airesearch/CMDF_VISTEC

该数据集包含多种金融文本数据，涵盖年度报告、新闻文章和社交媒体帖子等。年度报告由公司每年发布，提供其财务表现和战略展望的见解。新闻文章来自知名金融新闻来源，社交媒体和在线论坛的文本则来自互联网用户。该数据集适用于研究人员、数据科学家和开发者训练语言模型和构建语料库。数据来源于公开渠道，如金融新闻网站、监管机构和社交媒体。数据集提供了多种语言的统计数据，包括英语和泰语。

原始信息汇总

金融文本数据集

数据集描述

该数据集包含多种金融文档，分为以下几类：

• 年度报告：公司每年发布的财务报告，提供财务表现和战略展望的洞察。
• 新闻文章：来自可信金融新闻来源的文章。
• 社交媒体和在线论坛：来自互联网用户的文本。

数据来源

数据集来源包括公开可用的资源，例如：

• 金融新闻网站
• 监管机构
• 社交媒体

数据来源统计

语言	数据源名称	单词数量	描述
英语	us_sec	19,393,625,320	美国证券交易委员会的10-K和10-Q表格
英语	filtered_news_cc	1,806,040,675	过滤后的CommonCrawl新闻数据集（2022年快照）
泰语	56-1	332,223,838	泰国证券交易委员会的56-1报告
泰语	finnomena	3,581,152	finnomena.com的新闻文章和帖子
泰语	kasikorn_securities	1,837,789	kasikornsecurities.com的新闻文章和帖子
泰语	longtunman	5,815,737	longtunman.com的新闻文章和帖子
泰语	posttoday	44,129,104	posttoday.com的新闻文章
泰语	prachachat	51,608,162	prachachat.net的新闻文章
泰语	kaohoon	82,639,651	kaohoon.com的新闻文章
泰语	th_sec	1,026,271	sec.or.th和set.or.th的新闻文章和帖子
泰语	thaivi	55,831,304	board.thaivi.org的帖子

许可证

该数据集在CC BY 4.0许可证下提供，允许无限制使用和修改，无论是商业还是非商业目的。使用数据时建议提供本仓库的归属。