सामग्री पर जाएं
लाइब्रेरी के सभी दस्तावेज़

सेंटिमेंट और रिटर्न शोध के लिए वित्तीय समाचार कॉर्पस

लेख Machine Learning for Trading

सारांश

यह संदर्भ सेंटिमेंट विश्लेषण, टेक्स्ट फ़ीचर विकास और समाचार को रिटर्न से जोड़ने वाले प्रयोगों में उपयोग किए गए दो वित्तीय समाचार कॉर्पस का वर्णन करता है। FNSPID सुर्खियों को स्टॉक टिकर से जोड़ता है और व्यापक ऐतिहासिक अवधि समेटता है; पूर्ण संग्रह के साथ इसका एक छोटा नमूना भी उपलब्ध है। ब्लूमबर्ग संग्रह में कम अवधि का समाचार टेक्स्ट और संरचित वित्तीय श्रृंखलाएँ हैं, और इसे सेंटिमेंट, विषय तथा अलग-अलग डेटासेट पर मज़बूती जाँच के लिए द्वितीयक स्रोत के रूप में प्रस्तुत किया गया है। दोनों सार्वजनिक डेटासेट हब के ज़रिए वितरित होते हैं और दस्तावेज़ उनकी बुनियादी सामग्री तथा लोड करने के विकल्प बताता है।

यह मार्गदर्शिका कुछ अहम व्यावहारिक सीमाएँ भी बताती है। FNSPID के सूचीबद्ध लाइसेंस के तहत श्रेय देना आवश्यक है, जबकि ब्लूमबर्ग टेक्स्ट केवल शोध उपयोग के लिए सीमित है और उसका व्यावसायिक पुनर्वितरण नहीं किया जा सकता। ब्लूमबर्ग संरचित डेटा को उसके समाचार लोडर से अलग संभाला जाता है, और नए पाइपलाइन के लिए मार्गदर्शिका FNSPID की अनुशंसा करती है। ये कॉर्पस शोध इनपुट देते हैं, इस बात का प्रमाण नहीं कि समाचार फ़ीचर रिटर्न का अनुमान लगाते हैं; आपको अपने संकेत, टाइमस्टैम्प और मूल्यांकन डिज़ाइन स्वयं परिभाषित और सत्यापित करने होंगे।

मुख्य विचार

  • FNSPID वित्तीय सुर्खियों को स्टॉक टिकर से जोड़ता है और समाचार सेंटिमेंट तथा रिटर्न-एट्रिब्यूशन शोध में मदद करता है।
  • ब्लूमबर्ग संग्रह द्वितीयक प्रयोगों के लिए समाचार टेक्स्ट को संरचित वित्तीय डेटा के साथ जोड़ता है।
  • ये कॉर्पस कवरेज, आकार और टेक्स्ट तथा संरचित डेटा लोड करने के तरीके में अलग हैं।
  • FNSPID में श्रेय देना आवश्यक है, जबकि ब्लूमबर्ग संग्रह केवल शोध उपयोग तक सीमित है।
  • डेटासेट शोध सामग्री देते हैं, लेकिन अपने आप यह स्थापित नहीं करते कि समाचार रिटर्न का अनुमान लगाते हैं।

टैग

पूरा पाठ
# 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``).

स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: MIT

यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।