FinTSB

FinTSB是一个全面实用的金融时间序列预测基准。该数据集由同济大学金融实验室收集并预处理，包含了来自多个金融市场的历史股票数据。数据经过脱敏处理和分类，覆盖了股票市场的四种主要运动模式：上升趋势、下降趋势、波动性和黑天鹅事件。FinTSB旨在为研究人员提供一个用于改进和评估金融时间序列预测方法的新平台。

FinTSB is a comprehensive and practical benchmark for financial time series forecasting. This dataset was collected and preprocessed by the Financial Lab of Tongji University, and contains historical stock data from multiple financial markets. The data has undergone anonymization and classification, covering four main movement patterns of stock markets: upward trend, downward trend, volatility, and black swan events. FinTSB aims to provide researchers with a new platform for improving and evaluating financial time series forecasting methods.

搜集汇总

数据集介绍

构建方式

FinTSB数据集的构建方式旨在解决现有金融时间序列预测领域中的评估局限性。首先，数据集收集并预处理了来自多个金融市场的真实历史股票数据，以确保数据的全面性和多样性。数据被细分为不同的运动模式，包括上升趋势、下降趋势、波动期和极端事件，以便更准确地反映现实世界场景。其次，FinTSB数据集对数据进行序列化处理，并基于序列特征评估数据质量，确保数据的质量和可用性。最后，FinTSB数据集引入了一个统一、用户友好的轻量级评估流程，包含各种骨干网络的方法，以消除不同评估设置导致的偏差。

特点

FinTSB数据集的特点在于其全面性和实用性。数据集涵盖了多种股票运动模式，并针对不同的市场进行了分类。这使得FinTSB能够更全面地评估模型在现实世界中的性能。此外，FinTSB数据集还引入了统一的评估框架，标准化了多个维度的性能指标，从而确保了跨研究的性能比较的有效性。最重要的是，FinTSB数据集考虑了市场结构因素，如交易费用，以模拟真实世界的交易场景，并促进实际应用。

使用方法

FinTSB数据集的使用方法包括数据预处理、模型训练和评估。首先，研究人员可以使用FinTSB数据集中的数据预处理工具对原始股票数据进行预处理。然后，他们可以使用数据集中的各种骨干网络模型进行模型训练。最后，研究人员可以使用FinTSB数据集中的评估指标对模型进行评估，以衡量模型的性能。此外，FinTSB数据集还提供了一个用户友好的评估流程，使研究人员能够更方便地评估和比较不同的模型。

背景与挑战

背景概述

金融时间序列（FinTS）预测是量化金融领域的核心支柱，为制定有利的投资策略提供了深刻的见解。FinTSB数据集的创建旨在解决金融时间序列预测（FinTSF）领域的三个系统局限性：多样性差距、标准化不足和现实世界不匹配。该数据集由同济大学上海分校的研究人员于2025年提出，旨在提供全面且实用的基准，以促进FinTSF方法的改进和评估。FinTSB数据集通过将运动模式分类为四个特定部分、标记和预处理数据，并基于一些序列特征评估数据质量，从而增加了多样性。此外，该数据集还通过在三个维度上标准化指标并构建一个用户友好的、轻量级的管道，消除了由于不同的评估设置而产生的偏差。为了准确模拟现实世界的交易场景并促进实际实施，该数据集还广泛地模拟了各种监管约束，包括交易费用等。FinTSB数据集为研究人员提供了一个新颖且全面的平台，以改善和评估FinTSF方法。

当前挑战

FinTSB数据集面临的挑战包括：多样性差距，即现有评估数据集无法全面代表所有可能的运动模式，从而限制了模型的泛化能力；标准化不足，即现有文献中评估标准的差异导致性能比较不一致；现实世界不匹配，即现有研究往往忽略了现实世界的交易约束，导致过于乐观的投资组合指标。FinTSB数据集通过将运动模式分类为四个不同类型、引入统一的评估框架并考虑现实世界的交易约束，旨在解决这些问题，从而为FinTSF方法提供一个更全面和实用的基准。

常用场景

经典使用场景

FinTSB数据集被广泛应用于金融时间序列预测领域，其经典使用场景包括股票价格预测、投资组合优化、风险管理等。研究者可以利用FinTSB数据集进行模型训练和测试，评估不同预测模型在不同市场环境下的表现，从而选择最合适的模型进行实际投资决策。

衍生相关工作

FinTSB数据集的提出促进了金融时间序列预测领域的研究和发展。基于FinTSB数据集，研究者们提出了各种新的预测模型和方法，例如基于深度学习、强化学习和生成模型的方法。此外，FinTSB数据集还被用于评估和比较不同预测模型的表现，从而推动了金融时间序列预测领域的标准化和规范化。

数据集最近研究

最新研究方向

在金融时间序列预测领域，FinTSB数据集的提出旨在解决现有评估框架的局限性。该数据集关注三个关键问题：多样性差距、标准化不足和现实世界不匹配。通过将股票运动模式分为四个特定部分，并对数据进行标记和预处理，FinTSB旨在提供更全面的评估。此外，FinTSB还引入了一个统一、用户友好的轻量级管道，包括来自各种骨干的方法，以消除由于不同评估设置而产生的偏差。最后，FinTSB通过模拟现实世界的交易场景，包括交易费用等监管限制，以促进实际应用。总之，FinTSB为研究人员提供了一个新的、全面的平台，用于改进和评估金融时间序列预测方法。

相关研究论文

• FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting

  同济大学 · 2025年