Características empresariales de Chen-Pelger-Zhu para valorar activos
Resumen
Este documento describe un benchmark reproducible de acciones US del archivo de replicación de valoración de activos de Chen, Pelger y Zhu. Contiene aproximadamente 1.2 millones de observaciones bursátiles mensuales entre 1967 y 2016, con 46 características empresariales, indicadores macroeconómicos, rendimientos futuros y particiones predefinidas de entrenamiento, validación y prueba. Los identificadores de empresas son anónimos y persistentes dentro de cada tensor publicado, pero los espacios de identificadores separados impiden vincular empresas entre tensores.
El conjunto de datos permite estudios de aprendizaje automático sobre valoración de activos en los que importa más disponer de datos de referencia coherentes que interpretar valores individuales. Las particiones cronológicas publicadas asignan 1967–1986 al entrenamiento, 1987–1991 a la validación y 1992–2016 a las pruebas. El documento describe la descarga, la conversión de los archivos tensoriales de los autores a Parquet y la carga del panel completo o de particiones individuales, incluida la opción de añadir datos macroeconómicos. Es una descripción de un conjunto de datos, no un resultado empírico: el rendimiento depende de los modelos y métodos de evaluación aplicados, y las identidades anónimas limitan el análisis empresarial entre particiones.
Ideas clave
- El benchmark contiene observaciones bursátiles mensuales, características empresariales, indicadores macroeconómicos y rendimientos futuros de 1967 a 2016.
- Sus particiones cronológicas predefinidas separan los periodos de entrenamiento, validación y prueba.
- Los identificadores empresariales anónimos persisten dentro de cada tensor, pero no se pueden vincular entre espacios de identificadores de tensores distintos.
- El conjunto de datos se utiliza en experimentos reproducibles de valoración de activos, lineales y no lineales.
- Los archivos Parquet convertidos conservan los identificadores recuperados de los datos tensoriales originales.
Etiquetas
Texto completo
# 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).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.