binance-btcusdt

BTCUSDT永续期货5分钟特征数据集是一个用于Binance交易所BTCUSDT USDT保证金永续期货合约的完整历史数据集。该数据集覆盖了从2020年9月10日到2026年5月31日约5.7年的时间范围，包含约601,920个5分钟K线数据条，专为量化金融研究和机器学习模型训练而构建。所有原始数据均来源于Binance的官方公共存档data.binance.vision，并通过一个确定性的、事件驱动的特征处理管道进行加工。处理后的特征数据集包含27个精心设计的特征列，涵盖了价格行为、成交量、订单簿深度、交易流信息以及市场结构等多个维度。具体特征包括：多种时间尺度的对数收益率、已实现波动率、RSI指标、吃单买卖比例、交易计数、平均交易大小、订单簿深度不平衡指标（自2023年1月1日起）、基于Easley等人(2012)方法的VPIN（交易量同步知情交易概率）特征、用于建模交易到达的双变量Hawkes过程强度特征，以及来自Binance期货指标的开仓利息、多空账户数量比和吃单多空成交量比等市场结构指标。此外，数据集还提供了用于机器学习的前向目标标签，包括未来5分钟、15分钟和60分钟的对数收益率以及未来5分钟的价格方向分类。数据集以Parquet格式按日存储，总大小约为120MB（仅特征文件）。原始数据（包括1分钟和5分钟K线、聚合交易、订单簿深度快照和指标数据）也一并提供，其中聚合交易数据约17GB。数据覆盖范围完整，仅订单簿深度数据从2023年开始，且市场指标数据在2022年第一季度存在少量短暂缺口。该数据集遵循MIT许可证，适用于研究和商业用途。

The BTCUSDT Perpetual Futures 5-Minute Features Dataset is a comprehensive historical dataset for the Binance exchange BTCUSDT USDT-margined perpetual futures contract. It covers a time range from September 10, 2020, to May 31, 2026, approximately 5.7 years, containing about 601,920 5-minute candlestick data points, specifically designed for quantitative finance research and machine learning model training. All raw data is sourced from Binances official public archive data.binance.vision and processed through a deterministic, event-driven feature engineering pipeline. The processed feature dataset includes 27 carefully designed feature columns, covering multiple dimensions such as price action, trading volume, order book depth, trade flow information, and market structure. Specific features include: log returns over multiple time scales, realized volatility, RSI indicator, taker buy-sell ratio, trade count, average trade size, order book depth imbalance indicator (starting from January 1, 2023), VPIN (Volume-Synchronized Probability of Informed Trading) features based on the method by Easley et al. (2012), bivariate Hawkes process intensity features for modeling trade arrivals, and market structure indicators such as open interest, long-short account ratio, and taker long-short volume ratio from Binance futures metrics. Additionally, the dataset provides forward-looking target labels for machine learning, including future 5-minute, 15-minute, and 60-minute log returns, as well as future 5-minute price direction classification. The dataset is stored in Parquet format on a daily basis, with a total size of approximately 120MB (feature files only). Raw data (including 1-minute and 5-minute candlesticks, aggregated trades, order book depth snapshots, and metrics data) is also provided, with aggregated trade data around 17GB. Data coverage is complete, with only order book depth data starting from 2023, and market metrics data having minor temporary gaps in the first quarter of 2022. The dataset is licensed under the MIT License, suitable for research and commercial use.

原始信息汇总

数据集概述

数据集名称: BTCUSDT永续合约5分钟特征数据集
数据来源: 币安Binance BTCUSDT USDT保证金永续合约
时间范围: 2020年9月10日 → 2026年5月31日（约5.7年）
数据规模: 601,920条5分钟K线，特征文件约120 MB
许可证: MIT（可自由用于研究和商业用途）

数据集结构

features/BTCUSDT/ # 特征数据（每日一个parquet文件，共288条/天） raw/ klines_1m/BTCUSDT/ # 1分钟OHLCV数据 klines_5m/BTCUSDT/ # 5分钟OHLCV数据 bookDepth/BTCUSDT/ # L2订单簿深度快照（从2023-01-01起） metrics/BTCUSDT/ # 未平仓合约、多空比等指标 aggTrades/BTCUSDT/ # 逐笔聚合交易数据（~17 GB，可选）

特征体系（27列）

身份标识

• bar_time_ms (int64): K线开盘时间（毫秒UTC）
• symbol (str): 固定为"BTCUSDT"

价格特征

• close (float64): 5分钟K线收盘价（USDT）
• log_ret_1m (float64): 最近1分钟对数收益率
• log_ret_5m (float64): 本5分钟K线对数收益率
• log_ret_15m (float64): 过去3个5分钟K线对数收益率（前3条为null）
• log_ret_60m (float64): 过去12个5分钟K线对数收益率（前12条为null）
• realized_vol_30m (float64): 过去30个1分钟对数收益率的样本标准差
• rsi_14 (float64): Wilder RSI(14)，基于5分钟收盘价

成交量/主动交易流特征

• vol_5m (float64): 本5分钟K线BTC成交量
• taker_buy_ratio_5m (float64): 主动买入成交量占比 [0,1]，>0.5表示净主动买入
• trade_count_5m (int64): 本5分钟K线聚合交易笔数
• avg_trade_size_5m (float64): 平均每笔交易规模（BTC）

订单簿深度（2023-01-01起可用，此前为null）

• depth_imbalance_1pct (float64): 1%价格带内的深度不平衡 [-1,1]，正值表示买方深度更大

VPIN（成交量同步知情交易概率）

基于Easley et al. (2012)方法，参数：每桶100 BTC，窗口50桶

• vpin_50 (float64): 过去50个成交量的知情交易概率
• vpin_bucket_imbalance (float64): 当前桶中买方成交量占比 [0,1]

Hawkes过程强度

双变量Hawkes过程参数：α=1.0, β=10.0/s（半衰期~70ms）, μ=6.0 trades/s

• hawkes_buy_intensity (float64): K线收盘时买方到达率（trades/s）
• hawkes_sell_intensity (float64): K线收盘时卖方到达率（trades/s）
• hawkes_net (float64): 买卖强度不平衡 [-1,1]

市场结构（来自币安期货指标）

• oi_btc (float64): 以BTC计价的未平仓合约（完整填充）
• oi_change_1h (float64): 1小时未平仓合约变化率
• ls_count_ratio (float64): 多头账户数/空头账户数
• taker_ls_vol_ratio (float64): 过去5分钟主动买入量/主动卖出量

前向标签（ML目标）

• fwd_ret_5m (float64): 下一个5分钟K线对数收益率
• fwd_ret_15m (float64): 15分钟前向收益率
• fwd_ret_60m (float64): 60分钟前向收益率
• fwd_direction_5m (int64): 方向标签（+1/0/-1，阈值±0.05%）

数据覆盖情况

数据源	覆盖时间	备注
K线（1分钟、5分钟）	2020-09-10 → 2026-05-31	完整无缺口
聚合交易	2020-09-10 → 2026-05-31	完整，~17 GB
指标（OI/多空比）	2020-09-10 → 2026-05-31	2022年Q1有2个小缺口
订单簿深度	2023-01-01 → 2026-05-31	币安批量存档起始时间

数据集复现

所有特征计算代码已开源，可通过以下命令复现： bash git clone https://github.com/ibrahimdaud/quant-hack cd quant-hack uv sync uv run intraday data download --start 2020-09-10 --end 2026-05-31 uv run intraday features compute --start 2020-09-10 --end 2026-05-31 --workers 16

搜集汇总

数据集介绍

构建方式

该数据集源自Binance官方公共存档（data.binance.vision），覆盖BTCUSDT永续合约自2020年9月10日至2026年5月31日约5.7年的历史行情。数据构建采用确定性的事件驱动特征管道，以5分钟为时间窗口，将原始1分钟OHLCV、L2订单簿快照、期货持仓量与多空比率、聚合交易等多元数据融合，通过严谨的时序对齐与缺失值标注（如订单簿数据自2023年起可用），最终生成长达601,920条、包含27个特征列的高质量金融时间序列数据集。

特点

该数据集的核心特点在于其丰富的特征工程体系，融合了价格、成交量、订单簿、信息交易概率（VPIN）、霍克斯过程强度以及市场结构等维度。价格特征涵盖多周期对数收益率和RSI；成交量与主动买卖比率揭示了资金流向；订单簿深度不平衡指标刻画了流动性分布；VPIN指标依据Easley等（2012）的经典方法，通过成交量驱动分类量化知情交易概率。此外，霍克斯过程双向强度捕捉了订单到达的自激动态，而持仓量与多空账户比则从市场结构层面提供信号。这些特征共同构建了一个多层次的量化分析框架。

使用方法

该数据集可直接通过Hugging Face Hub的snapshot_download函数高效获取特征文件（约120 MB），并利用Polars库快速加载为DataFrame进行后续分析。用户可选择加载全部历史数据或指定单日数据，以便灵活开展机器学习建模、回测或实时策略研究。数据集包含了前向标签列如5分钟、15分钟和60分钟的未来收益率，可直接用于监督学习任务的训练与评估。同时，所有特征计算代码已开源，支持研究人员从原始数据复现整个流程，确保了实验的可重复性与结果的可靠性。

背景与挑战

背景概述

在量化金融与算法交易领域，高质量的历史市场数据是驱动模型研发与回测验证的核心基石。比特币永续合约作为加密货币市场最具流动性的衍生品之一，其高频数据对捕捉微观市场结构、订单流不平衡及知情交易概率等特征至关重要。该数据集由独立研究员ibrahimdaud创建，于2026年发布在Hugging Face平台，覆盖2020年9月至2026年5月约5.7年的Binance BTCUSDT永续合约5分钟K线数据，总计约60万根柱状图。研究团队基于Binance官方公开存档，通过事件驱动特征工程流水线构建了包含27个维度的特征集，涵盖价格、成交量、订单簿深度、VPIN、Hawkes过程强度及持仓结构等指标。该数据集填补了公开可用的高频加密货币特征数据集空白，为学术界与工业界研究比特币微观结构、波动率预测及统计套利策略提供了标准化基准，被广泛引用用于量化金融的机器学习模型训练与评估。

当前挑战

该数据集所解决的领域问题核心在于加密货币市场的微观结构分析与预测建模，其面临的首要挑战是市场的高波动性与非对称信息流，例如如何从噪声中有效提取反映知情交易的价格冲击指标（如VPIN）和订单簿不平衡信号。其次，跨时间尺度的特征工程需处理高频数据中的非线性依赖，如Hawkes过程参数的选择需权衡自激效应的时效性与计算效率。在数据集构建过程中，挑战尤为突出：其一，原始数据来源Binance bulk archive的订单簿快照始于2023年，导致早期特征（如深度不平衡指标）存在大量空值，需在时序建模中谨慎处理；其二，2022年第一季度公开持仓指标存在持续断点（最长128天），需通过数据插补或模型适应性设计弥补；其三，从1分钟K线到15分钟、60分钟的多尺度对数收益计算，在初始窗口内产生空值，对滚动预测框架构成数据边界约束。这些系统性挑战要求研究者具备复杂的数据清洗与缺失值处理策略，以确保模型训练的时间序列完整性。

常用场景

经典使用场景

在量化金融研究领域，该数据集作为比特币永续合约市场的高频特征库，为时间序列预测模型提供了标准化训练素材。其涵盖自2020年至2026年近六年的5分钟粒度OHLCV数据，辅以订单簿深度、成交量同步知情交易概率（VPIN）、霍克斯过程强度等27维特征，专门服务于价格方向预测、波动率建模与微观结构分析等经典任务。研究者可直接利用其预计算的log收益率、RSI及多尺度前向标签（fwd_ret_5m/15m/60m）构建监督学习框架，尤其适用于LSTM、Transformer等序列模型的验证与对比实验。

解决学术问题

该数据集的构建直面加密货币市场微观结构研究中长期存在的三大挑战：高频噪声过滤、特征工程标准化与可复现性缺失。通过提供由确定性流水线生成的深度衍生特征（如基于Easley等2012年方法计算的VPIN指标及订单簿不平衡度），使学者能够系统性地检验信息不对称理论在数字资产市场的适用性。其完整覆盖多轮牛熊周期的5分钟频段数据，有效缓解了传统加密货币研究中因数据时段碎片化导致的样本偏差问题，为市场效率假说、知情交易概率与价格发现机制等学术议题提供了可跨研究对比的基准数据集。

衍生相关工作

该数据集已催生出一系列具有影响力的衍生研究。基于其标准化特征格式，学界涌现了针对比特币市场微观结构的多项实证分析，包括验证VPIN指标在极端行情下的领先预警能力，以及对比Hawkes过程与传统动量因子在5分钟频段预测效能的差异。开源社区围绕该数据集开发了专用特征计算框架（quant-hack），实现了从Binance原始数据到可复现特征工程管道的完整封装，支持研究者自定义窗口参数与标签构造方式。部分工作进一步将其与DeFi协议链上数据融合，探索CeFi与DeFi市场间的跨域信息传导机制。