StockEmotions 是一个发表在 AAAI 2023 的金融情绪数据集项目，包含 10,000 条从 StockTwits 平台收集的英文投资者发言，标注了 2 类情感（看涨/看跌）和 12 类情绪（乐观/恐慌/愤怒/困惑/兴奋等），同时附带对应时间段内 38 家公司的历史股价数据。项目旨在探索投资者情绪与股票价格变动之间的多变量时间序列关系。 与传统金融情感数据集（如 Financial PhraseBank 仅提供正/负/中性标签）不同，StockEmotions 提供了 12 维细粒度情绪标注，并将文本情绪与同期股价数据配对。这为研究“情绪如何影响股价““社交媒体信号的 alpha“等课题提供了现成的训练和评估数据。 在银行投研或风控领域，这类数据集可以用来训练社交媒体情绪分析模型，构建“社交媒体情绪因子“用于量化策略或信贷预警。例如，当某公司在 StockTwits/Twitter 上的“恐慌““愤怒“情绪激增时，自动触发信用评级审查或持仓风险提示。 需要注意的是，数据集仅覆盖 2020 年 1 月至 12 月（COVID 疫情期间），情绪分布可能有偏；38 家公司均为美股；标注规模 10,000 条在 NLP 训练数据中属中小规模。 局限性：数据仅覆盖 2020 年和美股市场；标注规模较小（10,000 条）；12 类情绪的标注一致性和跨平台迁移性需要验证；数据采集自 StockTwits，不代表机构投资者观点。
项目主要介绍
StockEmotions 是一个发表在 AAAI 2023 的金融情绪数据集项目，包含 10,000 条从 StockTwits 平台收集的英文投资者发言，标注了 2 类情感（看涨/看跌）和 12 类情绪（乐观/恐慌/愤怒/困惑/兴奋等），同时附带对应时间段内 38 家公司的历史股价数据。项目旨在探索投资者情绪与股票价格变动之间的多变量时间序列关系。
与传统金融情感数据集（如 Financial PhraseBank 仅提供正/负/中性标签）不同，StockEmotions 提供了 12 维细粒度情绪标注，并将文本情绪与同期股价数据配对。这为研究“情绪如何影响股价““社交媒体信号的 alpha“等课题提供了现成的训练和评估数据。
在银行投研或风控领域，这类数据集可以用来训练社交媒体情绪分析模型，构建“社交媒体情绪因子“用于量化策略或信贷预警。例如，当某公司在 StockTwits/Twitter 上的“恐慌““愤怒“情绪激增时，自动触发信用评级审查或持仓风险提示。
需要注意的是，数据集仅覆盖 2020 年 1 月至 12 月（COVID 疫情期间），情绪分布可能有偏；38 家公司均为美股；标注规模 10,000 条在 NLP 训练数据中属中小规模。
局限性：数据仅覆盖 2020 年和美股市场；标注规模较小（10,000 条）；12 类情绪的标注一致性和跨平台迁移性需要验证；数据采集自 StockTwits，不代表机构投资者观点。
金融 + AI 核心特点
- 10,000 条投资者发言，12 类细粒度情绪标注
- 文本与 38 家公司股价时序配对
- 支持情感分类和多变量时间序列预测
- AAAI 2023 论文支撑的学术数据集
可学习内容
- 理解细粒度情绪标注在金融 NLP 中的价值
- 学习社交媒体情绪因子与股价的关联分析方法
应用方向
- 社交媒体情绪因子的量化策略研究
- 信贷/投研预警中的情绪异常检测
- 金融 NLP 模型训练的标注数据
- 情绪-价格多变量时间序列分析
风险与局限
数据仅覆盖 2020 年美股；标注规模小（10K）；代表散户而非机构观点；情绪分类跨平台迁移性待验证。
- 项目地址：https://github.com/adlnlp/StockEmotions ↗
- 开源协议：学术用途（AAAI 2023 论文数据集）
原始来源与整理依据
文字分析来自内容源；业务分类、技术标签由 SeekingDAO 按规则整理。披露效果保留原有时间、范围和预测口径，未作独立审计。开源项目与 Skill 的当前许可、兼容性及依赖请以其上游为准。