Piotroski F-Score 9 分选股法：如何用 FMP 接口一键排查美股财务健康度？

作者：FMP数据源中文站技术团队发布时间：

在美股基本面量化与价值选股（Value Investing）中，芝加哥大学会计学教授 Joseph Piotroski 于 2000 年提出的 Piotroski F-Score（皮奥特罗斯基 9 分法） 是过滤“价值陷阱”最常用的财务健康度标尺。该模型从盈利能力、资本结构与运营效率三个维度提取 9 个二元财务信号（满足记 1 分、不满足记 0 分），用于识别基本面正在发生边际改善的标的。

但在工程实盘中直接调用 FMP 官方的 Financial Scores（财务健康评分接口，/stable/financial-scores）与 Financial Scores Bulk（财务评分批量接口，/stable/scores-bulk）时，开发者往往会遇到三个具体问题：第一，为什么按教科书年度公式手算出来的分数，常与接口返回的 piotroskiScore 相差 1～2 分？第二，为什么英伟达（NVDA）与波音（BA）在最新截面上同为 6 分，底层失分结构却完全不同？第三，在全市场 18,046 条美元财报评分记录中，为何有 33.27% 的 8～9 分高分记录同时处于 altmanZScore < 1.81 区间？

本文基于 quote-fmp.com 网关拉取的 10 家美股代表性公司最近 8 个已结账季度三大报表（共 80 个公司季度切片）及全市场 62,886 条批量评分截面摘要（数据快照截至 2026-11-04，留存于同目录脱敏核对摘要 JSON），逐项拆解 FMP 的 8 季度滚动复算规则、批量初筛的噪音边界，并给出可复现的单股 9 项复算与对账 Python 代码。

一、 FMP 的 Piotroski 9 分是怎么算出来的？8 季度滚动口径与规则边界

许多量化研究者的第一个困惑是：拉取两期 10-K 年报（period=annual）按 Piotroski (2000) 原论文公式复算，结果在非四季报期间与 /stable/financial-scores 返回的 piotroskiScore 频繁出入。

需要首先厘清的是，Piotroski (2000) 原论文是以年度财报为基础定义的：其总资产收益率（ROA）与经营现金流均按期初总资产缩放，杠杆率考核长期债务占平均总资产比例的年度变动，且第 7 项股权融资信号（EQ_OFFER）考核“过去一年是否未发行普通股”（未增发且股数持平时在原论文中得 1 分）。而对照本站 财务指标计算公式全集、FMP 官方文档的九项文字定义以及本文对 10 家公司 80 个季度 Income Statement（利润表接口）、Balance Sheet Statement（资产负债表接口） 和 Cash Flow Statement（现金流量表接口） 的实盘复算，FMP 接口采用的是最近 8 个季度（Q0..Q7，其中 Q0 为最新结账季、Q4 为去年同季）滚动窗口，且在 F2 与 F6 两项上采用了不同于 ΔROA 与负债率的判定规则：

维度与分值题号与考核指标本文验证的 FMP 8 季滚动复算口径 (Q0..Q7)规则特征及与仅替换 F2/F6 对照口径的差异
盈利能力 (4 分)F1 总资产收益率 · F2 盈利水平F1：sum(NI[0:4]) / totalAssets[0] > 0；F2：sum(NI[0:4]) > 0FMP 官方定义将 F2 设为净利大于 0（NI_TTM > 0），使 F1 与 F2 同向绑定；若在同滚动窗口下将 F2 替换为 ΔROA_TTM > 0，ROA 高位微降的公司会少 1 分
盈利能力 (续)F3 经营现金流 · F4 应计盈余质量F3：sum(OCF[0:4]) > 0；F4：sum(OCF[0:4]) > sum(NI[0:4])要求滚动 4 季经营现金流为正且高于滚动 4 季净利润，过滤应计项目偏高、现金含量不足的账面盈利
资本结构 (3 分)F5 流动比率 · F6 长期债务 · F7 股本变动F5：CR[0] > CR[4]；F6：longTermDebt[0] < longTermDebt[4]；F7：weightedAverageShsOut[0] < weightedAverageShsOut[4]F6 直接比较长期债务绝对金额（若替换为长期债务占总资产比 LTD / TA 同比下降，扩表期公司得分会不同）；注意 F7 用严格小于判断，未增发但股数持平或零债务 0 < 0 均会判 0 分
运营效率 (2 分)F8 毛利率同比 · F9 总资产周转率F8：GM[0] > GM[4]（单季同比）；F9：(sum(Rev[0:4]) / TA[0]) > (sum(Rev[4:8]) / TA[4])F8 比较最新单季与去年同季毛利率；F9 比较当前 TTM 与去年同期 TTM 的总资产周转率（以各自期末总资产作分母）

把这套规则转化为工程直觉，有两条核心纪律需要在写选股器前明确：

二、 10 家美股单期截面实盘对账：为什么苹果拿满 9 分，而英伟达和波音同为 6 分？

我们先调用 Statements（财务报表接口） 分类下的 Financial Scores（财务健康评分接口，/stable/financial-scores），观察苹果（AAPL）与波音（BA）的原生返回结构（数据快照截至 2026-11-04）：

// GET /stable/financial-scores?symbol=AAPL 及 symbol=BA （取数时间 2026-11-04）
[
  { "symbol": "AAPL", "reportedCurrency": "USD", "altmanZScore": 12.479213455651779, "piotroskiScore": 9, "workingCapital": 3942000000,
    "totalAssets": 404548000000, "retainedEarnings": 13700000000, "ebit": 159237000000, "marketCap": 4843808342000, "totalLiabilities": 292455000000, "revenue": 478834000000 },
  { "symbol": "BA", "reportedCurrency": "USD", "altmanZScore": 1.499309458800008, "piotroskiScore": 6, "workingCapital": 15311000000,
    "totalAssets": 170739000000, "retainedEarnings": 16429000000, "ebit": 10305000000, "marketCap": 137339499101, "totalLiabilities": 164177000000, "revenue": 94913000000 }
]

为检验表一的 8 季度滚动复算口径，我们拉取苹果（AAPL）、美光（MU）、AMD、英伟达（NVDA）、微软（MSFT）、特斯拉（TSLA）、波音（BA）、英特尔（INTC）、谷歌（GOOGL）与超微电脑（SMCI）共 10 家公司最近 8 个季度的三大报表，逐项计算 F1..F9 并与接口最新截面原值比对（数据快照截至 2026-11-04）：

标的 (最新财季 / 披露日 filingDate)F-Score (FMP 接口分 vs 仅替换 F2/F6 的滚动对照分)盈利 4 项 (F1..F4 得分与 OCF-NI 差额)资本结构 3 项 (F5..F7 得分与核心变动)效率 2 项 (F8..F9) 与 altmanZScore
AAPL (FY26 Q4 / 2026-11-03)9 分 vs 9 分1,1,1,1（4 分 · 现金流超净利 +129.22 亿美元）1,1,1（3 分 · 流动比 +0.13x，股本缩减 -1.65%）1,1（2 分 · 毛利率 +0.71pp） · Z = 12.48
MU (FY26 Q4 / 2026-10-09)8 分 vs 8 分1,1,1,1（4 分 · 现金流超净利 +47.06 亿美元）1,1,0（2 分 · 长期债降 -112.25 亿美元，股本 +1.25%）1,1（2 分 · 毛利率 +42.09pp） · Z = 13.78
AMD (FY26 Q3 / 2026-11-04)7 分 vs 7 分1,1,1,1（4 分 · 现金流超净利 +15.04 亿美元）1,0,0（1 分 · 长期债增 +47.32 亿美元，股本 +0.62%）1,1（2 分 · 毛利率 +2.20pp） · Z = 19.12
NVDA (FY27 Q2 / 2026-08-26)6 分 vs 5 分1,1,1,0（3 分 · 净利超现金流 -585.19 亿美元）1,0,1（2 分 · 长期债增 +239.00 亿美元，股本 -0.72%）1,0（1 分 · 周转率降 -0.2279x） · Z = 37.59
MSFT (FY27 Q1 / 2026-10-28)6 分 vs 6 分1,1,1,1（4 分 · 现金流超净利 +532.47 亿美元）0,1,1（2 分 · 流动比降 -0.18x，股本 -0.09%）0,0（0 分 · 毛利率 -1.25pp） · Z = 9.42
TSLA (FY26 Q3 / 2026-10-22)6 分 vs 5 分1,1,1,1（4 分 · 现金流超净利 +154.92 亿美元）0,1,0（1 分 · 流动比降 -0.33x，股本 +0.40%）1,0（1 分 · 毛利率 +1.60pp） · Z = 15.31
BA (FY26 Q3 / 2026-10-27)6 分 vs 6 分1,1,1,0（3 分 · 净利超现金流 -36.44 亿美元）0,1,0（1 分 · 长期债降 -32.60 亿美元，股本 +3.21%）1,1（2 分 · 毛利率转正 +19.17pp） · Z = 1.50
INTC (FY26 Q3 / 2026-10-30)5 分 vs 6 分0,0,1,1（2 分 · TTM 净亏损 -120.32 亿美元）1,0,0（1 分 · 长期债额增但占总资产比降 -1.28pp）1,1（2 分 · 毛利率 +4.75pp） · Z = 2.58
GOOGL (FY26 Q3 / 2026-10-29)5 分 vs 5 分1,1,1,0（3 分 · 净利超现金流 -561.43 亿美元）1,0,0（1 分 · 长期债增 +1,034.95 亿美元）1,0（1 分 · 周转率降 -0.2490x） · Z = 9.72
SMCI (FY27 Q1 / 2026-11-03)4 分 vs 5 分1,1,0,0（2 分 · TTM 经营现金流 -63.26 亿美元）0,0,0（0 分 · 长期债额增但占总资产比降 -13.79pp）1,1（2 分 · 毛利率 +3.43pp） · Z = 3.62

在本次核验的 10 家公司最新时点截面上，按表一公式复算的 9 项总分与 /stable/financial-scores 返回的 piotroskiScore 10 家全部吻合（需要说明的是，10 家样本总分一致验证了该 8 季滚动公式在常规美股报表上的复现能力，但不能反证 FMP 内部所有未公开边界分支）。拆解具体子项，可以看到三个核心实战特征：

1. 扩表期的周转率/应计项失分 vs 经营现金流转负的失分（以 NVDA 与 SMCI 为例）

表面上看，英伟达（NVDA）的 F-Score 为 6 分，仅比超微电脑（SMCI，4 分）高 2 分。但穿透到底层报表数字，两者的失分结构截然不同：

2. 为什么波音（BA）也能拿 6 分？用同接口的 altmanZScore 补齐存量负债观察视角

对比表中同为 6 分的英伟达（NVDA）、微软（MSFT）、特斯拉（TSLA）与波音（BA），体现出单用 Piotroski F-Score 选股的局限：F-Score 大部分指标衡量的是“同比边际变化方向（Delta）”，而非“资产负债表存量负债水平（Level）”。

波音（BA）在 2026Q3 的单季毛利率从去年同期的 -10.21% 修复至 +8.96%（F8 得 1 分），长期债务从 446.11 亿美元缩减至 413.51 亿美元（F6 得 1 分），总资产周转率从 0.5383x 微升至 0.5559x（F9 得 1 分），加上 TTM 扭亏使得 F1、F2、F3 各得 1 分，合计拿到 6 分。此时配合 /stable/financial-scores 同屏返回的 altmanZScore，即可直观对比存量偿债缓冲：

三、 全市场 /stable/scores-bulk 快照统计：62,886 条记录的分层分布与四类干扰源

如果要对全市场评分截面做批量统计，调用 Bulk（批量数据接口） 分类下的 Financial Scores Bulk（财务评分批量接口，/stable/scores-bulk）可在单次 HTTP 请求中拉回全库 62,886 条评分记录。

我们对 2026-11-04 拉取的 62,886 条原始 CSV 记录按报表币种、F-Score 分档与 Altman Z-Score 阈值做分层汇总（统计摘要见同目录脱敏核对 JSON），可以看到仅靠评分数值排序会混入多类非目标记录：

快照统计层级 (2026-11-04 截面)记录总数8～9 分高分记录数 (占比)0～2 分低分记录数 (占比)8～9 分记录的 Z-Score 阈值切分与分布特征
全库原始 CSV 流 (/stable/scores-bulk)62,886 条2,880 条 (4.58%，其中 9 分 404 条占 0.64%)12,491 条 (19.86%，含 0 分 617 条)31.53%（908 / 2,880）满足 Z < 1.81；混有非美元财报及全球多市场跨币种原币金额
第一层：限定美元财报 (reportedCurrency == "USD")18,046 条1,013 条 (5.61%，其中 9 分 177 条、8 分 836 条)4,594 条 (25.46%，含 0 分 237 条)33.27%（337 / 1,013）满足 Z < 1.81，18.76%（190 条）位于 1.81～2.99 区间
第二层：美元 8～9 分且叠加 Z > 2.99 阈值486 条 (待进一步清洗的候选记录)486 条 (占美元 8～9 分记录的 47.98%)已按阈值过滤全部满足 F >= 8 且 Z > 2.99；尚未按上市交易所、证券类型与行业联表剔除

在基于 /stable/scores-bulk 构建实盘选股漏斗时，必须注意上表揭示的四项数据边界（尤其注意表三的 486 条仅是满足美元财报、F >= 8、Z > 2.99 的候选记录数，并非已完成美股普通股清洗后的最终股票数）：

  1. 格式边界：Bulk 接口返回 CSV 文本流而非 JSON 数组：与常规 /stable/* 接口返回 JSON 不同，/stable/scores-bulk 与 Company Profile Bulk（公司概况批量接口，/stable/profile-bulk）均直接返回带表头的 CSV 文本流（详见 FMP 数据 API 全面测评），在 Python 中须用 csv.DictReader(io.StringIO(text)) 流式解析，直接调用 .json() 会报错。
  2. 币种与上市地边界：reportedCurrency 仅代表财报记账币种，不等于美股交易所挂牌：以台积电美股 ADR（TSM）为例，其 piotroskiScore 为 8 分、altmanZScore 为 16.52，但其 reportedCurrency 为新台币 TWD（marketCap 亦按同币种折算为 68.97 万亿新台币）；反之，部分非美交易所挂牌公司或 OTC 凭证也会采用 USD 披露财报。若不先校验 reportedCurrency 就直接按 float(row["marketCap"]) > 10e9 过滤市值，会把大批以日元（JPY）、新台币（TWD）计价的中小盘记录误判为百亿美元大盘股。
  3. 为什么美元 8～9 分记录中有 33.27%（337 / 1,013）落入 altmanZScore < 1.81？ 这里的 33.27% 仅表示低于 1.81 阈值的记录占比，绝不能解释为破产风险发生率。核查存档中的这 337 条记录，可见四类典型成因：

四、 Python 实战代码：10 家美股 9 项得分逐位复算与双向勾稽断言

下面给出仅依赖 Python 标准库的单股 9 项复算与对账脚本（54 行）。脚本从 https://quote-fmp.com/stable 拉取单股财务评分与最近 8 个季度的三大报表，在校验三表 8 季财期严格对齐与分母非零后，逐位算出 F1..F9 九个二元得分项及 altmanZScore，并通过 assert 断言与接口返回值比对。

考虑到试用档密钥配额为 20 RPM（每分钟 20 次请求），而遍历 10 家公司需发起 40 次请求，脚本内置了请求间隔与 HTTP 429 分钟级窗口退避。运行前请设置环境变量 export FMP_KEY="你的密钥"（Windows PowerShell 使用 $env:FMP_KEY="你的密钥"）：

import json, os, time, urllib.error, urllib.request

BASE_URL, API_KEY = "https://quote-fmp.com/stable", os.environ["FMP_KEY"]


def fmp_get(path: str, **params) -> list[dict]:
    params["apikey"] = API_KEY
    url = f"{BASE_URL}/{path}?" + "&".join(f"{k}={v}" for k, v in params.items())
    for attempt in range(3):
        try:
            req = urllib.request.Request(url, headers={"User-Agent": "fmpquote-fscore/1.0"})
            with urllib.request.urlopen(req, timeout=20) as resp:
                return json.loads(resp.read().decode("utf-8"))
        except urllib.error.HTTPError as e:
            if e.code == 429 and attempt < 2:
                wait_s = max(1.0, float(e.headers.get("Retry-After", "60")))
                time.sleep(wait_s)
                continue
            raise


def audit_piotroski_9(sym: str, pace_sec: float = 0.0) -> dict:
    sc = fmp_get("financial-scores", symbol=sym)[0]
    inc = fmp_get("income-statement", symbol=sym, period="quarter", limit=8)
    bal = fmp_get("balance-sheet-statement", symbol=sym, period="quarter", limit=8)
    cf = fmp_get("cash-flow-statement", symbol=sym, period="quarter", limit=8)
    if pace_sec > 0: time.sleep(pace_sec)
    dates = [x["date"] for x in inc]
    assert len(dates) == 8 and dates == [x["date"] for x in bal] == [x["date"] for x in cf], f"财期未对齐: {sym}"
    ta0, ta4, tl0 = bal[0]["totalAssets"], bal[4]["totalAssets"], sc["totalLiabilities"]
    assert ta0 > 0 and ta4 > 0 and tl0 > 0 and inc[0]["revenue"] > 0 and inc[4]["revenue"] > 0, f"分母异常: {sym}"
    ni_ttm, ocf_ttm = sum(x["netIncome"] for x in inc[:4]), sum(x["operatingCashFlow"] for x in cf[:4])
    rev_ttm, rev_prev = sum(x["revenue"] for x in inc[:4]), sum(x["revenue"] for x in inc[4:8])
    cr0, cr4 = bal[0]["totalCurrentAssets"] / bal[0]["totalCurrentLiabilities"], bal[4]["totalCurrentAssets"] / bal[4]["totalCurrentLiabilities"]
    gm0, gm4 = inc[0]["grossProfit"] / inc[0]["revenue"], inc[4]["grossProfit"] / inc[4]["revenue"]
    flags = [
        int((ni_ttm / ta0) > 0), int(ni_ttm > 0), int(ocf_ttm > 0), int(ocf_ttm > ni_ttm),
        int(cr0 > cr4), int(bal[0]["longTermDebt"] < bal[4]["longTermDebt"]),
        int(inc[0]["weightedAverageShsOut"] < inc[4]["weightedAverageShsOut"]),
        int(gm0 > gm4), int((rev_ttm / ta0) > (rev_prev / ta4)),
    ]
    z_calc = (1.2 * sc["workingCapital"] + 1.4 * sc["retainedEarnings"] + 3.3 * sc["ebit"] + 1.0 * sc["revenue"]) / ta0 + 0.6 * sc["marketCap"] / tl0
    assert sum(flags) == sc["piotroskiScore"] and abs(z_calc - sc["altmanZScore"]) < 1e-6, f"口径不一致: {sym}"
    return {"symbol": sym, "date": dates[0], "f_score": sum(flags), "flags": flags, "z_score": round(z_calc, 2)}


for ticker in ["AAPL", "MU", "AMD", "NVDA", "MSFT", "TSLA", "BA", "INTC", "GOOGL", "SMCI"]:
    print(audit_piotroski_9(ticker, pace_sec=1.2))

根据上述函数返回结果整理如下，10 家公司均通过三表财季对齐检查与 assert 双向断言（例如 AAPL 输出 {'symbol': 'AAPL', 'date': '2026-09-26', 'f_score': 9, 'flags': [1, 1, 1, 1, 1, 1, 1, 1, 1], 'z_score': 12.48}，NVDA 输出 {'symbol': 'NVDA', 'date': '2026-07-26', 'f_score': 6, 'flags': [1, 1, 1, 0, 1, 0, 1, 1, 0], 'z_score': 37.59}；完整 80 个季度的三表输入与复算值均已归档于同目录实测证据 JSON）。

五、 常见问答（FAQ）

1. /stable/financial-scores 只返回当前最新一期的评分快照，做历史回测时能否直接把 limit=8 改大来生成历史序列？

不能仅靠修改 limit 参数实现。首先，第四节的 audit_piotroski_9 固定读取最新截面切片 [:4] 与 [4:8]；若拉取 limit=40（10 年季报），需要编写滑动窗口循环，在确认三表历史财期逐季对齐后，按偏移量 i 依次截取 [i:i+4] 与 [i+4:i+8]，且 40 个连续季度最多只能生成 33 个完整 8 季滚动 F-Score 窗口。其次，历史各期的 Altman Z-Score 第四项 D = marketCap / totalLiabilities 必须关联对应评估日的历史市值，不能复用最新评分接口里的 sc["marketCap"]。最后，在回测严谨性上，须区分“基于现有报表重建历史滚动序列”与“严格 Point-in-Time（PIT）回测”：按每期财报的 acceptedDate（SEC 接收时间戳）截断仅能避免在财报披露前提前使用该期数据，但无法消除上市公司事后会计重述（Restatement）对历史报表数值的覆盖（回测防前视与退市样本处理可参考 消除美股回测幸存者偏差实战）。若需观察 FMP 预计算的 DCF、ROE、ROA、D/E、P/E、P/B 六维字母评级（S+ 至 D-）历史序列，可配合调用 Analyst（分析师数据接口） 分类下的 Ratings Snapshot（评级快照接口，/stable/ratings-snapshot）与 Historical Ratings（历史财务评分接口，/stable/ratings-historical）。

2. 为什么部分长期大额回购的消费或医药股 Altman Z-Score 偏低，筛选时该如何结合现金流指标交叉核验？

成熟期现金牛公司在长期执行大额股票回购与现金分红时，会通过两条路径影响 Altman Z-Score：一是当期分红或注销式回购冲减留存收益（retainedEarnings），直接压低第二项 B = retainedEarnings / totalAssets（例如表一中 AAPL 2025 财年末至 2026 财年一季末的 retainedEarnings 曾一度为负值）；二是若公司通过发行债券筹资回购股票，会推高分母总负债（totalLiabilities），从而压低第四项 D = marketCap / totalLiabilities（注意 D 项分子是总市值而非账面股东权益）。实盘初筛非金融股时，对 piotroskiScore >= 8 且 OCF_TTM > NI_TTM > 0 的公司，可联动 Key Metrics TTM（TTM 关键指标接口，/stable/key-metrics-ttm）核验自由现金流收益率（freeCashFlowYieldTTM）与净债务/EBITDA（netDebtToEBITDATTM），将“高现金流支撑的回购型公司”与“经营失血的高负债公司”区分开来。如需在本地复现上述 10 家美股 9 项得分复算代码，可前往 快速接入指南 免费申领试用 Key（20 RPM / 0.3 GiB，滚动 30 天额度，支持国内直连与微信扫码开通），5 分钟内即可跑通单股财务健康度核验流程。

登录后可领取FMP Ultimate档15天试用 Key，覆盖全量接口。免费试用 15 天 →