Finnhub Stock Data

github2026-08-10 更新2026-08-13 收录

破产预测

股票历史数据

数据链接：

https://github.com/BrianWeiss1/Finnhub_Stock_Data 数据链接链接失效反馈

官方服务：

资源简介：

从1991年1月到2026年3月的股票数据，编译成CSV文件，提供破产公司和当前公司的CSV文件。

This dataset includes stock data covering the period from January 1991 to March 2026, compiled into CSV format, with separate CSV files provided for both bankrupt firms and currently operating companies.

创建时间：

2026-08-06

原始信息汇总

数据集概述

该数据集提供了从 1991年1月 至 2026年3月 的股票数据，数据以 CSV文件 格式整理。
数据集中包含两类公司的股票数据：

已破产公司
当前存续公司

数据内容

时间范围：1991年1月 – 2026年3月
文件格式：CSV
数据覆盖：股票历史数据，涵盖破产与现存公司
数据来源：Finnhub（根据仓库名称推断）

数据用途

该数据集适用于：

股票市场历史分析
破产公司与存续公司的对比研究
时间序列模型训练与验证

注意事项

数据仅包含股票价格及基本信息，不包含财务指标、新闻等额外字段。
未提供数据清洗或预处理说明，使用时需自行处理缺失值或异常值。
时间跨度较长，数据量较大，建议分批次读取或使用高效数据处理工具。

搜集汇总

数据集介绍

构建方式

该数据集汇聚了自1991年1月至2026年3月期间，来自Finnhub平台的股票历史数据，并以CSV文件格式系统化整理。构建过程中，对已破产公司与现存公司进行了分类归档，确保覆盖范围全面且类别分明。数据采集遵循时间序列规律，以月度粒度记录，为金融时间序列分析提供了坚实的数据基础。

特点

该数据集的显著特征在于其时间跨度长，横跨三十余年，涵盖了多轮经济周期与市场变迁。其分类体系将破产公司与现存公司分离，为研究公司生命周期、财务困境预测及幸存者偏差提供了独特视角。数据格式统一为CSV，便于直接导入分析工具，且原始性保证可追溯性与复现性。

使用方法

使用时，可直接读取CSV文件，利用Python的pandas或R的read.csv等工具进行数据加载。研究者可根据公司状态筛选子集，进行时间序列趋势分析、风险建模或机器学习预测。数据按日期索引，便于与宏观经济指标或行业事件对齐，支持量化回测及学术研究。建议结合数据清洗流程以处理缺失值，并留意时间戳的时区一致性。

背景与挑战

背景概述

Finnhub Stock Data数据集由金融数据服务商Finnhub构建，覆盖自1991年1月至2026年3月的股票历史数据，以CSV格式整理，囊括了已破产与现存公司的市场信息。该数据集的核心研究问题在于为金融时间序列分析、风险管理及破产预测等领域的深度学习模型提供高质量的训练样本，其跨度逾三十年的数据规模与公司生命周期多样性，为验证算法在极端市场环境下的稳健性提供了宝贵基准，对量化金融与实证资产定价研究具有重要推动作用。

当前挑战

该数据集面临多重挑战：首先，金融时间序列的非平稳性与噪声特征要求算法具备较强的泛化能力，而破产公司与现存公司样本的不平衡分布可能引发模型偏差；其次，构建过程中需处理不同交易市场的休市差异、股票拆分与股息调整等复杂事件，确保数据口径统一；再者，长达三十五年的数据涉及多家交易所，跨币种与跨规则的数据对齐和清洗工作繁重，且需避免前视偏差以保证研究的严谨性。

常用场景

经典使用场景

Finnhub Stock Data 数据集覆盖了自1991年至2026年间的股票历史数据，并特别包含了已破产与现存公司的CSV文件，为金融时间序列分析提供了丰富的素材。该数据集的经典使用场景聚焦于股票价格预测、市场趋势识别以及风险建模。研究者可借助其长跨度、多维度的数据特征，运用机器学习算法进行收益率预测、波动率分析，或开展事件研究以审视破产企业股价的异常波动。其细粒度的记录方式亦支持高频交易策略的回测与验证，成为金融计量经济学与计算金融领域不可或缺的基准数据源。

衍生相关工作

基于Finnhub Stock Data，研究者已衍生出多项具有影响力的工作。例如，利用其破产公司样本，催生了关于企业财务困境早期预警的集成学习模型，拓展了传统Z-score方法的边界。在深度学习领域，该数据集被用于训练基于注意力机制的股价预测网络，推动了序列建模在金融时序上的革新。同时，部分工作结合情感分析或宏观指标，构建了多模态市场分析框架，赋予历史数据以新的语义。这些衍生研究不仅丰富了金融数据科学的理论工具箱，也为后续探索提供了可复用的方法论基准。

数据集最近研究