ویژگی‌های شرکت Chen-Pelger-Zhu برای قیمت‌گذاری دارایی

مقاله یادگیری ماشین برای معامله‌گری

خلاصه

این سند یک مجموعه‌داده معیارِ بازتولیدپذیر از سهام US را توصیف می‌کند که از آرشیو بازتولید پژوهش قیمت‌گذاری دارایی Chen، Pelger و Zhu گرفته شده است. این مجموعه تقریباً 1.2 میلیون مشاهده ماهانه سهام از 1967 تا 2016 دارد و شامل 46 ویژگی شرکت، شاخص‌های اقتصاد کلان، بازده‌های آتی و بخش‌های ازپیش‌تعریف‌شده آموزش، اعتبارسنجی و آزمون است. شناسه‌های شرکت ناشناس‌اند و در هر تانسور منتشرشده پایدار می‌مانند، اما فضاهای نام جداگانه شناسه‌ها مانع پیوند شرکت‌ها میان تانسورها می‌شوند.

این مجموعه داده از مطالعات یادگیری ماشین درباره قیمت‌گذاری دارایی پشتیبانی می‌کند؛ جایی که سازگاری داده معیار از تفسیر اوراق بهادار منفرد مهم‌تر است. تقسیم‌بندی‌های زمانی منتشرشده 1967–1986 را به آموزش، 1987–1991 را به اعتبارسنجی و 1992–2016 را به آزمون اختصاص می‌دهند. سند دانلود، تبدیل فایل‌های تانسوری نویسندگان به Parquet و بارگذاری پنل کامل یا تقسیم‌های جداگانه، از جمله گزینه افزودن داده‌های کلان، را شرح می‌دهد. این سند توصیف مجموعه داده است، نه نتیجه تجربی: عملکرد به مدل‌ها و روش‌های ارزیابیِ به‌کاررفته بستگی دارد و هویت‌های ناشناس، تحلیل شرکت‌به‌شرکت میان تقسیم‌ها را محدود می‌کنند.

ایده‌های کلیدی

این معیار شامل مشاهدات ماهانه سهام، ویژگی‌های شرکت، شاخص‌های کلان و بازده‌های آتی از 1967 تا 2016 است.
تقسیم‌های زمانی ازپیش‌تعریف‌شده آن، دوره‌های آموزش، اعتبارسنجی و آزمون را جدا می‌کنند.
شناسه‌های ناشناس شرکت در هر تانسور پایدارند، اما در فضاهای نام تانسورهای مختلف قابل پیوند نیستند.
این مجموعه داده برای آزمایش‌های بازتولیدپذیر قیمت‌گذاری دارایی با مدل‌های خطی و غیرخطی به کار می‌رود.
فایل‌های Parquet تبدیل‌شده، شناسه‌های بازیابی‌شده از داده‌های تانسوری اصلی را حفظ می‌کنند.

برچسب‌ها

سهام سرمایه‌گذاری عاملی یادگیری ماشین بازارهای آمریکا

متن کامل

# 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).

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.