Características de empresas de Chen-Pelger-Zhu para precificação de ativos
Resumo
Este documento descreve um benchmark reproduzível de ações dos EUA US, extraído do arquivo de replicação de precificação de ativos de Chen, Pelger e Zhu. Ele contém aproximadamente 1.2 milhões de observações mensais de ações de 1967 a 2016, com 46 características de empresas, indicadores macroeconômicos, retornos futuros e partições predefinidas de treinamento, validação e teste. Os identificadores das empresas são anônimos e persistentes em cada tensor disponibilizado, mas os espaços de identificadores separados impedem a vinculação entre empresas de diferentes tensores.
O conjunto de dados permite estudos de aprendizado de máquina sobre precificação de ativos em que a consistência do benchmark importa mais do que a interpretação de títulos individuais. As partições cronológicas publicadas atribuem 1967–1986 ao treinamento, 1987–1991 à validação e 1992–2016 ao teste. O documento descreve o download, a conversão dos arquivos tensoriais dos autores para Parquet e o carregamento do painel completo ou de partições individuais, incluindo a opção de incluir dados macroeconômicos. Esta é uma descrição de conjunto de dados, não um resultado empírico: o desempenho depende dos modelos e métodos de avaliação aplicados, e as identidades anonimizadas limitam a análise de empresas entre partições.
Ideias principais
- O benchmark contém observações mensais de ações, características das empresas, indicadores macroeconômicos e retornos futuros de 1967 a 2016.
- As partições cronológicas predefinidas separam os períodos de treinamento, validação e teste.
- Os identificadores anônimos das empresas persistem em cada tensor, mas não podem ser vinculados entre espaços de identificadores de tensores distintos.
- O conjunto de dados serve a experimentos reproduzíveis de precificação de ativos com modelos lineares e não lineares.
- Os arquivos Parquet convertidos preservam os identificadores recuperados dos dados tensoriais originais.
Tags
Texto completo
# 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).Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: MIT
Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.