Guía práctica de datos de mercado, documentos y posicionamiento en renta variable US
Artículo Machine Learning for Trading
Resumen
Esta guía organiza conjuntos de datos de renta variable US en datos de mercado, fundamentales de empresas, posicionamiento de inversores y características de empresas. Cataloga cargadores de barras diarias e intradía, opciones y registros de microestructura de mercado, además de texto de documentos presentados a SEC, datos XBRL, posiciones institucionales, operaciones de insiders y un panel empaquetado de características de empresas. También indica la cobertura general o los periodos declarados para determinados conjuntos de datos.
La guía señala los tipos de investigación que puede respaldar cada colección, como investigación de características, señales en textos regulatorios, estudios de casos sobre opciones y grafos de propiedad. Proporciona puntos de acceso para descargar los datos y remite a la documentación de los subdirectorios para consultar licencias, requisitos de almacenamiento y formatos de archivo. Es un catálogo, no un resultado de investigación ni una evaluación de calidad de datos: la cobertura varía según la fuente, algunas colecciones son muestras reducidas y la guía no compara conjuntos de datos ni recomienda una estrategia de trading.
Ideas clave
- Los conjuntos de datos se agrupan en datos de mercado, fundamentales, posicionamiento y características de empresas.
- Las fuentes de mercado incluyen barras diarias y de un minuto, registros de opciones y datos tick o del libro de órdenes.
- Los documentos presentados a SEC y los datos XBRL aportan información textual y contable estructurada para la investigación.
- Las posiciones institucionales y las operaciones de insiders ofrecen perspectivas distintas sobre el posicionamiento en renta variable.
- Consulta la documentación de cada fuente para comprobar la cobertura, las licencias, el almacenamiento y los formatos de los conjuntos de datos.
Etiquetas
Texto completo
# Equity Data
# Equity Data
Equity datasets organised by **type**: market data (OHLCV, options,
microstructure), fundamentals (SEC filings + XBRL), positioning (13F,
Form 4), and firm characteristics (standalone packaged dataset).
## Directory
```
equities/
├── loader.py # All equities loaders
├── README.md # (this file)
│
├── market/ # Market data (OHLCV, options, microstructure)
│ ├── us_equities/ # NASDAQ Data Link Wiki Prices (1962-2018)
│ ├── sp500/ # AlgoSeek daily bars + options slices
│ ├── nasdaq100/ # AlgoSeek minute bars
│ ├── microstructure/ # TAQ / MBO / ITCH / IEX tick data
│ ├── sp500.csv # Index reference file
│ └── us_equities_profile.json
│
├── fundamentals/ # SEC regulatory filings (text + XBRL)
│ ├── 10k/sp100/ # Per-ticker 10-K text (S&P 100)
│ ├── 10q/sp500/mda.parquet # 10-Q MD&A aggregate (S&P 500)
│ ├── 8k/sp100/ # 8-K event filings (S&P 100)
│ ├── xbrl/ # XBRL financial facts (CIK × quarter × concept)
│ ├── filings_download.py # Unified 10-K / 10-Q / 8-K downloader
│ ├── xbrl_download.py
│ └── README.md
│
├── positioning/ # SEC regulatory filings (positions / insider activity)
│ ├── 13f/ # 13F institutional holdings (per-cik + bulk)
│ ├── form4/ # Form 4 insider transactions (raw XML)
│ ├── 13f_download.py
│ ├── form4_download.py
│ └── README.md
│
└── firm_characteristics/ # Standalone packaged dataset (Chen-Pelger-Zhu)
├── firm_characteristics_all.parquet
├── download.py
└── README.md
```
## Loaders (all in `equities/loader.py`)
### Market
| Loader | Dataset |
| ---------------------------------- | ---------------------------------------------------------- |
| `load_sp500_index()` | S&P 500 index OHLCV (bundled) |
| `load_us_equities()` | 3,199 US stocks (1962-2018, frozen) — NASDAQ DL |
| `load_sp500_daily_bars()` | S&P 500 daily OHLCV — AlgoSeek |
| `load_sp500_options()` | Raw options chains (legacy) — AlgoSeek |
| `load_sp500_options_eda()` | Options EDA slice (8 symbols, 2019-2020) — AlgoSeek slim |
| `load_sp500_options_straddles_raw()` | ATM-band raw chains, lifecycle-preserving (2017-2021) |
| `load_sp500_options_surface()` | Daily IV surface summary |
| `load_sp500_options_straddles()` | Daily ATM straddles |
| `load_nasdaq100_bars()` | NASDAQ-100 minute bars (resampling, quotes, microstructure)|
| `load_nasdaq100_taq()` | TAQ tick data (AAPL, 2020-03-13 / 2020-03-16) |
| `load_mbo_data()` | MBO order book data — Databento |
| `load_nasdaq_itch()` | NASDAQ ITCH messages |
| `load_iex_hist()` | IEX DEEP/TOPS data (free) |
### Fundamentals
| Loader | Dataset |
| ---------------------------------- | ---------------------------------------------------------- |
| `load_sp500_10q_mda()` | S&P 500 10-Q MD&A text (2017-2021) |
| `load_sec_filings(form_type, universe)` | 10-K / 10-Q / 8-K aggregate text |
| `resolve_sec_filings_dir()` | Per-ticker filings directory (Ch22 RAG) |
| `load_sec_xbrl_fundamentals()` | XBRL financial facts (CIK × quarter × concept) |
### Positioning
| Loader | Dataset |
| ---------------------------------- | ---------------------------------------------------------- |
| `load_institutional_holdings_13f()` | 13F holdings (per-cik, 10 curated managers) |
| `load_13f_bulk_holdings(quarter)` | 13F full universe (~3M rows per quarter) |
| `load_13f_stock_features()` | Stock-level features (breadth, concentration, value) |
| `load_13f_edges()` | Institution → stock edge list (graph construction) |
### Firm Characteristics
| Loader | Dataset |
| ---------------------------------- | ---------------------------------------------------------- |
| `load_firm_characteristics()` | Chen-Pelger-Zhu panel (~180 features; returns + accounting)|
## Quick Start
```bash
# Market
uv run python data/equities/market/us_equities/download.py
# Fundamentals
uv run python data/equities/fundamentals/filings_download.py --form 10-Q --universe sp500
uv run python data/equities/fundamentals/xbrl_download.py
# Positioning
uv run python data/equities/positioning/13f_download.py
uv run python data/equities/positioning/form4_download.py --ticker TSLA --count 20
# Firm characteristics
uv run python data/equities/firm_characteristics/download.py
```
## Book Usage
- **Ch2** — market datasets appear in `02_financial_data_universe/*_eda.py`.
- **Ch3** — microstructure (TAQ / MBO / ITCH / IEX).
- **Ch4** — fundamentals (XBRL, SEC filings), positioning (13F, Form 4).
- **Ch8** — fundamentals + macro cross-sectional features.
- **Ch10** — filing-text signals from 10-Q MD&A; asset embeddings from 13F.
- **Ch11-14** — firm characteristics as the standard ML asset-pricing benchmark.
- **Ch16-20** — NASDAQ-100 + S&P 500 options case studies.
- **Ch22-23** — RAG over SP100 10-Ks; institutional ownership graph.
See the sub-READMEs in each type directory for license, disk footprint,
download commands, and on-disk layout details.Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: MIT
Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.