准备数据

两种数据形态：用于生产/论文复现的 CSMAR，以及随仓库提交、供演示用的合成数据集（无需任何外部数据）。把原始数据转成训练输入的逐脚本 CLI 参数，参见 CLI 参考。

只想要 embedding？

如果你只需要训练好的 asset 与 text embedding（而非从原始数据重跑流水线），可从 Zenodo 下载： 10.5281/zenodo.20640781（CC-BY-4.0）。这些是派生的表示向量、 并非 CSMAR 源数据——无需 CSMAR 访问权限。只有从零重新生成 embedding 时才需要 CSMAR，详见下文。

CSMAR（生产数据）

生产运行需要 CSMAR 的 A 股数据——机构持股记录，若还要运行 text-embedding 流水线则另需公司名称。CSMAR 需付费订阅；机构访问通常可通过高校图书馆获得。CSMAR 的许可不允许再分发源数据或其任何派生切片，因此本仓库不提供下载镜像——请直接从 CSMAR 获取这些表。

持股面板

机构持股记录（沪 / 深 / 北交易所 + 公募基金定期报告），按年份拆分为 UTF-8 CSV。关键字段：

字段	说明
InstitutionID	上市公司记录代码（CSMAR 内部编码，与 Symbol 一一对应）。它不是投资者 ID——投资者 ID 是 ShareHolderID。参见 数据流水线。
Symbol	股票代码。
EndDate	报告期截止日。
ShareHolderID / ShareHolderName	持有机构 ID / 名称（真实的投资者身份）。
SystematicsID / CategoryCode	机构分类代码（基金 / QFII / 券商 / 保险 / 社保 / 信托 / 银行 / …）。
Holdshares	持股数量。
HoldProportion	持股占总股本的比例。
HoldProportion1	持股占流通 A 股的比例。
Price	最接近 EndDate 的股价。
IndustryCode / IndustryName	EndDate 时点的证监会 2012 行业分类。

合成数据（演示）

一份随仓库提交的数据集——复现演示无需任何外部数据：

• examples/data/——合成组合数据，供 examples/quickstart.{ipynb,py} 中端到端的 W2V-PT → W2V-FT → BERT-PT → BERT-FT 走查使用。schema 与生成理由：examples/data/README.md。

处理流水线

原始数据由 asset_embeddings.scripts.data.* 工具转为训练输入——sharehold（持股 → 组合）、distributor（训练切分，如 80/20 pretrained/finetune）、text_embedding（公司名称 → LLM 文本嵌入，见 文本嵌入）。每个都是 flag 驱动的；完整参数表见 CLI 参考。基于预设的批量路径见 安装 → 用预设快速上手。