pst-csv-data

为pysystemtrade项目提供的CSV多品种调整价格文件数据集，包含40种金融工具的历史价格数据，用于帮助新用户快速开始使用该项目

A CSV multi-asset adjusted price file dataset provided for the pysystemtrade project, which contains historical price data of 40 financial instruments and is designed to help new users quickly get started with this project

原始信息汇总

数据集概述

数据集名称

pst-csv-data

数据来源

为pysystemtrade项目提供支持。

数据集目的

帮助新用户快速开始使用pysystemtrade项目，因为主项目中的数据已过时。

数据内容

• 包含40种金融工具的CSV多价格文件和调整后价格文件。
• 文件列表：
  • AEX.csv
  • AUD_micro.csv
  • BOBL.csv
  • BTP.csv
  • BUND.csv
  • CAC.csv
  • COPPER-micro.csv
  • CORN.csv
  • CRUDE_W_micro.csv
  • EUR_micro.csv
  • EUROSTX.csv
  • GAS_US_mini.csv
  • GBP.csv
  • GOLD_micro.csv
  • HEATOIL.csv
  • JPY.csv
  • KOSPI_mini.csv
  • KR10.csv
  • KR3.csv
  • LEANHOG.csv
  • LIVECOW.csv
  • MXP.csv
  • NASDAQ_micro.csv
  • NIKKEI.csv
  • NZD.csv
  • OAT.csv
  • PALLAD.csv
  • PLAT.csv
  • SMI.csv
  • SOFR.csv
  • SOYBEAN_mini.csv
  • SP500_micro.csv
  • US10.csv
  • US2.csv
  • US20.csv
  • US30.csv
  • US5.csv
  • V2X.csv
  • VIX.csv
  • WHEAT.csv

免责声明

这些文件不提供任何保证，用户需自行承担使用风险。

搜集汇总

数据集介绍

构建方式

在金融交易系统开发领域，高质量的历史价格数据是策略回测和模型验证的基石。pst-csv-data数据集通过整合40种金融工具的调整后价格文件构建而成，涵盖股票指数、大宗商品、外汇及利率期货等多个市场。这些CSV文件源自pysystemtrade项目的更新需求，旨在替代已过时的原始数据，确保时间序列的连续性和准确性。数据采集遵循标准化流程，对原始价格进行了复权处理，以反映分红、拆股等公司行动的影响，为量化研究提供可靠的基础数据。

特点

该数据集的核心特点在于其广泛的市场覆盖与精细的数据调整。包含的40种工具覆盖了全球主要资产类别，如SP500_micro、GOLD_micro等微型合约品种，降低了散户投资者的回测门槛。所有价格数据均经过复权处理，消除了因分红或合约滚动导致的价格跳跃，保障了回测结果的真实性。数据以简洁的CSV格式存储，每列明确标注日期、开盘价、最高价、最低价和收盘价，便于直接与pysystemtrade等开源框架集成。

使用方法

用户可通过GitHub仓库直接下载CSV文件，并利用pandas等数据分析库进行快速加载。在pysystemtrade框架中，只需将文件路径配置于数据模块，即可自动解析时间序列并用于策略回测。数据适用于均线交叉、动量策略等经典量化模型的验证，也可结合现代机器学习方法进行价格预测。需要强调的是，数据集未提供实时更新机制，用户需自行验证数据的时效性，且使用时应充分认知其无担保性质，结合实际市场条件进行风险评估。

背景与挑战

背景概述

pst-csv-data数据集由金融量化交易领域的专家Rob Carver及其团队于2020年左右创建，旨在为开源系统pysystemtrade提供支持。该数据集聚焦于多资产类别的历史价格数据整合，覆盖股票指数、大宗商品、利率产品及外汇等40种金融工具，核心研究问题在于解决量化交易策略回测中高质量数据的可及性与时效性瓶颈。通过提供经过调整的复权价格，该数据集显著降低了量化交易初学者的入门门槛，并推动了系统性交易策略的验证与优化研究。

当前挑战

在量化金融领域，多频率、多源金融数据的清洗与标准化始终是核心挑战，pst-csv-data需解决价格序列的复权调整、合约换月跳空等噪声问题。构建过程中，团队面临历史数据来源分散、不同交易所数据格式异构的难题，同时需确保微观合约与主力合约数据的连续性。此外，维护数据的时效性并规避因市场规则变化导致的结构性断点，亦是该数据集持续更新的关键挑战。

常用场景

经典使用场景

在量化交易领域，pst-csv-data数据集作为pysystemtrade框架的核心数据源，主要用于系统化交易策略的回测与优化。研究人员和从业者借助该数据集，能够模拟多资产组合的历史表现，验证动量、均值回归等经典策略的有效性。通过整合40种金融工具的价格数据，该数据集为构建稳健的交易系统提供了坚实基础，显著降低了数据获取与预处理的门槛。

衍生相关工作

围绕该数据集衍生的经典工作包括Rob Carver开发的《系统性交易》方法论及其开源框架pysystemtrade，其中深入探讨了动态头寸调整与风险平价策略。后续研究如多因子动量模型的扩展、基于机器学习的波动率预测等，均以该数据集为基准验证框架。社区贡献的插件工具进一步丰富了其在资产配置与绩效归因中的应用场景。

数据集最近研究

最新研究方向

在量化金融领域，pst-csv-data数据集作为pysystemtrade项目的配套资源，为系统化交易策略的实证研究提供了关键数据支撑。当前研究热点聚焦于多资产组合的风险平价模型优化和动态资产配置算法验证，尤其关注微型期货合约的高频流动性特征。随着算法交易技术的普及，该数据集在波动率曲面建模和跨市场套利策略回测中展现出重要价值，推动了智能投顾系统在多元化衍生品市场的应用创新。