SimpleFunctions/sf-index-history

SF Index的时间序列数据：这是一个四数摘要，用于描述预测市场的共识情况，包括分歧（0-100）、地理风险（0-100）、广度（-1..+1）和活动（0-100）四个指标。这些数据每15分钟从约50K个市场计算得出，并以Flat JSONL格式存储，便于图表绘制和分析。

Time series of the SF Index: a four-number summary of prediction-market consensus — disagreement (0-100), geo-risk (0-100), breadth (-1..+1), and activity (0-100) — computed every 15 minutes from ~50K markets. Flat JSONL for easy charting / analysis.

搜集汇总

数据集介绍

构建方式

在预测市场日益成为经济与政治风险重要风向标的背景下，sf-index-history数据集应运而生。该数据集源自SimpleFunctions公共数据管道，通过对约5万个预测市场每15分钟进行一次采样，计算并记录四项核心指标——分歧度（0-100）、地缘风险（0-100）、广度（-1至+1）与活跃度（0-100），从而生成一个四维的综合索引。数据以扁平JSONL格式存储，便于直接用于图表绘制或时序分析，并每日于世界协调时23:55更新一次，确保用户能够获取历史连续性强的指数轨迹。

使用方法

用户可直接通过Hugging Face Datasets库加载该数据集，利用JSONL格式的便利性快速接入主流数据分析与可视化工具。对于机器学习任务，数据可用于训练时间序列预测模型、构建市场情绪指标或作为强化学习环境中的状态特征。在使用时需遵守CC-BY-4.0许可协议，允许个人、研究、教育及商业用途，但不得将数据集整体或实质性部分重新托管为替代SimpleFunctions功能的API或服务。

背景与挑战

背景概述

预测市场作为聚合群体智慧、揭示未来事件概率的重要机制，近年来随着Kalshi、Polymarket等平台的兴起而备受关注。为系统刻画市场整体状态，SimpleFunctions团队（联系人为[e-mail]）于近期创建了sf-index-history数据集，该数据集以每15分钟一次的频率，整合约5万个预测市场的价格信号，提炼出分歧度（0-100）、地理风险（0-100）、广度（-1至+1）与活跃度（0-100）四项综合指数。通过提供平坦的JSONL格式时间序列，该数据集为研究者分析预测市场共识演变、风险暴露及市场参与热度提供了标准化、高粒度的量化工具，对理解集体决策动力学、开发市场情绪监测模型具有基础性价值。

当前挑战

该数据集首先回应了预测市场领域的核心难题：如何从海量、异质、非连续的个体市场中提取具有整体代表性的低维指标。单一市场价格波动受流动性、投机行为等多重因素干扰，直接聚合易引入噪声，而sf-index-history通过精心构造的四维指数体系，在信息保留与可解释性间寻求平衡。在构建层面，数据集面临数据清洗与对齐挑战——不同来源的5万个市场具有异构的结算时间、合约结构和交易规则，需统一时序框架并处理缺失值；同时，需部署可靠的数据管道以保障每日23:55 UTC的稳定更新，并满足CC-BY-4.0许可下对商业化使用的开放性与对再分发作为替代服务的限制之间的协调。

常用场景

经典使用场景

在预测市场与金融时间序列分析的交汇领域，sf-index-history数据集被广泛应用于量化市场情绪与共识演化的研究。该数据集每15分钟采样一次，提供了针对预测市场共识的四维摘要——分歧度、地理风险、广度与活跃度，为研究者捕捉市场微观结构的瞬时变化提供了高频率的量化工具。经典的学术使用包括构建市场情绪指数、评估预测市场的有效性，以及分析重大事件（如选举或地缘政治危机）对市场共识的动态冲击。

解决学术问题

该数据集有效解决了预测市场研究中长期存在的低频数据与单一指标局限性的问题。传统研究多依赖日频价格或简单胜率，难以刻画市场内部的多元异构性；而sf-index-history通过高时间分辨率与四维结构化抽象，使得研究者能够更精准地度量市场分散程度、地域性风险偏好、共识覆盖广度与整体交易活跃度。这为理解信息聚合效率、群体智慧与市场理性边界提供了前所未有的实证基础，推动了行为金融学、计算政治学与复杂系统科学的跨学科融合。

实际应用

在实际应用层面，sf-index-history为金融科技、风险对冲与政策智库提供了实时洞察预测市场的量化接口。金融分析师可借助该时间序列监控全球热点事件的情绪波动，优化另类资产配置；风险管理机构可利用其地理风险与活跃度指标，预判地缘政治对供应链或市场的连锁反应；政策研究机构则能通过共识广度与不一致性，评估公众对监管变化或宏观政策的预期演变，从而辅助决策制定。

数据集最近研究

最新研究方向

该数据集为预测市场领域提供了首个高频综合指数时间序列，涵盖分歧度、地缘风险、市场广度和活跃度四维指标，每15分钟采样一次，覆盖约5万个市场。当前前沿研究聚焦于利用这类细粒度时序数据训练深度学习模型，以捕捉预测市场情绪与宏观事件（如地缘冲突、经济政策波动）之间的非线性关联。该数据集的出现填补了预测市场量化分析中缺少标准化基准指数的空白，为多智能体模拟、群体智慧动态监测及风险对冲策略研究提供了高保真数据基础，对理解信息聚合效率与市场微观结构演化具有重要方法论价值。