رفتن به محتوا
همه اسناد کتابخانه

مجموعه‌های اخبار مالی برای پژوهش احساسات و بازده

مقاله یادگیری ماشین برای معامله‌گری

خلاصه

این مرجع دو مجموعه متنی اخبار مالی را معرفی می‌کند که برای تحلیل احساسات، توسعه ویژگی‌های متنی و آزمایش ارتباط اخبار با بازده به کار می‌روند. FNSPID تیترها را به نمادهای سهام پیوند می‌دهد و بازه تاریخی گسترده‌ای را پوشش می‌دهد؛ در کنار مجموعه کامل، نمونه کوچک‌تری نیز موجود است. آرشیو Bloomberg متن خبر و سری‌های مالی ساختاریافته را در دوره‌ای کوتاه‌تر در بر دارد و به‌عنوان منبعی ثانویه برای پژوهش احساسات، موضوعات و پایداری میان مجموعه‌داده‌ها معرفی می‌شود. هر دو از طریق یک مرکز عمومی مجموعه‌داده توزیع می‌شوند و سند محتوای پایه و گزینه‌های بارگذاری آن‌ها را شرح می‌دهد.

این راهنما محدودیت‌های عملی مهم را نیز توضیح می‌دهد. FNSPID طبق مجوز اعلام‌شده نیازمند ذکر منبع است، درحالی‌که متن Bloomberg فقط برای پژوهش مجاز است و بازتوزیع تجاری آن ممکن نیست. داده‌های ساختاریافته Bloomberg جدا از بارگذار خبر آن مدیریت می‌شوند و راهنما برای خط‌لوله‌های جدید FNSPID را پیشنهاد می‌کند. این مجموعه‌ها ورودی پژوهشی فراهم می‌کنند، نه شاهدی بر اینکه ویژگی‌های خبری بازده را پیش‌بینی می‌کنند؛ شما همچنان باید سیگنال‌ها، زمان‌مهرها و طرح ارزیابی خود را تعریف و اعتبارسنجی کنید.

ایده‌های کلیدی

  • FNSPID تیترهای مالی را به نمادهای سهام پیوند می‌دهد و از پژوهش احساسات اخبار و انتساب بازده پشتیبانی می‌کند.
  • آرشیو Bloomberg متن خبر را با داده‌های مالی ساختاریافته برای آزمایش‌های ثانویه ترکیب می‌کند.
  • این مجموعه‌ها از نظر پوشش، مقیاس و شیوه بارگذاری متن و داده‌های ساختاریافته تفاوت دارند.
  • FNSPID الزام ذکر منبع دارد، درحالی‌که استفاده از آرشیو Bloomberg به پژوهش محدود است.
  • این مجموعه‌داده‌ها مواد پژوهشی فراهم می‌کنند، اما به‌تنهایی ثابت نمی‌کنند که اخبار بازده را پیش‌بینی می‌کنند.

برچسب‌ها

متن کامل
# 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``).

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.