defeatbeta/yahoo-finance-data

该数据集是一个综合性的金融数据集，数据来源于Yahoo! Finance、Nasdaq和美国财政部的公开API。包含15个子数据集，涵盖公司概况、收益报告、股票价格、股息、SEC文件等多个金融领域。每个子数据集都有详细的列定义、数据类型和来源说明。数据定期更新，适用于研究和教育目的。

This dataset is a comprehensive financial dataset sourced from publicly available APIs of Yahoo! Finance, Nasdaq, and the U.S. Department of the Treasury. It includes 15 sub-datasets covering various financial aspects such as company profiles, earnings reports, stock prices, dividends, SEC filings, and more. Each sub-dataset comes with detailed column definitions, data types, and source information. The data is regularly updated and intended for research and educational purposes.

搜集汇总

数据集介绍

构建方式

该数据集由Yahoo! Finance、Nasdaq以及美国财政部等公开API所汇聚的金融数据融合而成，以Parquet格式存储于HuggingFace平台，共计涵盖15个不同的配置分片。数据构建过程中，逐一采集了股票基本面信息、公司高管薪酬档案、历史股价与成交量、股息与拆股事件、汇率变动、国债收益率曲线、盈利电话会议逐字稿、新闻舆情、营收细分指标及SEC监管备案记录等维度，并通过统一的symbol与report_date键进行跨表关联，形成层次分明、时间序列完整的金融数据体系。

特点

数据集最为显著的优势在于其多模态、全链条的金融数据覆盖。不仅囊括了传统的股价、财务报表与估值指标，还创新性地集成了盈利电话会议结构化文本、逐段划分的新闻正文以及按业务板块拆解的营收与运营利润数据，为量化分析与自然语言处理任务提供了丰富的对齐素材。此外，数据以Parquet列式格式存储，支持高效压缩与并行读取，配合DuckDB、Python API及Claude AI等多种接入方式，极大降低了金融数据科学的应用门槛。

使用方法

用户可通过DuckDB的SQL接口直接对云端Parquet文件执行即席查询，亦可调用defeatbeta-api的Python库实现程序化数据获取。基于MCP协议的集成方案允许在Claude Desktop或Manus AI等智能代理中无缝调用该数据集，结合预置的Skills分析技能，能够自动完成技术指标计算、财务比率衍生与文本摘要等高级操作。此外，数据集按照train/test分割方案提供了即用的划分，便于快速开展机器学习模型的训练与评估工作。

背景与挑战

背景概述

定量金融与自然语言处理的交叉领域近年来催生了对结构化与非结构化金融数据融合分析的迫切需求。yahoo-finance-data数据集由独立开发者defeat-beta于近期创建，旨在从雅虎财经、纳斯达克及美国财政部等公开API整合全方位金融市场信息。该数据集囊括股票价格、财务报表、盈利预测、股息事件、高管薪酬、SEC文件及盈利电话会议记录等十五个子集，覆盖从公司基本面到市场情绪的立体维度。其核心研究问题在于如何为量化分析、机器学习模型训练及金融NLP任务提供一个标准化、跨数据类型的基准资源。作为面向开源社区的高质量金融语料库，它显著降低了研究者获取多源异质金融数据的门槛，推动了金融科技领域在会计异常检测、市场情绪分析及事件驱动策略等方面的实证研究。

当前挑战

该数据集所解决的领域核心挑战在于金融数据固有的碎片化与异构性——不同数据源的结构差异、更新频率不统一以及历史数据拼接缺失，长期阻碍着跨公司、跨时间维度的系统性研究。构建过程中，数据采集面临多重技术壁垒：雅虎财经API的访问速率限制、盈利电话会议文本中演讲者身份与段落边界的精确分割、以及SEC文件涵盖的庞杂表单类型（从10-K年报至13D主动持股声明）的格式规范化。此外，处理多货币财务报表的汇率转换、确保股票拆分与股息事件的时间序列一致性，以及维护每日国债收益率曲线的完整性，均对数据管道提出了严苛的ETL要求。这些挑战的攻克使得该数据集成为连接原始金融数据与高阶分析应用的桥梁。

常用场景

经典使用场景

在计算金融与量化投资研究领域，yahoo-finance-data数据集因其囊括了超过1亿条金融记录而成为构建与回测交易策略的基石。研究者常利用其包含的股票历史价格、股息事件、拆股信息以及财报日历等结构化数据，训练机器学习模型以预测股价走势或识别市场异常。该数据集覆盖了从高频交易分析到基本面驱动的长期投资策略验证的全谱系场景，尤其适用于结合财报电话会议文本与价格序列的多模态研究范式。

实际应用

在实际金融业务中，该数据集被广泛应用于自动化研报生成与智能投资顾问系统。金融机构利用其收录的财报电话会议记录、新闻舆情以及管理层薪酬数据，构建实时监控公司治理风险与舆情波动的预警模型。此外，基于该数据集中的汇率与国债收益率曲线，量化对冲基金得以开发跨资产类别的宏观对冲策略，实现从基本面分析到风险平价配置的全流程数据驱动决策。

衍生相关工作

围绕该数据集衍生了一系列具有影响力的研究工作，其中最具代表性的是将财报电话会议文本与股价波动率联合建模的深度语义分析模型。研究者成功利用该数据集的文本结构化特性，从管理层问答环节中提取前瞻性隐含信息，构建了预测企业盈利超预期程度的多模态Transformer架构。另一经典工作是利用其丰富的SEC申报记录，开发出检测财务舞弊的图神经网络模型，这些开创性成果不仅在顶级金融期刊发表，还被转化为可部署的合规风控工具。