Unternehmensmerkmale von Chen, Pelger und Zhu für das Asset Pricing
Zusammenfassung
Dieses Dokument beschreibt einen reproduzierbaren US-Aktienbenchmark aus dem Replikationsarchiv zur Anlagebewertung von Chen, Pelger und Zhu. Er enthält rund 1.2 Millionen monatliche Aktienbeobachtungen von 1967 bis 2016, 46 Unternehmensmerkmale, makroökonomische Indikatoren, künftige Renditen und vordefinierte Trainings-, Validierungs- und Testaufteilungen. Unternehmenskennungen sind anonym und innerhalb jedes veröffentlichten Tensors dauerhaft; getrennte Kennungsräume verhindern jedoch, dass Unternehmen zwischen Tensoren verknüpft werden.
Der Datensatz unterstützt Studien zum Einsatz maschinellen Lernens bei der Bewertung von Anlagen, bei denen ein einheitlicher Benchmark wichtiger ist als die Interpretation einzelner Wertpapiere. Die veröffentlichten chronologischen Aufteilungen ordnen 1967–1986 dem Training, 1987–1991 der Validierung und 1992–2016 dem Testen zu. Das Dokument beschreibt den Download, die Umwandlung der Tensor-Dateien der Autoren in Parquet und das Laden des vollständigen Panels oder einzelner Aufteilungen, einschließlich einer Option für Makrodaten. Es handelt sich um eine Datensatzbeschreibung, nicht um ein empirisches Ergebnis: Die Leistung hängt von den verwendeten Modellen und Bewertungsmethoden ab, und die anonymisierten Kennungen begrenzen Analysen auf Unternehmensebene über verschiedene Aufteilungen hinweg.
Kernaussagen
- Der Benchmark enthält monatliche Aktienbeobachtungen, Unternehmensmerkmale, Makroindikatoren und künftige Renditen von 1967 bis 2016.
- Die vordefinierten chronologischen Aufteilungen trennen Trainings-, Validierungs- und Testzeiträume.
- Anonyme Unternehmenskennungen bleiben innerhalb jedes Tensors bestehen, lassen sich aber nicht über getrennte Tensor-Kennungsräume hinweg verknüpfen.
- Der Datensatz dient reproduzierbaren linearen und nichtlinearen Experimenten zur Bewertung von Anlagen.
- Die umgewandelten Parquet-Dateien bewahren die aus den ursprünglichen Tensor-Daten übernommenen Kennungen.
Schlagwörter
Volltext
# 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).Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: MIT
Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.