مواد پر جائیں
لائبریری کی تمام دستاویزات

اثاثہ قیمت بندی کے لیے Chen-Pelger-Zhu فرم خصوصیات

مضمون Machine Learning for Trading

خلاصہ

یہ دستاویز Chen، Pelger اور Zhu کے اثاثہ قیمت بندی کے نقل آرکائیو سے حاصل کردہ قابلِ تکرار US ایکویٹیز بینچ مارک بیان کرتی ہے۔ اس میں 1967 سے 2016 تک تقریباً 1.2 ملین ماہانہ اسٹاک مشاہدات، 46 فرم خصوصیات، معاشی اشاریے، آگے کے منافع، اور پہلے سے متعین تربیتی، توثیقی اور ٹیسٹ حصے شامل ہیں۔ فرم شناختیں ہر جاری کردہ ٹینسر میں گمنام اور مستقل ہیں، مگر الگ شناختی نام گنجائشیں ٹینسرز کے درمیان فرموں کا ربط قائم نہیں ہونے دیتیں۔

یہ ڈیٹاسیٹ اثاثہ قیمت بندی کے مشین لرننگ مطالعوں میں مدد دیتا ہے، جہاں انفرادی سیکیورٹیز کی تشریح کے مقابل مستقل بینچ مارک ڈیٹا زیادہ اہم ہے۔ شائع شدہ زمانی حصے 1967–1986 کو تربیت، 1987–1991 کو توثیق اور 1992–2016 کو ٹیسٹنگ کے لیے مختص کرتے ہیں۔ دستاویز مصنفین کی ٹینسر فائلوں کو Parquet میں تبدیل کرنے اور مکمل پینل یا انفرادی حصے لوڈ کرنے سمیت ڈاؤن لوڈ کا طریقہ بتاتی ہے، جس میں معاشی ڈیٹا شامل کرنے کا اختیار بھی ہے۔ یہ تجرباتی نتیجے کے بجائے ڈیٹاسیٹ کی وضاحت ہے: کارکردگی لاگو کیے گئے ماڈلز اور جانچ کے طریقوں پر منحصر ہے، اور گمنام شناختیں مختلف حصوں میں فرم کی سطح کے تجزیے کو محدود کرتی ہیں۔

اہم خیالات

  • بینچ مارک میں 1967 سے 2016 تک ماہانہ اسٹاک مشاہدات، فرم خصوصیات، معاشی اشاریے اور آگے کے منافع شامل ہیں۔
  • پہلے سے متعین زمانی تقسیم تربیت، توثیق اور ٹیسٹ کی مدتوں کو الگ رکھتی ہے۔
  • گمنام فرم شناختیں ہر ٹینسر میں مستقل ہیں مگر ٹینسر شناختی نام گنجائشوں کے پار منسلک نہیں ہو سکتیں۔
  • یہ ڈیٹاسیٹ اثاثہ قیمت بندی کے قابلِ تکرار خطی اور غیر خطی تجربات کے لیے استعمال ہوتا ہے۔
  • تبدیل شدہ Parquet فائلیں اصل ٹینسر ڈیٹا سے حاصل شناختیں محفوظ رکھتی ہیں۔

ٹیگز

مکمل متن
# 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).

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: MIT

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔