Python ：熊猫，Numpy，Sklearn，Matplotlib，Seaborn，Keras 使用R对高维数据进行多元分析
portfolioBacktest:对多个数据集进行投资组合的自动回测
05-10
投资组合回测 以滚动窗口方式对多个股票价格数据集的多个投资组合进行自动回测。 旨在让研究人员和从业人员对一组不同的档案袋进行回测，以及由课程讲师以全自动和便捷的方式对学生进行档案袋设计进行评估，并以表格和图表的形式方便地对结果进行格式化。 每个投资组合设计很容易定义为一个函数，该函数将股票价格窗口作为输入并输出投资组合权重。 可以轻松地将多个项目组合指定为功能列表或文件夹中的文件。 可以方便地从不同的市场，不同的时间段以及股票总体的不同子集中随机抽取多个数据集。 随后可以根据许多绩效标准（例如，预期收益，波动率，夏普比率，跌幅，周转率，投资回报率，计算时间等）对结果进行评估并与表格进行排名，并在图表中进行绘制。带有不错的条形图和箱形图的方法数量。 安装 该软件包可以从或安装： # install stable version from CRAN install.packages( "
分类模型的评估方法-F分数(F-Score)
weixin_43886278的博客
03-09 3286
前面介绍了机器学习中分类模型的精确率(Precis...
基于财务预测的基本面因子的分析
zhangqiangbeijing的博客
02-09 4342
本文开发了一个上市公司财务预测模型，基于公司的（预测）财务数据构建基本面因子，进行因子有效性回测。一 哪些基本面因子有效？在电子元件制造-被动元件这个三级细分行业里面，成长性因子有效。['成长性因子','营业收入4年增长率', 'EBITDA4年增长率', '净利润(不含少数股东损益)4年增长率']另外，公司运营因子有一定效果。[ '存货周转率', '应收账款周转率', '总资产周转率', '流...
对F-score的理解
manong_dashen的博客
07-17 2743
文章目录F-score准确率召回率综合考量 F-score F-score综合考虑准确率和召回率 P 是正类 N 是负类 TP 正类( P) 被判断正确 TN 负类( N ) 被判断正确 FP 正类 ( P ) 被判断错误 FN 负类 ( N ) 被判断错误 准确率 准确率指的是同一类样本被正确分类的比例 召回率 召回率指的是被判断为同一类的数据中，真实属于这一类的比例（引擎搜索）（需要考虑多类的情况） 综合考量 F 是准确率和召回率的调和平均数 ...
分类模型的评估方法F-Score
weixin_44925794的博客
03-22 2131
分类模型的评估方法F-Score 1. TP、TN、FP、FN解释说明 行表示预测的label值，列表示真实label值 TP：True Positive, 被判定为正样本，事实上也是正样本。 FP：False Positive,被判定为正样本，但事实上是负样本。 TN：True Negative, 被判定为负样本，事实上也是负样本。 FN：False Negative,被判定为负样本，但事实上是正样本。 “狼来了”的故事模型： 2. precision 和 recall 的计算 Accuracy：表示
股票投资基本面分析
hzpeizi123856949的博客
08-22 1598
基本面分析定义： 以判断金融市场未来走势为目标，对影响价格走势的经济数据,宏观经济走势,各国货币当局政策以及地缘政治等因素进行分析； 基本面分析的目的： 使投资者更清楚地认识和了解市场目前的状况，更好地跟上市场运行的步伐，制定适应市场的交易策略。 基本面分析的特点： 基本面分析不具有预测市场未來方向的功能，只是客观地告诉你市场上发生了什么以及市场价格是如何反应的，并找到价涨跌的原因。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值