paperswithbacktest/Stocks-Weekly-ShortVolume

该数据集提供了公开交易公司的每周做空交易量统计数据，由SOV.AI提供。数据集涵盖了美国主要上市股票的做空交易活动，并按交易所和参与者类型进行了细分。数据集的更新频率为每周一次，包含了多个字段，如做空交易量、总交易量、交易所级别的做空交易量比率、零售交易者做空比率、机构交易者做空比率和市场做市商做空比率等。Weekly Short Volume statistics for publicly traded companies, provided by SOV.AI. The dataset highlights aggregate and segmented short-selling activity across exchanges and participant types. Coverage includes major US-listed equities with reported short volume, updated weekly. Fields include short_volume, total_volume, short_volume_ratio_exchange, retail_short_ratio, institutional_short_ratio, and market_maker_short_ratio.

搜集汇总

数据集介绍

构建方式

该数据集由SOV.AI提供，专注于记录美国主要上市股票的周度卖空成交量统计信息。数据构建基于交易所报告的卖空活动，通过整合跨交易所和参与者类型的成交量数据，生成包括总卖空成交量、总交易量、交易所级别卖空比率、以及零售、机构、做市商三类市场参与者的卖空占比在内的多维指标。每周以快照形式更新，确保数据的时效性与连贯性，为量化分析提供结构化支撑。

特点

数据集的核心特色在于其细粒度的卖空活动分层描述。除基础卖空成交量与总成交量外，还引入交易所层面卖空占比、零售交易者占比、机构交易者占比及做市商占比等指标，清晰刻画不同市场参与者的卖空行为分布。这种多维度分解机制使得研究者能够洞察卖空压力的来源结构，区分投机性卖空与对冲性卖空，从而更精准地评估市场情绪与潜在风险。

使用方法

数据集可通过HuggingFace平台获取，但访问需先订阅Papers With Backtest服务并完成登录与付费计划选择。获取后，用户可利用Python等工具加载数据，基于股票代码（symbol）和日期（datetime）进行筛选与聚合。典型应用包括构建卖空比率时间序列、分析不同参与者行为对股价波动的影响、或作为因子纳入多因子量化模型。建议结合市场事件数据使用，以增强因果推断的稳健性。

背景与挑战

背景概述

在金融市场的实证研究中，卖空活动是衡量市场情绪与价格发现效率的关键指标。Stocks-Weekly-ShortVolume数据集由SOV.AI机构创建，专注于提供美国主要上市股票的周度卖空成交量统计信息。该数据集收录了交易所报告的卖空总量、总成交量，并进一步细分了交易所层面的卖空比率、散户、机构及做市商在卖空交易中的占比。这一精细化的数据结构，为研究不同类型交易者行为对股价波动的影响提供了宝贵的数据基础，对行为金融学与市场微观结构理论的发展具有重要推动作用。

当前挑战

该数据集所解决的领域挑战在于，传统卖空数据往往仅披露汇总成交量，难以区分不同交易者类型的贡献，从而限制了市场操纵识别与价格效率分析的深度。构建过程中，SOV.AI面临的主要挑战包括：从多个交易所数据源中清洗、匹配并汇总海量交易记录，确保时间序列的连续性与一致性；同时，精确划分散户、机构与做市商的卖空归属需要复杂的算法模型，以避免噪声与误分类；此外，每周更新的高频特性对数据存储、处理与分发系统的稳定性和时效性提出了严峻考验。

常用场景

经典使用场景

在金融量化研究领域，Stocks-Weekly-ShortVolume数据集被广泛应用于对美股市场空头行为的周频动态监测。研究者通过整合该数据提供的短期交易量、总成交量及交易所层面卖空比率，能够构建基于空头力量变化的择时策略或市场情绪指标。该数据集特别适合用于分析特定事件窗口（如财报发布、行业政策变动）前后空头持仓的调整模式，从而揭示机构与散户在信息不对称下的差异化交易行为。

实际应用

在实际投资管理中，该数据被对冲基金及量化交易团队用于动态风险管理与多空组合构建。例如，高零售做空比例的股票往往被视为散户情绪过度悲观的反转信号，而机构做空比例骤升则可能提示基本面风险恶化。此外，监管机构通过追踪交易所整体卖空比率的变化，能够评估市场健康程度，预防因极端空头积聚引发的系统性流动性危机。

衍生相关工作

基于该数据集，衍生出了多项实证研究工作，包括检验卖空比率对股票横截面收益率的预测能力、构建基于参与者类型差异化的多头-空头因子模型，以及分析做市商在ETF期权市场中的对冲行为如何影响现货做空结构。部分研究进一步将周频卖空比率与公司财务数据、新闻情感打分融合，形成了多模态的市场异常检测框架，推动了计算金融学在卖空分析领域的方法创新。