F-Score被设计用来衡量公司财务状况的整体质量或强度,购买标的的决定最终是取决于F-Score的表现。 Piotroski F-score又称为皮尔托斯基分数、皮氏分数、F-score(我在台湾比较常听到的称呼是 F-score,以下都简称 F-score) 这是价值投资(value investing)、成长投资型的投资人(growth investing),会使用的选股方式之一。
F-Score是一种量化多因子选股模型,最早出现在Piotroski于2000年所著的论文《Value Investing: The Use of Historical Financial Statement Information to Separate Winners from Losers》中,此文研究了一个简单的基于会计的基本面分析策略,当应用于一个广泛的高账面市值比公司的投资组合时,是否可以改变投资者的收益分配。
Piotroski(2000)[1]使用了三大类(盈利能力、财务情况和经营效率)共9个指标来评价公司的基本面(F-Score)。盈利能力强、财务状况好并且经营效率高的公司能获得较高的F-Score,证明公司整体健康;反之盈利能力弱、财务状况差并且经营效率低的公司F-Score则较低,公司基本面较差。本文将仿照Piotroski(2000)的方面,利用A股...
F1 = (2*P*R)/(P+R) F那么在我们这个例子中F1 = (2*2/5*2/6)/(2/5+2/6)(这里我就不算出来了,有这个形式,更加能体现公式特点!) 现在再回过头看accuracy的定义,你会发现accuracy相比于上面的recall和precision是一种更加全局化的衡量标准,于此同时,带来的问题是这种衡量标准比较粗糙。 F1 Score 假如...
对于F-score需要说明一下几点: 1.一般来说,特征的F-score越大,这个特征用于分类的价值就越大; 2.在机器学习的实际应用中,一般的做法是,先计算出所有维度特征的F-score,然后选择F-score最大的N个特征输入到机器学习的模型中进行训练;而这个N到底取多少合适,需要你自己进行尝试; 3.F-score只适用于二分类,对于...
f-scoref-score F-score其实很简单两个最常见的衡量指标是“准确率(precision)”(你给出的结果有多少是正确的)知和“召回道率(recall)”(正确的结果有多少被你给出了)这两个通常是此消彼长的(tradeoff),很难兼得。 很多时候用参数来控制,通过修改参数则能得出一个准确率和召回率的曲线(ROC),这条曲线与x...
F-score是精确率(Precision)和召回率(Recall)的调和平均,用于综合评价分类模型的准确性。精确率表示模型预测为正类的样本中实际为正类的比例,而召回率表示实际为正类的样本中被模型正确预测为正类的比例。 F-score综合考虑了精确率和召回率,具有较高的综合评估效果。特别是在不均衡的分类任务中,当正负样本比例差异...
计算公式为:F-score = 2 * (精确度 * 召回率) / (精确度 + 召回率)。 在计算召回率、精确度和F-score之前,需要先对模型进行评估和预测。通常,我们会将数据集划分为训练集和测试集,使用训练集对模型进行训练,然后使用测试集进行预测。 以下是计算召回率、精确度和F-score的步骤: 使用模型对测试...
1. F-score F-score又称F-meature,是精确率(P)和召回率(R)的加权调和平均 图片.png 关于 用来对P和R进行加权调和平均的参数 =1,表示Precision与Recall一样重要 <1,表示Precision比Recall重要 >1,表示Recall比Precision重要 2. 基本定义 假设有A和B两类物品,A有60个,B有40个,共100个。在一次分类中,被...
F-score是一种用来评估特征重要性的方法。它结合了特征在类别间差异的大小和特征的内部差异的大小。 在使用F-score进行特征筛选时,需要按照以下步骤进行: 1.计算每个特征在各个类别下的均值和标准差。 2.计算每个类别下特征的F-score。F-score的计算公式为:F_score = (类别间差异的均值-类别内差异的均值) / ...