earnings-call-data

S&P 500收益事件数据集（2005-2025年）是一个增强版的数据集，基于Bose345/sp500_earnings_transcripts，整合了收益电话会议记录、市场价格、SEC文件和标签数据。每个数据行代表一个公司-季度的电话会议，包含完整的收益电话会议记录、SEC新闻材料、收益前价格背景、OHLCV锚点、SEC XBRL基本面数据（xbrl_*列）以及收益后回报标签。数据集规模约为33,000行，涵盖2005-2025年期间的数百种股票。适用于文本分类、摘要、特征提取、文本检索和强化学习等任务。数据集包含主文件episodes.parquet和子集文件episodes_press_release_8k.parquet，后者仅包含SEC 8-K正文文本不为空的行。数据集还提供了Sweetviz HTML报告，用于探索性分析。使用该数据集时需注意上游数据的许可条款和SEC的公平访问政策。

搜集汇总

数据集介绍

构建方式

在金融文本分析领域，本数据集通过系统化的多源数据融合流程构建而成。其核心基础源自Hugging Face平台上的标准普尔500指数成分股收益电话会议文本集合，时间跨度覆盖2005年至2025年。构建过程整合了雅虎财经的市场价格数据、美国证券交易委员会（SEC）EDGAR系统中的8-K文件正文及附件文本，并进行了特征工程处理。关键环节包括通过SEC公司事实JSON接口提取并匹配XBRL格式的标准化财务数据，最终将所有信息按公司-季度通话事件进行对齐与合并，形成以稳定事件ID为键的完整观测记录。

特点

该数据集的核心特征在于其多维度的结构化信息集成。每条记录不仅包含完整的收益电话会议文本，还融合了会前价格动量、成交量等市场特征，以及会后短期与中期的价格回报标签。尤为突出的是，数据集引入了源自SEC官方XBRL数据的标准化财务指标，涵盖利润表、资产负债表和现金流量表的关键项目，为结合文本与量化信息的研究提供了统一框架。数据集还提供了详细的审计字段与数据来源标识，确保了研究的可追溯性与透明度。

使用方法

研究者可通过加载主文件`episodes.parquet`直接获取完整的结构化数据集，利用pandas或PyArrow进行高效分析。对于专注于SEC官方新闻稿的研究，可选用`episodes_press_release_8k.parquet`子集。数据集适用于监督学习、强化学习环境构建及多模态金融预测任务。使用时应充分考虑财务数据字段的稀疏性，并注意时间序列的非平稳性，建议结合随附的Sweetviz可视化报告进行探索性数据分析，以理解数据分布与缺失模式。

背景与挑战

背景概述

在金融量化分析领域，收益电话会议作为上市公司与投资者沟通的关键渠道，蕴含了丰富的非结构化文本信息，对市场情绪与资产定价具有深远影响。S&P 500收益电话会议数据集（2005–2025）由研究人员Rudraksh Nanavaty基于Bose345的原始转录本构建，其核心研究问题在于如何将长文本转录、市场价格序列、美国证券交易委员会（SEC）披露文件及可扩展商业报告语言（XBRL）财务数据深度融合，以支持监督学习与强化学习实验。该数据集通过系统性的特征工程，为每一公司-季度收益事件构建了统一的观测单元，显著推动了金融自然语言处理与多模态时序预测的交叉研究。

当前挑战

该数据集致力于解决金融文本与市场信号融合预测的复杂问题，其核心挑战在于如何从异构、高噪声的源数据中提取稳健且可解释的特征。具体而言，领域问题的挑战体现在收益电话会议文本的语义解析、市场反应的因果推断，以及财务数据的时间对齐与概念匹配。在构建过程中，数据集面临多重技术障碍：包括SEC EDGAR数据获取的速率限制、不同数据源（如转录本、价格、XBRL）在时间粒度与标识符上的对齐困难，以及早期年份（2009年前）XBRL财务数据的普遍缺失所导致的数据稀疏性。此外，生存偏差与金融制度的非平稳性亦对模型的泛化能力构成持续考验。

常用场景

经典使用场景

在金融文本分析领域，该数据集为研究提供了宝贵的多模态资源。其经典使用场景聚焦于结合财报电话会议文本与市场数据，构建监督学习或强化学习模型。研究者能够利用完整的收益记录、SEC文件正文以及价格动量等特征，预测短期股价走势或市场情绪标签，从而探索语言信息与资产价格动态之间的复杂关联。

解决学术问题

该数据集有效解决了金融信息处理中的若干关键学术问题。它将非结构化文本（如管理层讨论）与结构化市场数据及SEC XBRL财务指标对齐，为检验语言信号对市场效率的影响提供了实证基础。其意义在于弥合了定性披露与定量金融之间的鸿沟，支持对市场反应、信息扩散及基本面分析的前沿研究，推动了计算金融与自然语言处理交叉领域的理论发展。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作。例如，基于其文本与市场特征的多任务学习模型，用于联合预测股价波动与收益方向；利用其构建的强化学习环境，模拟基于收益公告序列的序贯决策问题；此外，结合XBRL财务指标的研究，探索了文本情绪与公司基本面在解释市场异常回报中的交互作用，推动了可解释AI在金融领域的应用。