GME Data

关于2021年GameStop股票活动的数据，包括每日合并的GME短期成交量数据、每日失败交付数据、可借股数、期权链数据以及不同时间框架的开盘/最高/最低/收盘/成交量条形图。

Data related to the 2021 GameStop stock activity, including daily consolidated GME short volume data, daily failed delivery data, number of shares available for borrowing, options chain data, and open/high/low/close/volume bar charts across different time frames.

原始信息汇总

GME Data 数据集概述

数据集内容

gme 目录

• shortvol.txt: 每日汇总GME股票的卖空量数据。
• ftd.txt: 每日GME及相关ETF的未能交付数据。
• ibkr/borrowable/*: 可借股票数量，包括GME、GS2C及多种ETF。
• options/*/*: 来自Webull的期权链数据，每5分钟一次快照。
• bars/*/*: 不同时间框架的开盘/最高/最低/收盘/成交量数据，当前为1小时数据，覆盖1年。

raw 目录

• sec/ftd/*.txt: 来自SEC的整个市场的未能交付原始数据。
• finra/*/*.txt: 来自FINRA的跨交易所卖空量报告。

数据更新周期

• shortvol.txt: 每日更新
• ftd.txt: 每两周更新
• ibkr/borrowable/*: 每15分钟更新
• options/*/*: 每5分钟更新
• bars/*/*: 未指定更新周期
• sec/ftd/*.txt: 每两周更新
• finra/*/*.txt: 每日更新

数据处理脚本

• finra_shortvol.py: 用于获取和生成卖空量数据的Python脚本。
• borrowable.py: 用于从Interactive Brokers获取可借股票数据的Python脚本。
• ftd.sh: 用于提取未能交付数据的Shell脚本。
• wb-opts.py: 用于从Webull获取期权链数据的Python脚本。
• ibkr_bars.py: 用于从Interactive Brokers获取蜡烛图和成交量数据的Python脚本。
• publish.sh: 用于将数据发布到GitHub的Shell脚本。
• crontab.txt: 用于安排上述程序运行的crontab配置文件。

AI搜集汇总

数据集介绍

构建方式

GME Data数据集的构建基于对Gamestop股票（NYSE: GME, XFRA: GS2C）及其相关交易所交易基金（ETFs）的深入分析。数据集的构建过程涉及从多个权威来源获取原始数据，包括美国证券交易委员会（SEC）和金融业监管局（FINRA）。通过自动化脚本，如`finra_shortvol.py`、`borrowable.py`和`ftd.sh`，定期获取和处理这些原始数据，生成每日、每两周和每15分钟的更新数据。此外，`wb-opts.py`和`ibkr_bars.py`脚本用于从Webull和Interactive Brokers获取期权链和K线图数据，确保数据的全面性和实时性。

特点

GME Data数据集的显著特点在于其高频率和多维度的数据更新。数据集不仅涵盖了Gamestop股票的每日空头交易量和每两周的交割失败数据，还提供了每15分钟的借入股票数量和每5分钟的期权链数据。此外，数据集还包括不同时间框架的K线图数据，如每小时的OHLCV数据，为分析提供了丰富的历史背景。这些数据的高频率更新和多维度特性，使得GME Data成为金融分析和算法交易领域的宝贵资源。

使用方法

GME Data数据集的使用方法多样，适用于金融分析师、量化交易员和学术研究人员。用户可以通过访问`gme`目录下的各类数据文件，获取Gamestop股票及其相关ETFs的详细交易信息。例如，`shortvol.txt`文件提供了每日的空头交易量数据，而`ftd.txt`文件则包含了交割失败数据。对于需要实时数据的用户，可以通过运行`crontab.txt`中的定时任务，自动更新数据集。此外，数据集的构建脚本和原始数据文件也提供了透明度和可重复性，便于用户进行深入分析和验证。

背景与挑战

背景概述

GME Data数据集聚焦于2021年GameStop股票（NYSE: GME, XFRA: GS2C）的活动，由一群匿名的研究人员或机构创建。该数据集的核心研究问题围绕GameStop股票的市场行为，特别是其短期交易量、未能交付的数据以及可借股票的数量等。通过提供详细的每日、每两周和每五分钟的快照数据，GME Data为金融市场的研究者提供了宝贵的资源，有助于深入分析和理解股票市场的动态行为，尤其是在高度波动的市场环境中。

当前挑战

GME Data在构建过程中面临多重挑战。首先，数据来源的多样性和复杂性，包括从SEC、FINRA等官方机构获取的原始数据，以及从Webull和Interactive Brokers等交易平台获取的实时数据，增加了数据整合和处理的难度。其次，数据的高频更新需求，如每五分钟更新的期权链数据和每15分钟更新的可借股票数据，要求高效的自动化数据抓取和处理系统。此外，确保数据的准确性和一致性，特别是在处理高波动性股票数据时，也是一个重要的挑战。

常用场景

经典使用场景

在金融分析领域，GME Data数据集的经典使用场景主要集中在对GameStop股票及其相关交易所交易基金（ETFs）的市场行为进行深入分析。通过该数据集，研究者可以获取GameStop股票的每日合并空头交易量、每日未能交付数据、可借股票数量以及不同时间框架下的开盘/最高/最低/收盘/成交量数据。这些数据为研究市场操纵、投资者行为以及市场流动性提供了宝贵的资源。

解决学术问题

GME Data数据集解决了金融市场中多个重要的学术研究问题。首先，它为研究市场操纵行为提供了详细的数据支持，特别是通过分析空头交易量和未能交付数据，可以揭示潜在的市场操纵模式。其次，该数据集有助于研究投资者行为，通过分析不同时间框架下的交易数据，可以深入了解投资者的情绪和决策过程。此外，该数据集还为研究市场流动性和价格发现机制提供了实证基础。

衍生相关工作

GME Data数据集的发布催生了一系列相关的经典工作。首先，许多研究者利用该数据集进行了深入的市场操纵行为研究，发表了多篇高影响力的学术论文。其次，该数据集为金融科技公司提供了开发新型金融工具和算法的基础，推动了金融科技的创新。此外，GME Data数据集还激发了社区对金融市场透明度和监管政策的讨论，促进了相关政策和法规的完善。