Piotroski F-Score 7 항목 횡단 점수카드

학술 근거

Joseph Piotroski, “Value Investing: The Use of Historical Financial Statement Information to Separate Winners from Losers” (Journal of Accounting Research, 2000): 저-PBR (가치주) 유니버스 안에서 9 가지 fundamental 신호로 점수화. 1976-1996 미국 백테스트:

• 고-점수 (8-9 점) 가치주 연 13.4% vs 저-점수 (0-1 점) 5.9%.
• 점수 0 → 1 단위 상승 시 평균 +1.5%p 초과수익.
• 가치주 (BM 상위 quintile) 안에서 작동, 성장주에서는 약함.

원전 9 항목 중 dartlab ratio 13 종으로 가능한 7 항목만 사용 (lite). 신주발행 (자본금 변동) 과 ΔassetTurnover 는 한국 회계 특이성으로 노이즈 큼 → 제외. 미국 적용 시 둘 추가 가능.

7 항목 (각 1 점, 합계 0~7)

번호	항목	dartlab 계산
1	ROA > 0	roa > 0
2	CFO > 0	operatingCfMargin > 0
3	ΔROA > 0	당년 roa − 전년 roa > 0
4	CFO > NI	operatingCfMargin > netMargin (accrual quality)
5	ΔdebtRatio < 0	당년 debtRatio − 전년 debtRatio < 0
6	ΔcurrentRatio > 0	당년 currentRatio − 전년 currentRatio > 0
7	ΔgrossMargin > 0	당년 grossMargin − 전년 grossMargin > 0

원전 9 점 → 7 점 변환 시 임계는 5 점 이상 (≈ 원전 7 점) 을 권장.

공개 호출 방식

import dartlab
import polars as pl

# 1) 7 ratio 모두 freq="Y" 로 fetch (당년 + 전년 컬럼 자동)
def fScore() -> pl.DataFrame:
    ratios = ["roa", "operatingCfMargin", "netMargin", "debtRatio", "currentRatio", "grossMargin"]
    frames = [dartlab.scanRatio(r, freq="Y").rename({"2025": f"{r}_25", "2024": f"{r}_24"}) for r in ratios]
    df = frames[0]
    for f in frames[1:]:
        df = df.join(f, on="stockCode", how="inner")
    return df.with_columns([
        (pl.col("roa_25") > 0).cast(pl.Int8).alias("p1_roa"),
        (pl.col("operatingCfMargin_25") > 0).cast(pl.Int8).alias("p2_cfo"),
        (pl.col("roa_25") > pl.col("roa_24")).cast(pl.Int8).alias("p3_dRoa"),
        (pl.col("operatingCfMargin_25") > pl.col("netMargin_25")).cast(pl.Int8).alias("p4_accrual"),
        (pl.col("debtRatio_25") < pl.col("debtRatio_24")).cast(pl.Int8).alias("p5_dDebt"),
        (pl.col("currentRatio_25") > pl.col("currentRatio_24")).cast(pl.Int8).alias("p6_dCurrent"),
        (pl.col("grossMargin_25") > pl.col("grossMargin_24")).cast(pl.Int8).alias("p7_dGm"),
    ]).with_columns(
        pl.sum_horizontal("p1_roa","p2_cfo","p3_dRoa","p4_accrual","p5_dDebt","p6_dCurrent","p7_dGm").alias("fScore")
    )

# 2) 가치주 유니버스 (저PBR) 안에서 5 점 이상 추출
value = dartlab.scan("valuation")
result = (
    fScore()
    .join(value.select(["stockCode", "pbr", "per", "grade"]), on="stockCode")
    .filter((pl.col("pbr") <= 1.5) & (pl.col("fScore") >= 5))
    .sort("fScore", descending=True)
)

호출 동작

1. scanRatio(r, freq="Y") 6 회 (roa·operatingCfMargin·netMargin·debtRatio·currentRatio·grossMargin) — 컬럼 "2025", "2024".
2. polars join 으로 한 wide 테이블.
3. 7 항목 binary cast → fScore 합산.
4. scan("valuation") 결합 → pbr ≤ 1.5 + fScore ≥ 5.
5. fScore 내림차순 정렬.

대표 반환 형태

result : pl.DataFrame — 컬럼:

• stockCode, corpName
• p1_roa ~ p7_dGm : int8 — 7 항목 통과 여부 (0 또는 1)
• fScore : int — 0~7 합계
• pbr, per : float — 시장 multiple
• grade : str — valuation grade

한계

• 원전 9 → 7 변환 — 신주발행 항목과 ΔassetTurnover 제외. 한국 자본금 변동은 무상증자·주식배당 등 노이즈로 학술 신호 약함.
• freq=“Y” 만 의존 — 분기 데이터로 ΔROA 등 더 민감한 신호도 가능하나 본 recipe 는 연간 표준.
• 5 기간 일관성 미점검 — 단일 연도 변화만 봄. 5 년 일관성 (compounderCandidates) 또는 학술적 ΔROA 5 년 평균은 별도 확장.
• PBR 1.5 임계는 조정 가능 — 한국 chaebol discount 시장에서는 1.0 이하로 더 빡빡하게 가능.

한국 / 미국 시장 차이

• 한국: 저-PBR 가치주 풀이 미국보다 큼 (KOSPI 평균 PBR ≈ 1.0). 본 lite 7 점 모델로 함정 회피 효과 강함. 단 chaebol 계열사 (지주회사·금융 자회사) 회계 특이성 주의.
• 미국: 원전 검증 시장. 신주발행 항목 추가로 9 점 만점 권장. PBR 1.5 → 2.0 까지 완화 가능 (S&P 500 평균 ≈ 4).

연계 절차

1. 본 recipe 로 후보 발굴 → tableRef 에 fScore 분포 표.
2. fScore 6-7 점 종목에 대해 engines.recipe.qualityValueScreen 의 GP/A 게이트 추가 통과 여부 확인.
3. engines.recipe.distressFilter 로 위험 종목 제외.
4. engines.analysis.earningsQuality — CFO/NI 비율 시계열 정합성 점검.
5. engines.story 로 후보별 narrative 생성.

기본 검증

• 점수 분포 — 평균 3-4 점이 정상. 평균 6 점 이상 = 게이트 의심 (PBR 1.5 너무 느슨).
• 5 점 이상 후보 수 — 50~150 개가 정상 범위 (KOSPI 약 2400 종목 중 2~6%).
• ΔROA·ΔdebtRatio 등 변화 항목이 한쪽으로 쏠리면 시장 사이클 영향 — 매크로 환경 함께 해석.
• “F-Score = 7 = 매수” 단정 X — 점수카드는 후보 발굴 도구. 단일 회사 심층 검증 필수.