artefactory/ledger-market-sentiment

该数据集用于市场情绪预测案例研究，旨在探究公司年报中CEO信件的修辞是否包含关于未来基本面和市场反应的信号。它涵盖了六个高流动性行业（特种化学品、汽车零部件、包装食品、石油与天然气勘探与生产、石油与天然气设备与服务以及抵押房地产投资信托基金），时间跨度为2017年至2022财年。数据集包括四个配置：CEO信件（含情感标签）、每股收益意外数据、每日股价数据（带滚动回报窗口）以及行业级每日指标。This dataset is developed for a case study on market sentiment prediction, which seeks to investigate whether the rhetoric in CEO letters within corporate annual reports contains signals pertaining to future fundamentals and market reactions. It covers six highly liquid industries: specialty chemicals, automotive parts, packaged foods, oil and gas exploration and production, oil and gas equipment and services, and mortgage real estate investment trusts (REITs), spanning the fiscal years 2017 to 2022. The dataset includes four components: CEO letters with sentiment labels, earnings per share (EPS) surprise data, daily stock price data with rolling return windows, and industry-level daily metrics.

搜集汇总

数据集介绍

构建方式

该数据集源自LEDGER论文中关于市场情绪预测的案例研究，旨在探究企业年度报告CEO信函的措辞是否蕴含未来基本面与市场反应的信号。数据集覆盖2017至2022财年，聚焦六个高流动性行业，包括特种化学品、汽车零部件、包装食品、油气勘探与生产、油气设备与服务及抵押贷款REITs。构建方式上，数据集被划分为四个子集：letters包含从年报中提取的CEO信函及其情感标签；eps_surprise记录每股收益的共识预测与实际值及其差异百分比；stock_prices提供每日股价及滚动收益窗口；industry_indicators则汇总了行业层面的每日指标，为跨维度的市场情绪分析提供了结构化数据基础。

特点

数据集的核心特点在于其多视角、多层次的融合设计。letters子集提供了带有情感标注的信函文本，支持自然语言处理研究；eps_surprise子集聚焦盈利惊喜的量化捕捉；stock_prices子集不仅涵盖基础行情，还囊括了事件窗口前后各90个交易日的滚动收益率，便于分析股价对信函发布的动态反应；industry_indicators子集则通过等权与市值加权方式呈现行业整体表现。此外，各子集均通过ticker和日期字段建立关联，便于开展跨表联合分析，全面揭示公司言论、财务表现与资本市场反应之间的内在联系。

使用方法

用户可通过HuggingFace的datasets库便捷加载该数据集，利用load_dataset函数指定子集名称即可获取对应数据。例如，调用load_dataset('artefactory/LEDGER-market-sentiment', 'letters')可加载CEO信函情感数据，类似方法可加载eps_surprise、stock_prices及industry_indicators子集。加载后的数据支持灵活的过滤与转换操作，例如通过filter方法筛选情感标签为“positive”的信函。此外，基于各子集间的ticker与日期关联，研究者可自定义拼接逻辑，构建从文本情感、盈利惊喜到股价动态的完整分析流程，适用于分类预测与时间序列建模等任务。

背景与挑战

背景概述

在金融与自然语言处理的交叉领域中，企业年报中CEO致股东函的修辞风格是否蕴含预测未来财务表现和市场反应的信息，一直是备受关注的研究命题。LEDGER市场情绪预测数据集由相关研究团队构建，涵盖2017至2022财年六个高流动性行业（如特种化学品、汽车零部件、包装食品等）的464份CEO信函、13,489条每股盈利惊喜数据、422,888条日度股价序列及12,525条行业级指标，旨在系统性地探究文本情绪与财务基本面、市场异象之间的关联。该数据集将文本分类与时间序列预测任务巧妙融合，为验证修辞信号对盈利意外和股价反应的预测能力提供了标准化基础资源，有力推动了财务语义分析领域的量化研究进程。

当前挑战

该数据集面临的核心挑战在于金融文本情绪与市场反应之间因果关系的脆弱性与多变性。领域层面，CEO信函中的修辞策略常受管理层意图扭曲，正向语调可能掩盖潜在风险，而市场对盈利惊喜的解读亦受行业周期、宏观环境及投资者情绪多重因素干扰，使得单纯依靠文本标签难以剥离真实信号。构建过程中，从非结构化年报中精准提取信函段落并赋予一致情感标签（positive/negative/null）面临OCR误差与主观标注歧义；同时，将稀疏的盈利公告事件与高频率股价序列对齐时，需处理重叠窗口（t-90至t+90日滚动收益）带来的时空关联效应，以及不同行业间波动率异质性对模型泛化能力的挑战。

常用场景

经典使用场景

该数据集聚焦于金融与自然语言处理的交叉领域，核心场景在于利用企业年报中CEO信函的修辞风格和情感倾向，预测盈余惊喜（EPS Surprise）以及财报发布后的市场反应。研究者可基于"letters"配置中的文本与情感标签，结合"eps_surprise"和"stock_prices"中的量化数据，构建端到端的预测模型，从而验证管理层叙述是否蕴含超越财务指标的增量信息。

解决学术问题

在学术研究中，该数据集解决了管理层语调与市场有效性之间的长期争论。传统上，市场是否能够充分消化年报中的软信息存在争议。LEDGER数据集通过将CEO信函情感、分析师预期偏差以及股票收益率的时间序列整合在同一框架下，使学者得以量化考察文本修辞对盈余预测和定价行为的因果影响。它推动了行为金融学中关于管理层信号传递理论的发展，并为会计学领域的叙事披露质量研究提供了关键的基准资源。

衍生相关工作

基于该数据集，衍生出的经典工作包括：一是构建联合学习框架，同时预测盈余惊喜方向与股价累计异常收益，如将CEO信函嵌入表示与行业层面"industry_indicators"中的波动率数据融合；二是开发时序情感归因模型，探究信函中不同段落或主题（如经营展望、风险揭示）对市场反应的非对称影响；三是验证叙事复杂性与信息效率的关系，例如利用信函长度、可读性与情感强度构建信息披露质量指数，评估其对分析师预测修正频率和股价同步性的调节效应。