博金大模型挑战赛-金融千问14b数据集

<p align="center">
<img src="./img/1.png" alt="BOSERA BIG CHALLENGE" width="50%">
</p>

## 数据集描述
赛事主办方提供三类数据。一个是10张数据表，一个是招股说明书，以及将招股说明书pdf解析后的txt文件。

#### 10张表，用sqlite存储。选手可自行替换为其他db。区间为2019年至2021年
- 基金基本信息
- 基金股票持仓明细
- 基金债券持仓明细
- 基金可转债持仓明细
- 基金日行情表
- A股票日行情表
- 港股票日行情表
- A股公司行业划分表
- 基金规模变动表
- 基金份额持有人结构
#### 招股说明书
- 80份招股说明书
## 数据集的格式和结构

#### 博金杯比赛数据.db
- 大小：1.46g
- 文件格式：db文件
- 文件数量：1

#### 招股说明书 pdf源文件
- 大小：527MB
- 文件格式：pdf文件
- 文件数量：80

#### 招股说明书 pdf解析后的txt文件
- 大小：44MB
- 文件格式：txt文件
- 文件数量：80

#### 初赛问题
- 文件名：question.json

## 数据集的格式和结构

### 数据集加载方式
#### git Clone with HTTP
```bash
# 要求安装 git lfs
git clone https://www.modelscope.cn/datasets/BJQW14B/bs_challenge_financial_14b_dataset.git
```

#### 读取问题文件
```python
import jsonlines

def read_jsonl(path):
content = []
with jsonlines.open(path, "r") as json_file:
for obj in json_file.iter(type=dict, skip_invalid=True):
content.append(obj)
return content

question = read_jsonl('./question.json')
```

## 数据集版权信息
数据集已经开源，license为Apache License 2.0，如有违反相关条款，随时联系删除。

<p align="center">
<img src="./img/1.png" alt="BOSERA大型挑战赛 (BOSERA BIG CHALLENGE)" width="50%">
</p>

## 数据集概述
本次赛事主办方提供三类数据集，分别为10张数据表、招股说明书，以及招股说明书PDF文件解析得到的TXT文本文件。

### 10张数据表（采用SQLite存储，参赛者可自行替换为其他数据库类型）
数据时间跨度为2019年至2021年，具体包含以下表项：
- 基金基本信息
- 基金股票持仓明细
- 基金债券持仓明细
- 基金可转债持仓明细
- 基金日行情表
- A股票日行情表
- 港股票日行情表
- A股公司行业划分表
- 基金规模变动表
- 基金份额持有人结构

### 招股说明书数据集
共包含80份招股说明书文件。

## 数据集格式与结构
#### 博金杯比赛数据.db
- 文件大小：1.46 GB
- 文件格式：DB 数据库文件
- 文件数量：1

#### 招股说明书PDF源文件
- 文件大小：527 MB
- 文件格式：PDF 文件
- 文件数量：80

#### 招股说明书PDF解析后TXT文本文件
- 文件大小：44 MB
- 文件格式：TXT 文本文件
- 文件数量：80

#### 初赛赛题文件
- 文件名：question.json

## 数据集格式与结构
### 数据集加载方式
#### Git克隆（需安装Git LFS）
bash
git clone https://www.modelscope.cn/datasets/BJQW14B/bs_challenge_financial_14b_dataset.git

#### 读取赛题文件
python
import jsonlines

def read_jsonl(path):
content = []
with jsonlines.open(path, "r") as json_file:
for obj in json_file.iter(type=dict, skip_invalid=True):
content.append(obj)
return content

question = read_jsonl('./question.json')

## 数据集版权声明
本数据集已开源，采用Apache License 2.0开源协议，若存在违反协议条款的情况，将随时联系予以删除。

搜集汇总

背景与挑战

背景概述

该数据集是金融领域的多模态资源，包含10类结构化数据表（2019-2021年）和80份招股说明书（含PDF与解析文本），总规模2.18GB，支持基金、股票等金融信息的问答分析，采用Apache 2.0协议开源。