Corpus de noticias financieras para analizar sentimiento y rendimientos
Resumen
Esta referencia describe dos corpus de noticias financieras utilizados para el análisis de sentimiento, el desarrollo de características textuales y los experimentos que relacionan noticias con rendimientos. FNSPID vincula titulares con tickers bursátiles y abarca un amplio periodo histórico; además de la colección completa, hay disponible una muestra más pequeña. El archivo Bloomberg contiene texto de noticias y series financieras estructuradas de un periodo más corto, y se presenta como fuente secundaria para estudios de sentimiento, temas y robustez entre conjuntos de datos. Ambos se distribuyen a través de un repositorio público de datos, y el documento describe su contenido básico y las opciones de carga.
La guía también explica límites prácticos importantes. FNSPID exige atribución conforme a la licencia indicada, mientras que el texto de Bloomberg se restringe al uso en investigación y no puede redistribuirse con fines comerciales. Los datos estructurados de Bloomberg se gestionan por separado de su cargador de noticias, y la guía recomienda FNSPID para nuevos flujos de datos. Estos corpus proporcionan insumos de investigación, no pruebas de que las características de noticias predigan rendimientos; los usuarios aún deben definir y validar sus propias señales, marcas temporales y diseño de evaluación.
Ideas clave
- FNSPID vincula titulares financieros con tickers bursátiles y permite investigar el sentimiento de noticias y la atribución de rendimientos.
- El archivo Bloomberg combina texto de noticias con datos financieros estructurados para experimentos secundarios.
- Los corpus difieren en cobertura, escala y forma de cargar el texto y los datos estructurados.
- FNSPID exige atribución, mientras que el archivo Bloomberg se limita al uso en investigación.
- Los conjuntos de datos aportan material de investigación, pero por sí solos no demuestran que las noticias predigan rendimientos.
Etiquetas
Texto completo
# Financial News Archives
# Financial News Archives
Two news corpora used for sentiment analysis, text-signal engineering,
and news-return experiments. Both distributed via HuggingFace Hub.
| Dataset | Records | Coverage | Disk | Source |
| ----------------------- | -------------------------------------------- | ---------- | ------ | --------------------------------------------------- |
| FNSPID | 15.7M headlines, 4,775 S&P 500 companies | 1999-2023 | ~50 MB (1M sample); ~3 GB full | HuggingFace `Zihan1004/FNSPID` |
| Bloomberg news archive | ~470k news records + structured fin-data | 2006-2013 | ~940 MB | HuggingFace (mirrored archive) |
Both downloads are HuggingFace public datasets — **no API key required**,
but a free HuggingFace account (`huggingface-cli login`) makes downloads
faster and more reliable.
## FNSPID
Large-scale financial news dataset linking headlines to stock tickers.
Used in Ch10 for news-sentiment features and return-attribution
experiments.
- **Source / citation**: Zhao et al., "FNSPID: A Comprehensive Financial
News Dataset in Time Series," *arXiv:2402.06698* (2024).
GitHub: https://github.com/Zdong104/FNSPID_Financial_News_Dataset.
- **License**: the HuggingFace dataset page lists `cc-by-4.0` — free for
any use (including commercial) with attribution to the FNSPID paper.
- **Size on disk**: 1M sample ~50 MB (default); full ~3 GB.
- **Runtime**: ~30 seconds for 1M sample; ~10 minutes for the full pull.
### Download
```bash
# 1M sample (default, recommended — ~50 MB)
uv run python data/alternative/news/fnspid_download.py
# Larger samples
uv run python data/alternative/news/fnspid_download.py --sample 2000000
uv run python data/alternative/news/fnspid_download.py --sample 0 # full ~15.7M rows
# Preview
uv run python data/alternative/news/fnspid_download.py --dry-run
```
Output under `$ML4T_DATA_PATH/alternative/news/fnspid/`:
```
fnspid_1000k.parquet # 1M sample (default)
fnspid_2000k.parquet # when --sample 2000000 is used
fnspid_full.parquet # --sample 0
```
### Loading
```python
from data import load_fnspid
news = load_fnspid() # newest sample on disk
aapl = load_fnspid(symbols=["AAPL", "MSFT"],
start_date="2020-01-01", end_date="2023-12-31")
```
Schema: `symbol`, `timestamp`, `title`, `body`, `source`, `url`.
### Consumers
- **Ch10**: `07_news_return_signals.py`, `08_text_feature_evaluation.py`.
## Bloomberg News Archive
Bloomberg news headlines and bodies combined with structured financial
data series, distributed via a HuggingFace-mirrored archive. Used as a
secondary corpus for sentiment / topic experiments and cross-dataset
robustness checks.
- **Source**: HuggingFace mirrored Bloomberg archive.
- **License**: Bloomberg owns the underlying text; the mirrored archive
is distributed under HuggingFace terms **for research use only**.
Commercial redistribution is not permitted. See the dataset card on
HuggingFace before using for anything beyond personal study.
- **Size on disk**: ~940 MB total (news ~460 MB, structured ~480 MB).
- **Runtime**: ~3-5 minutes.
### Download
```bash
uv run python data/alternative/news/bloomberg_download.py
```
Output under `$ML4T_DATA_PATH/alternative/news/bloomberg/`:
```
bloomberg_news.parquet # headline + body corpus (~460 MB)
bloomberg_financial_data.parquet.gzip # structured financial fields (~480 MB)
.cache/huggingface/download/ # HF download staging (safe to wipe)
```
### Loading
```python
from data import load_bloomberg_news
df = load_bloomberg_news(start_date="2010-01-01", end_date="2013-12-31")
```
The loader covers ``bloomberg_news.parquet`` (headline + body corpus) and
returns the article publication time as canonical ``timestamp``.
The structured-financials file is still read directly when needed —
Bloomberg corpora are secondary to FNSPID; prefer ``load_fnspid()``
when building new pipelines.
### Consumers
- **Ch22**: ESG RAG-vs-fine-tune comparison (``06_esg_rag_vs_finetune.py``).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.