chuyin0321/timeseries-daily-stocks

---
dataset_info:
features:
- name: symbol
dtype: string
- name: date
dtype: string
- name: open
dtype: float64
- name: high
dtype: float64
- name: low
dtype: float64
- name: close
dtype: float64
- name: adj_close
dtype: float64
- name: volume
dtype: float64
splits:
- name: train
num_bytes: 588967254
num_examples: 8405823
download_size: 291992665
dataset_size: 588967254
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---
# Dataset Card for "timeseries-daily-stocks"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

---
数据集信息：
特征字段：
- 字段名：交易代码（symbol）
数据类型：字符串（string）
- 字段名：日期（date）
数据类型：字符串（string）
- 字段名：开盘价（open）
数据类型：64位浮点数（float64）
- 字段名：最高价（high）
数据类型：64位浮点数（float64）
- 字段名：最低价（low）
数据类型：64位浮点数（float64）
- 字段名：收盘价（close）
数据类型：64位浮点数（float64）
- 字段名：复权收盘价（adj_close）
数据类型：64位浮点数（float64）
- 字段名：成交量（volume）
数据类型：64位浮点数（float64）
数据划分：
- 划分名称：训练集（train）
字节数：588967254
样本数：8405823
下载大小：291992665
数据集存储大小：588967254
配置项：
- 配置名称：默认配置（default）
数据文件：
- 对应划分：训练集（train）
文件路径：data/train-*
---
# 「每日股票时序数据集（timeseries-daily-stocks）」数据集卡片

[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集信息

特征

• symbol: 类型为字符串
• date: 类型为字符串
• open: 类型为浮点数
• high: 类型为浮点数
• low: 类型为浮点数
• close: 类型为浮点数
• adj_close: 类型为浮点数
• volume: 类型为浮点数

数据分割

• train:
  • 字节数: 588967254
  • 样本数: 8405823

数据大小

• 下载大小: 291992665 字节
• 数据集大小: 588967254 字节

配置

• default:
  • 数据文件路径: data/train-*

搜集汇总

数据集介绍

构建方式

在金融时间序列分析领域，高质量的历史股票数据是模型训练与策略回测的基石。该数据集由chuyin0321构建，聚焦于每日股票交易记录，整合了涵盖开盘价、最高价、最低价、收盘价、调整收盘价及成交量在内的七项核心指标。数据以符号（symbol）和日期（date）为键值进行结构化存储，确保了时间序列的完整对齐与跨标的可比性。构建过程通过统一的数据管道对原始金融接口进行清洗与标准化，最终形成约840万条样本的单一训练集，数据总量近590MB，为量化研究提供了坚实的数据基础。

特点

该数据集的核心特点在于其简洁而完备的字段设计，直接服务于高频与低频的金融建模需求。每条记录均包含从开盘到收盘的完整价格区间，调整收盘价的存在尤其便于进行分红、拆股后的复权计算，避免了手动修正的繁琐。成交量字段的引入则进一步支持了流动性分析与量价关系挖掘。此外，数据集采用压缩存储格式，下载大小仅约292MB，显著降低了传输与加载成本，而其统一的训练集划分则简化了实验流程，特别适合用于大规模时间序列预测或异常检测任务的快速迭代。

使用方法

使用者可通过HuggingFace Datasets库便捷地加载该数据，调用load_dataset函数并指定数据集名称'chuyin0321/timeseries-daily-stocks'即可获取默认配置下的训练数据。加载后的数据集以字典形式呈现，每条样本包含symbol、date及五个价格与一个成交量字段，可直接转换为Pandas DataFrame进行后续分析。对于时间序列建模，建议按symbol分组并对date列排序以构造连续序列；对于跨标的对比学习，则可直接利用symbol列进行过滤。数据分片存储在data/train-*路径下，支持分布式读取，适合在GPU集群或云端环境中高效使用。

背景与挑战

背景概述

在金融时间序列分析领域，高质量、大规模的历史股票数据是构建预测模型与量化策略的基石。由研究者chuyin0321于2023年创建的timeseries-daily-stocks数据集，旨在为金融机器学习社区提供一份覆盖广泛、格式统一的美股日频交易记录。该数据集收录了超过840万条样本，涵盖从开盘价、最高价、最低价、收盘价到调整收盘价及成交量等核心指标，为股价趋势预测、波动率建模及市场微观结构研究提供了丰富的训练素材。其影响力体现在填补了公开金融数据集中标准化时序数据的空白，降低了研究者获取与清洗数据的门槛，推动了深度学习在金融领域的应用探索。

当前挑战

该数据集所面临的挑战首先源自金融时间序列固有的非平稳性与噪声干扰，股价波动受宏观经济、政策事件及市场情绪等多重因素影响，使得模型在长期预测中极易产生过拟合或漂移。此外，构建过程中需应对数据源的完整性难题，包括处理股票拆分、股息除权导致的调整收盘价计算差异，以及不同交易所之间数据频率与精度的对齐。同时，大规模数据的高效存储与读取、缺失值插补策略的选择，以及避免前瞻性偏差（look-ahead bias）的数据切分方式，均为确保数据集可靠性与实用性的关键技术挑战。

常用场景

经典使用场景

在金融时间序列分析领域，timeseries-daily-stocks数据集凭借其涵盖多年、多只股票的日频交易数据，成为研究市场动态与价格行为的经典素材。该数据集包含开盘价、最高价、最低价、收盘价、调整收盘价及成交量等核心指标，为构建股票价格预测模型提供了高保真度的时序样本。研究者常将其用于长短期记忆网络、Transformer等深度学习架构的基准测试，通过历史序列挖掘价格趋势与波动规律，从而验证模型在金融时序预测任务中的泛化能力。

实际应用

在实际应用中，timeseries-daily-stocks数据集为量化交易策略的研发与回测搭建了关键基础设施。金融机构依赖其构建多因子选股模型，通过历史价格与成交量数据训练机器学习算法，识别超额收益信号并优化投资组合配置。同时，该数据集被广泛用于智能投顾系统的开发，支持实时风险评估与动态仓位调整。在风险管理领域，它助力银行与对冲基金通过极值理论分析尾部风险，生成压力测试场景，从而提升金融系统的抗脆弱性。

衍生相关工作

该数据集催生了多项具有里程碑意义的研究工作，例如基于注意力机制的时序预测模型（如Informer、Autoformer）在股票数据集上的适应性改进，以及图神经网络用于跨股票关联性分析的创新尝试。此外，它推动了对抗生成网络在金融数据增强中的应用，通过合成高保真时序样本缓解小样本学习难题。在可解释性方向，研究人员利用注意力权重与梯度归因方法，揭示了模型对特定价格形态（如头肩顶、双底）的响应模式，为金融AI的可信度评估提供了方法论支撑。