خصائص شركات Chen-Pelger-Zhu لتسعير الأصول
الملخص
تصف هذه الوثيقة معيارًا قابلًا لإعادة الإنتاج للأسهم US مأخوذًا من أرشيف إعادة إنتاج دراسة تسعير الأصول لـChen وPelger وZhu. ويحتوي على نحو 1.2 مليون مشاهدة شهرية للأسهم من 1967 إلى 2016، مع 46 خاصية للشركات ومؤشرات اقتصادية كلية وعوائد مستقبلية وتقسيمات محددة مسبقًا للتدريب والتحقق والاختبار. ومعرّفات الشركات مجهولة وثابتة داخل كل موتر منشور، لكن مساحات أسماء المعرّفات المنفصلة تمنع ربط الشركات بين الموترات.
تدعم مجموعة البيانات دراسات التعلم الآلي لتسعير الأصول، حيث تهم بيانات المعيار المتسقة أكثر من تفسير الأوراق المالية الفردية. وتقسم فتراتها الزمنية المنشورة 1967–1986 للتدريب، و1987–1991 للتحقق، و1992–2016 للاختبار. وتوضح الوثيقة التنزيل والتحويل من ملفات المؤلفين الموترية إلى Parquet وتحميل اللوحة كاملة أو تقسيمات فردية، مع خيار تضمين بيانات الاقتصاد الكلي. وهذا وصف لمجموعة بيانات وليس نتيجة تجريبية: إذ يعتمد الأداء على النماذج وأساليب التقييم المستخدمة، كما تحد الهويات المجهولة من التحليل على مستوى الشركة بين التقسيمات.
الأفكار الرئيسية
- يحتوي المعيار على مشاهدات شهرية للأسهم وخصائص للشركات ومؤشرات اقتصادية كلية وعوائد مستقبلية من 1967 إلى 2016.
- تفصل التقسيمات الزمنية المحددة مسبقًا فترات التدريب والتحقق والاختبار.
- تبقى معرّفات الشركات المجهولة ثابتة داخل كل موتر، لكن لا يمكن ربطها عبر مساحات أسماء الموترات.
- تُستخدم مجموعة البيانات لتجارب قابلة لإعادة الإنتاج في تسعير الأصول الخطي وغير الخطي.
- تحافظ ملفات Parquet المحولة على المعرّفات المستعادة من بيانات الموتر الأصلية.
الوسوم
النص الكامل
# Firm Characteristics (Chen-Pelger-Zhu 2020)
# Firm Characteristics (Chen-Pelger-Zhu 2020)
Anonymized panel of ~1.2M stock-month observations with 46 firm
characteristics and forward returns, spanning 1967-2016. Built from the
replication archive of Chen, Pelger, and Zhu (2020), *Deep Learning in
Asset Pricing*. Used throughout the book for ML-based asset-pricing
examples where a standard, reproducible benchmark matters more than
symbol-level interpretation.
## Dataset
- **Source**: GitHub replication repo
(https://github.com/jasonzy121/Deep_Learning_Asset_Pricing), which
itself ships the published dataset via Google Drive
- **Coverage**: 1967-01 to 2016-12, monthly observations, ~1.2M rows
- **Features**: 46 firm characteristics (accounting ratios, price-based
measures, momentum variants), 178 macro indicators, forward returns
- **Size on disk**: ~1.1 GB raw CSV; converted to ~500 MB parquet
- **Access**: Public, no API key required
- **Canonical schema**: `symbol` (anonymous integer id), `timestamp`
(monthly Date), 46 characteristic columns, `ret`, `split`
- **Identity scope**: `symbol` is persistent within each tensor released by
the authors. Separate numeric namespaces prevent accidental linking across
tensors because the archive does not publish a cross-split map.
## Pre-defined Splits
The dataset ships with deterministic train/valid/test splits aligned to
the authors' released tensors:
| Split | Period |
| ----- | --------- |
| train | 1967-1986 |
| valid | 1987-1991 |
| test | 1992-2016 |
## Download
This is the largest free dataset in the book: ~1.5 GB pulled from the
authors' Google Drive folder (RetChar.csv alone is ~1.1 GB), followed by
a tensor-to-Parquet conversion. The tensor conversion recovers persistent
anonymous firm identifiers that the flattened CSV omits. How long it takes
depends on your bandwidth and disk speed. Per-file progress is printed as it
runs. A single command downloads and converts; no separate `--convert` pass
is needed.
```bash
# Download the ~1.5 GB folder and convert to parquet in one step
uv run python data/equities/firm_characteristics/download.py
# Verify what's already on disk, do not refetch
uv run python data/equities/firm_characteristics/download.py --check
# Force a re-download even if files exist
uv run python data/equities/firm_characteristics/download.py --force
# Re-run only the tensor-to-Parquet conversion (files already downloaded)
uv run python data/equities/firm_characteristics/download.py --convert
```
It is also fetched automatically as part of `data/download_all.py`. To
skip it there (e.g. on a metered or space-constrained connection), pass
`--skip-firm-characteristics`.
Output layout under `$ML4T_DATA_PATH/equities/firm_characteristics/`:
```
firm_characteristics_all.parquet # full panel
firm_characteristics_train.parquet # 1967-1986
firm_characteristics_valid.parquet # 1987-1991
firm_characteristics_test.parquet # 1992-2016
dl_asset_pricing/ # raw CSV + NPZ staging
RetChar.csv
Macro.csv
char/Char_{train,valid,test}.npz
macro/macro_{train,valid,test}.npz
RF/RF_{train,valid,test}_normalized_task_1.npz
```
The staging directory is kept so experiments that need the pre-split
NPZ arrays (the original Chen-Pelger-Zhu format) can read them
directly.
## Loading
```python
from data import load_firm_characteristics
df = load_firm_characteristics() # full panel
df = load_firm_characteristics(split="train")
df = load_firm_characteristics(split="test", include_macro=True)
```
If the canonical parquets are missing, the loader raises
`DataNotFoundError` pointing at the download command.
## Consumers
- Chapters 10-16 - standard benchmark for linear and nonlinear
asset-pricing models.
- `case_studies/us_firm_characteristics/` - Chen-Pelger-Zhu replication
pipeline (CV, GBM, latent factor, deep models).يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: MIT
أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.