رفتن به محتوا
همه اسناد کتابخانه

راهنمای کاربردی داده‌های بازار سهام، پرونده‌ها و موقعیت‌گیری US

مقاله یادگیری ماشین برای معامله‌گری

خلاصه

این راهنما مجموعه‌داده‌های سهام US را در گروه‌های داده بازار، بنیادهای شرکت، موقعیت‌گیری سرمایه‌گذاران و ویژگی‌های شرکت سازمان‌دهی می‌کند. بارگذارهای داده برای کندل‌های روزانه و درون‌روزی، اختیار معامله و سوابق ریزساختار بازار را فهرست می‌کند و نیز متن پرونده‌های SEC، داده‌های XBRL، دارایی‌های نهادی، معاملات مدیران داخلی و یک پنل آماده ویژگی‌های شرکت را پوشش می‌دهد. همچنین پوشش کلی یا بازه‌های زمانی اعلام‌شده برای برخی مجموعه‌داده‌ها را نشان می‌دهد.

راهنما به انواع پژوهشی اشاره می‌کند که هر مجموعه می‌تواند پشتیبانی کند، از جمله پژوهش ویژگی‌ها، سیگنال‌های متن پرونده‌ها، مطالعه موردی اختیار معامله و گراف‌های مالکیت. مسیرهای دانلود را ارائه می‌دهد و برای اطلاعات مجوز، نیازهای ذخیره‌سازی و قالب فایل‌ها به مستندات زیرشاخه‌ها ارجاع می‌دهد. این یک فهرست است، نه نتیجه پژوهشی یا ارزیابی کیفیت داده: پوشش بسته به منبع متفاوت است، برخی مجموعه‌ها نمونه‌های محدودی‌اند و خود راهنما مجموعه‌داده‌ها را مقایسه یا استراتژی معاملاتی پیشنهاد نمی‌کند.

ایده‌های کلیدی

  • مجموعه‌داده‌ها به داده بازار، بنیادها، موقعیت‌گیری و ویژگی‌های شرکت تقسیم شده‌اند.
  • منابع بازار شامل کندل‌های روزانه و دقیقه‌ای، سوابق اختیار معامله و داده‌های تیک یا دفتر سفارش‌اند.
  • پرونده‌های SEC و داده‌های XBRL اطلاعات متنی و حسابداری ساختاریافته برای پژوهش فراهم می‌کنند.
  • دارایی‌های نهادی و معاملات مدیران داخلی دیدگاه‌های متفاوتی از موقعیت‌گیری در سهام ارائه می‌کنند.
  • پوشش، مجوز، ذخیره‌سازی و قالب‌های مجموعه‌داده را باید در مستندات منبع مربوطه بررسی کرد.

برچسب‌ها

متن کامل
# 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.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: MIT

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.