沪深两融余额最新数据图分析报告（沪深两融余额最新数据图分析报告）
沪深两融余额最新数据图分析报告（沪深两融余额最新数据图分析报告）
上周末，“央妈”放大招！
时隔12年，央行下调超额存款准备金利率，从0.72%下调至0.35%。上一次是在2008年全球金融危机期间从0.99%下调至0.72%后，一直未做调整，可见是史上罕见的。
另外，年内第3次降准，释放4000亿长期资金，年内累计投放1.75万亿资金。
近一个多月，虽然外围市场险象环生，美股在3月史无前例地出现了10天内4次熔断，巴菲特抄底抄到“半山腰”，败走达美航空......但A股沪指在3月全球主要股指中表现最强。而从有“聪明钱”之称的北向资金来看，近9个交易日里，累计净流入167亿元，扭转前期连续多日净流出的局面。在4月3日央行公布两大重磅利好的影响下，4月A股是否现转机？
关键要点梳理：
1，北向资金： 多次精准抄底逃顶， 先知先觉，其有“聪明钱”之称，逆势吃进的个股尤其需要重视 。 3月，北向资金大幅净流出678.7亿元，但有近30只股被大幅加仓。
2，重要股东增减持： 上市公司董监高、产业资本无疑最了解上市公司。 3月大金融是被增持重点领域。有知名私募称，银行股的确定性机会为***。
3，大宗交易： 机构专用席位无疑是研究重点，因其大多崇尚价值投资。 中小创是高折价率的主力，机构席位买入多只 游戏 股。
4，融资融券：3月，6大行业实现融资净买入，74只个股融资净买入超过1亿元，9只个股融资余额增幅超***。
5，主力资金流向：主力资金逆势布局了三类股，3月4日以来的20个交易日内，净流入超过1亿的个股达40多只。
6，机构调研： 除了季报、半年报、年报， 调研是提前了解机构动向的重要窗口 。 值得注意的是，王亚伟、高毅资产、淡水泉等顶级私募则与众不同，频频现身上市公司调研。
3月北向资金狂甩678亿元， 29只股被大幅加仓！
3月随着疫情在全球的扩散，海外主要股指都经历了一轮大幅下跌，美股更是在3月史无前例地出现了10天内4次熔断。历来受外盘影响较大的北向资金也在3月选择了暂避风头。
据Choice数据统计， 今年3月，北向资金大幅净流出 678.7亿 元，创下2014年沪港通开通以来单月净流出之最。而与此同时，3月南向资金却大幅净流入 1263亿 元。这一减一增让A股出现了一定程度的“失血”。
自从2014年11月沪港通开通以来，在随后5年多的时间内，北向资金在其中的11个月出现过单月净流出。不过 北向资金单月净流出超百亿的情况只发生过 6次 ，而上一次北向资金单月净流出A股超500亿元的还发生在2019年5月，当月净流出规模为536.7亿元。
虽然3月北向资金的大幅流出让市场感到了一些错愕，不过从 历史 上看每逢北向资金单月出现百亿规模的大幅净流出，却有一定概率对应的是A股的阶段性底部，比如2019年5月、2018年10月。
对照沪指的走势图，再仔细研究一下可以发现，北向资金大部分时候卖出时机还是精准的，其有“聪明钱”之称，如2015年4月净流出35亿元后，2015年5月沪指小涨3.83%，2015年6月沪指见到5178点的 历史 大顶。2015年10月、11月、12月连续三个月净流出，2016年1月沪指大跌22.65%。2019年4月、5月净流出后，沪指进入横盘震荡几个月。2018年10月净流出105亿元后，随后沪指在2019年1月初二次探底成功后才最终见底。2018年2月净流出26亿元，沪指随后下跌到2018年年底。
分析人士认为，今年3月北向资金创纪录的净流出678.7亿元，加上海外疫情数据持续飙升，新增确诊病例数据何时拐头，美国失业率飙升，美股是否展开第二波杀跌，这些都有待观察，因此4月A股是否见底，目前来看难以预测。
需要引起重视的是，虽然今年3月北向资金罕见地净流出A股678亿元，不过仍然有一些A股在3月被北向资金逆势加仓。而且， 近9个交易日，北向资金累计流入167亿元，扭转前期连续多日净流出的局面。
Choice数据显示，在3月9日~3月23日期间，有436只A股得到了北向资金的逆势增持，占到所有沪深股通个股的34%。在这436只A股中，有22只A股北向资金的加仓幅度在***以上，其中粮价上涨概念股苏垦农发期间北向资金的加仓幅度更是高达1300%，位居所有A股之首。从盘面上看，苏垦农发股价在3月9日~3月23日期间表现较为抗跌。然而，从北向资金的持股情况来看，外资并没有打算继续加仓，在3月23日见到北向资金对苏垦农发持股比例的年内高点后，北向资金便开始逢高减仓，到4月1日，北向资金的持股比例已降至0.77%。
而3月份，北向资金持股比例显著增长的个股有29只。
从上述个股来看，华创证券研报指出，深信服从安全到云、再到新IT，成长空间不断打开。2019年公司重新调整业务架构，发布深信服智安全、云计算，新IT三大业务品牌，涵盖三个方面：一是云网端的安全及安全服务；二是基于超融合技术构建的私有云、托管云和混合云；三是基础架构业务则包括桌面云、SD-WAN、应用交付和企业级分布式存储EDS。从安全到云再到新IT，是公司创新能力的体现，随着业务边界不断拓展，公司成长空间进一步打开。而对于凯利泰，广发证券研报指出，公司是国内脊柱微创治疗龙头，公司于2018年并购Elliquence的成长空间广阔。
银行板块多数破净， 确定性机会是***？
3月A股市场出现调整，海外局势一直牵扯着投资者的心。 从重要股东增减持来看， 产业资本对后市分歧仍然较大 ，但也有一些公司开始喊话增持，稳定市场信心。
东方财富Choice金融终端数据统计显示，3月A股市场一共公告发生了2703笔减持，485笔增持，减持与增持的比例为5.57：1（按照公告日期）。
大金融是近期被增持重点领域。3月23日至24日，招商银行行长等10名董监高增持招行A股41.99万股，合计金额约1282万元。
兴业银行25日晚间公告称，该行部分董事、监事和高级管理人员分别于2020年3月23日至25日期间以自有资金从二级市场买入公司股票，共计177.99万股，成交价格区间为每股15元至15.79元。
此外，中国平安3月2日发布公告称，公司2020年度的核心员工持股计划和长期服务计划于2月底完成股票购买，累计成交金额约为46.27亿元，占总股本的比例为0.316%。成交均价约为80.17元/股。
大金融的估值一直是市场的热门话题。 银行板块已经多数破净。 兴业银行3月31日收于每股15.91元，而其去年三季报的每股净资产达到23.38元，市净率仅为0.68倍。招商银行因为其零售银行的领先优势，市场给予了估值溢价，目前市净率约为1.4倍。
招行和兴业银行都在2月和3月出现一波下跌。招行1月曾经创出每股40.16元的 历史 高点，但3月19日最低跌至每股28.71元，区间跌幅达到28.51%。
值得一提的是，在增持后，招行和兴业银行的二级市场股价均有所企稳。3月25日至4月2日，招行股价温和上涨超过2%，同期兴业银行涨幅超过3%。
但增持更早的中国平安则没那么好运。3月以来，海外疫情不断升级，中国平安又遇到汇丰银行暂停派息的利空。3月23日中国平安A股最低跌至66元，上述2月底完成增持的核心员工持股计划和长期服务计划最高浮亏率约为17.65%，最高浮亏金额超过8亿元。
从 历史 经验来看，大金融板块的贝塔属性较重，即大部分时候以跟随市场为主。但由于股息率较高、业绩可预见性等因素，更多受到长期资本青睐，且负面消息有时候会提供很好的买入机会。
最典型的例子是2008年的中国平安。当年次贷危机爆发，中国平安投资富通银行巨亏228亿，其A股股价一度跌破20元大关（不复权）。12年过去再回头看，当时的巨坑是中国平安12年长牛的起点。
否极泰基金总经理董宝珍 多次看好银行股，曾在2月下旬表示，银行股的确定性机会是***。因为在中国，如果银行业都没有投资价值了，那整体的经济怎么可能好起来呢？做投资我们看重的就是，向往美好生活的愿望永远是人性的一部分，不会改变。
3月中小创是 大宗交易 高折价率的主力， 机构席位买入多只 游戏 股
3月一共22个交易日，发生了2075笔大宗交易，成交金额480.50亿元。其中195笔溢价成交，299笔平价成交，1581笔折价成交。
3月31日大宗交易单日成交井喷，达到68.58亿元，占全月成交金额的14.27%。但当日溢价成交金额仅仅1120万元，占比0.16%，为当月最低。溢价成交最高的一天是3月23日，当天大宗交易一共成交14.51亿元，其中溢价成交8.74亿元，占比高达60.24%。溢价成交占比第二高的是3月11日，当天大宗交易一共成交38.46亿元，其中溢价成交20.78亿元，溢价成交占比达到54.03%。3月6日发生了35.45亿元大宗交易成交，其中溢价成交14.27亿元，占比为40.26%。
值得一提的是，上述溢价大宗交易较高的交易日，往往市场表现偏弱。3月23日，沪指下跌3.11%；3月11日，沪指下跌0.94%；3月6日，沪指下跌1.21%。
3月溢价率最高的一笔大宗交易是3月9日的乐凯新材。当天乐凯新材以每股17.76元成交了75.13万股，成交金额为1334.31万元。买方为华泰证券北京西三环国际 财经 中心证券营业部，卖方为中金财富合肥长江中路证券营业部。乐凯新材3月9日收盘价为15.14元，溢价率达到17.31%。之后乐凯新材随大盘下跌，3月31日收于12.93元，接盘方被套27.19%。
折价交易是大宗交易的常态。3月一共有684笔大宗交易折价率高于10%，539笔折价率位于5%~10%之间。折价率不足5%的共有358笔。中小创是高折价率的主力。
从3月的机构专用席位的操作动向来看，万科A的交易金额较大，卖出61亿元，买入39亿元。从机构专用席位买入居前的个股来看，深信服被买入10亿元，数据中心建设的光环新网被买入4.59亿元，比较明显的一个特点是，多只 游戏 股被买入，如完美世界、昆仑万维、世纪华通、游族网络、巨人网络等。
从机构专用席位卖出居前的个股来看，万科A、紫光股份、正泰电器卖出金额居前，值得注意的是，多只医药股被机构卖出，虽然金额不大，如迪安诊断、济川药业、蓝帆医疗、人福医药等。
从机构席位买入个股来看，新基建的 深信服 、光环新网 分别获得10.68亿元、4.59亿元买入，还有就是多只 游戏 股被买入，如完美世界、昆仑万维、世纪华通、游族网络、巨人网络等。
3月融资余额下降404亿元，融资客狂买74只个股， 9只股融资余额一个月翻倍
3月A股市场震荡显著，上证指数下跌4.51%，振幅达14.84%。在市场动荡的大背景下，融资客也趋于谨慎。行业上，有6大行业实现融资净买入，其中农林牧渔一马当先。74只个股融资净买入超1亿元，13只个股融资净买入超过3亿元，从融资余额增长情况来看，有47只两融标的融资余额在3月增长超过50%，其中有9只增幅超***。
Wind数据统计，截至3月31日，融资余额为10474.44亿元，相比2月28日减少了404.58亿元。
从行业来看，3月有6大行业实现融资净买入，分别是农林牧渔（64.67亿元）、建筑材料（4.90亿元）、钢铁（3.43亿元）、休闲服务（2.08亿元）、建筑装饰（1亿元）和纺织服装（0.40亿元）。
16大行业融资净卖出较多，均超过10亿元，其中电子、计算机和非银金融融资净卖出居前，分别达到84.92亿元、46.55亿元和32.42亿元。
方正证券研究报告指出，两融策略上，4月首选行业： 汽车 、工程机械、券商。 汽车 的支撑因素在于 汽车 销量增速降幅持续收窄，景气底部反弹上行，目前估值在相对合理的水平。 汽车 消费刺激政策不断出台，成为提振消费的重要抓手。工程机械的支撑因素在于最艰难的时刻已过，后续将逐步边际改善。整体估值较低，安全边际较强。逆周期对冲基建政策加码在即，工程机械将受益。券商的支撑因素在于业绩增长确定性较高。整体估值合理，安全边际较高。证券行业进入监管红利释放期。
从个股角度来看，虽然两融余额相比2月末下滑，不过仍有562只两融标的实现融资净买入，其中有155只个股融资净买入超过5000万元，74只超过1亿元。牧原股份和新希望3月累计融资净买入分别达35.40亿元和10.76亿元；烽火通信、隆基股份融资净买入均在5亿元以上；此外，正邦 科技 、通威股份、赢合 科技 、鱼跃医疗等13只个股融资净买入超过3亿元。
另外，从融资余额增长情况来看，有47只两融标的融资余额在3月增长超过50%，其中有9只增幅超***。截至3月31日，汉缆股份的融资余额达2.3亿元，相比2月末增长了253.62%，增幅居于首位。另外，东湖高新、中通国脉、楚天高速等8只个股的融资余额在3月也增长了***以上。
从融资净买入居前的个股来看，包括光伏板块头部企业 隆基股份、通威股份 ，另外低位股 中航飞机、紫金矿业。 民生证券研报指出，近日，国家发改委印发《关于2020年光伏发电上网电价政策有关事项的通知》，2020年光伏电价政策正式落地。随着光伏产业链各环节价格下跌以及新增产能的释放，高成本产能将加速出清。我们认为，头部企业抗风险、运行周转能力相对较强，预计落后产能加速出清将优化行业格局、带来集中度进一步提升。
主力资金逆势布局三类股：农业板块成吸金“黑马”， 市场质疑游资爆炒“金健米业们”
今年3月A股市场整体下跌，而主力资金在3月也采取了出货为主的策略。
据Choice数据统计，在今年3月的22个交易日里，出现主力资金净流入A股的只有5个交易日，且净流入规模都相对较小；其余17个交易日主力资金均为净流出，其中3月9日、3月16日两个交易日主力资金净流出规模都接近千亿元。
具体到行业上，据Choice数据统计，从3月5日以来的20个交易日内，28个申万一级子行业均呈现出主力资金的净流出，其中净流出规模最小的行业为休闲服务行业，而净流出规模排名前三的行业分别是电子、计算机、非银金融。
具体到个股上，据Choice数据统计，从3月4日以来的20个交易日内，有多达3429只A股呈现出主力资金净流出。
其中主力资金净流出规模最大的A股分别为京东方A、中兴通讯、TCL 科技 、中国平安、东方财富、科大讯飞等，其中京东方A的净流出规模超130亿元。这也与同期主力资金净流出规模最大的3个行业相对应，与此同时，这些个股期间内也都悉数下跌。
不过A股从来不乏局部机会。据统计，3月4日以来的20个交易日内，仍然有367只A股获得了主力资金的净流入，其中净流入规模排名居前的个股包括英杰电气、美尚生态、伊利股份、恒瑞医药等。
值得注意的是，伴随着最近农业股行情的发酵，市场上涌现出了以金健米业为代表的新“妖股”。
据Choice数据统计，截至4月2日收盘，今年3月下旬以来，金健米业已走出过7个涨停，在最近4个交易日，金健米业更是连拉4个涨停；此外，同期，农发种业、京粮控股等农产品涨价概念股也都已有3个涨停。
他认为，“炒股也要有点底线，在涉及民生的领域还是不能任由游资炒作。”另有投资者感受到，最近周围的朋友问粮价是否会上涨、是否要买米的声音有所增多。
历来，“妖股”的背后总不乏游资煽风点火。据公开信息显示，3月下旬来，金健米业已有7次现身龙虎榜。
据Choice数据统计，3月下旬来在龙虎榜买入金健米业次数较多的营业部包括，长城证券资阳娇子大道营业部、东方财富证券拉萨团结路第二营业部、东方财富证券拉萨东环路第二营业部、华鑫证券上海红宝石路营业部、华泰证券太原 体育 路营业部、国泰君安上海江苏路营业部、银河证券北京阜成路营业部等。
值得一提的是，从金健米业近年来的财报来看，游资的这番逆势炒作恐怕与其基本面关系不大。数据显示，从2007年以来的十多年间，金健米业的扣非净利润均为负值，根据公司发布的2019年年报，2019年公司的扣非净利润再度为负值。如果不是总有非经常性收益“调节”利润，金健米业恐怕已成为退市对象。此外， 历史 上，金健米业还曾多次“跨界”其他行业，但大多已半途而废。
王亚伟、高毅资产、淡水泉调研忙不停， 行动目标大曝光
近期上市公司年报披露进入密集期，从去年开始的 科技 股行情到目前也到了交卷时刻，此时受到新冠肺炎疫情的影响，机构开启了“云调研”模式，表现强势的 科技 股盈利能力如何？今年受疫情影响如何？这些问题都是焦点。
而据东方财富数据显示，截至4月1日，近一月的机构调研次数为9775次，较前期下降了4869次，降幅为33%，其中创业板的调研次数为3148次，中小板调研次数为4572次。而值得注意的是，主板市场调研1407次，从调研公司来看，近一月调研上市公司186家。值得注意的是，王亚伟等顶级私募频频现身上市公司调研。
另外在3月份，万达信息接待了包括安信基金、中银基金、中欧基金、招商基金等公募；此外私募领域，包括和聚投资、成泉资本、源乐晟资产、尚雅投资、景林资产、高毅资产等私募的调研。据了解，万达信息是国内领先的城市信息化领域软件和服务提供商，主营业务包括民生信息化和 健康 城市两大板块，业务辐射医疗、医保、医药、政务等多个行业。中国人寿自入主以来，对公司的业务、财务和管理层进行了全面的调整和梳理，当前公司各项调整已基本完成。
视觉：刘阳
排版：吴永久 杨诗涵
每日经济新闻
这个说明我国的证券市场进一步完善了，可以容纳更多股票还有交易了
从历史上看，扩大两个融资目标的股票类别有利于提高销售市场中商业融资公司的整体规模，并吸引增量资本进入市场。例如，2019年8月，两个融资目标的股票总数从950股增加到1600股。这两个市场的受欢迎程度和融资交易的融资额显著提高了预期效果。标的扩大后，一个月内融资购买额度占A股交易量的比例从7.25%增加到9.24%；财务余额在当前市场价值中的份额在一年内从2.06%增加到2.35%。
与扩张前一个月和扩张后一个月的标准化相比，新增标的股票的平均日成交量和日交易量分别增长了55%和79%，大大超过了总销售市场的增长率。这一举措可以在未分配股票基金的基础上为市场带来增量资金。为扩大两个融资目标的行动范围而采取的措施将有助于吸引增量资金，增加市场信心，并通过杠杆效应增加市场交易活动。
同时，作为A股市场最活跃的基金之一，这两个基金有助于提高相关股票的价格效率和流动性。融资融券交易是一种成熟的交易系统，广泛应用于海外股票市场，有助于充分发挥股票市场的功能，为投资者和证券公司提供新的盈利模式。但对于许多普通国内投资者来说，保证金仍然是一件奇怪的事情。因此，当保证金正式开始时，想要在保证金之前参与的投资者必须参与。
在这方面，前海开元首席经济学家杨德龙表示，作为A股市场最受欢迎的房产之一，扩大两个融资目标进一步提高了相关股票的流动性，并帮助吸引了增量资金。总的来说，这是一个巨大的新闻销售市场。
1、要有一个好的框架
好的分析是有基础有层次，有基础坚实，并且层次明了才能让阅读者一目了然，架构清晰、主次分明才能让别人容易读懂，这样才让人有读下去的欲望。
2、每个分析都有结论，而且结论一定要明确
如果没有明确的结论那分析就不叫分析，因为本来就是要去寻找或者印证一个结论才会去做分析的，所以千万不要忘本舍果。
3、分析结论不要太多要精
精简的结论也容易让阅者接受，减少重要阅者（通常是事务繁多的领导，没有太多时间看那么多）的阅读心理门槛，如果别人看到问题太多，结论太繁，不读下去，一百个结论也等于0。
4、好的分析要有很强的可读性
这里是指易读度，阅者往往只会花10分钟以内的时间来阅读，所以要考虑分析阅读者是谁，他们最关心什么，必须站在读者的角度去写分析邮件。
5、数据分析报告尽量图表化
这其实是第四点的补充，用图表代替大量堆砌的数字会有助于人们更形象更直观地看清楚问题和结论，当然，图表也不要太多，过多的图表一样会让人无所适从。
融资余额，即融资余额和融券余额，是一种可以衡量股票市场多空变化的市场数据。
融资预期股价会上涨，从而进行融资。因此，融资余额增加意味着目前处于买方市场；
融券预测一只股票会下跌，所以向券商借证券卖出。因此，融券余额的增加可能说明目前处于卖方市场。
但如果只分析一天的融资融券余额，可能不代表什么。更好地保持融资融券双方的平衡可持续，具有更强的指导意义。也就是说，融资余额不断增加，未来进一步上涨的概率大，融券余额不断增加，可能预示着未来进一步下跌的概率大。
如果融资余额大于融券余额，虽然投资者可以卖空，但目前投资者能拿到的证券来源很少，部分投资者达不到开通融资融券的权利，所以融资余额大于融券余额对投资者是有利的。
相信很多数据分析师在写数据分析报告的时候也会遇到一些困惑，因为我最近也在写一个报告，在这里就梳理一下如何写数据分析报告
数据分析报告是数据分析师常见的工具，写好一份数据分析报告，不但能够清楚描述问题，洞察数据并且提出一些有思考的举措，也很能反映出一个数据分析师的思维和用数据讲故事的能力，网上虽然也有很多关于写好数据分析报告的文章，但是大部分都是偏重于理论，具体实践的很少，我就在这里做一个汇总，希望能帮助一些朋友，以期抛砖引玉
--------分割线--------正式开始--------
一份好的数据分析报告离不开两部分：数据部分和分析部分。巧妇难为无米之炊，数据之于数据分析师就好像食材之于巧妇，数据的重要性可见一斑，分析部分是数据分析师将数据做成报告的最重要一步，是最体现一个数据分析师功底的部分，也是拉开差距的部分，下面就针对两部分分别进行阐述
一. 数据部分
数据部分最重要的就是数据质量，数据质量的好坏直接决定一份数据分析报告的好坏，如果报告中某一个数据被质疑，会直接影响这份数据分析报告的可信度，本章说一说跟数据有关的一些内容
1.数据的质量
1.1数据类型
数据类型比较好理解，就是数据以什么样的类型存储的，不同的数据类型有不同的使用方法，因此在处理数据之前，必须要先了解数据类型，常见的数据类型有（这里只说一些常见的数据类型）：
整数型
int ：用于存储整数，存储从-2的31次方到2的31次方之间的所有正负整数，每个INT类型的数据按4 个字节存储
bigint ：用于存储大整数，存储从-2的63次方到2的63次方之间的所有正负整数，每个BIGINT 类型的数据占用8个字节的存储空间
smallint ：用于存储小整数，存储从-2的15次方到2的15次方之间的所有正负整数。每个SMALLINT 类型的数据占用2 个字节的存储空间
浮点型
real ：存储的数据可精确到第7 位小数，其范围为从-3.40E -38 到3.40E +38。 每个REAL类型的数据占用4 个字节的存储空间
float ：存储的数据可精确到第15 位小数，其范围为从-1.79E -308 到1.79E +308。 每个FLOAT 类型的数据占用8 个字节的存储空间。 FLOAT数据类型可写为FLOAT[ n ]的形式。n 指定FLOAT 数据的精度。n 为1到15 之间的整数值。当n 取1 到7 时，实际上是定义了一个REAL 类型的数据，系统用4 个字节存储它；当n 取8 到15 时，系统认为其是FLOAT 类型，用8 个字节存储它
字符型
char ： 数据类型的定义形式为CHAR[ （n） ]，n 表示所有字符所占的存储空间，n 的取值为1 到8000， 即可容纳8000 个ANSI 字符。若不指定n 值，则系统默认值为1。 若输入数据的字符数小于n，则系统自动在其后添加空格来填满设定好的空间。若输入的数据过长，将会截掉其超出部分
nchar ： 它与CHAR 类型相似。不同的是NCHAR数据类型n 的取值为1 到4000。 因为NCHAR 类型采用UNICODE 标准字符集（CharacterSet）。 UNICODE 标准规定每个字符占用两个字节的存储空间，所以它比非UNICODE 标准的数据类型多占用一倍的存储空间。使用UNICODE 标准的好处是因其使用两个字节做存储单位，其一个存储单位的容纳量就大大增加了，可以将全世界的语言文字都囊括在内，在一个数据列中就可以同时出现中文、英文、法文、德文等，而不会出现编码冲突
varchar ：VARCHAR数据类型的定义形式为VARCHAR [ （n） ]。 它与CHAR 类型相似，n 的取值也为1 到8000， 若输入的数据过长，将会截掉其超出部分。不同的是，VARCHAR数据类型具有变动长度的特性，因为VARCHAR数据类型的存储长度为实际数值长度，若输入数据的字符数小于n ，则系统不会在其后添加空格来填满设定好的空间。一般情况下，由于CHAR 数据类型长度固定，因此它比VARCHAR 类型的处理速度快
时间和日期型
date ：‘2018-01-17’
time ：‘10:14:00’
timestamp ：‘2018-01-17 10:14:00.45’
以上就是常用的数据类型，如果有其他的数据类型没有说到，可以去网上搜一下，都比较好理解
1.2噪音数据
因为网上有非常多的关于噪音数据的解释，都非常专业，我就不在这里做过多的详细解释了，我们只探讨从sql取出数据的时候有一些异常值的处理办法：
null
一般跑过sql的朋友肯定会发现，在跑出来的数据中会有null的情况，这个时候需要对null进行替换，如果是计算用，就把null替换成0，这个步骤可以在sql里面完成，也可以在excel里面完成
极大值
极大值会影响数据的计算结果，一般会进行处理，要么替换成除极大值以外的最大值，要么直接弃用
作为分母的0
如果0作为分母，在excel里会出现#DIV/0,这个时候可以直接把结果替换，或者在sql里面直接进行替换，用case……when……就可以替换
1.3数据的口径
数据的口径很重要，根据经验看，大部分的数据出现问题是口径造成的，数据的口径一定要跟业务的口径一致，拿留存率举例：
留存率是周期比率型指标，一般在计算留存率的时候需要确定 留存周期 和 活跃判定的口径
留存周期：留存周期通俗来讲就是指用户在多长时间范围内活跃，并在下一个周期内仍然活跃，这里的多长时间就是指留存周期
活跃判定：指怎么判定一个用户活跃，可以是启动App，可以是登陆，也可以是完成了一次其他特定行为，这个主要依照业务需求而定
实际计算：
周留存率的计算
分子：本周活跃 且 上周也活跃的用户数
分母：上周活跃的用户数
2.可能会用到的工具
在处理数据的过程中可以用很多工具，在这里就介绍一些比较常见的工具，大家耳熟能详，学起来也不是特变难
2.1提取数据
mysql
hivesql
两者的查询语句有相似的地方也有不同的地方，主要看自己所在公司的数据存储情况
2.2数据处理
python：一般写个脚本做一些机械的操作（我目前是这么用），也可以用来做计算
mysql：在查询的时候可以进行处理
excel：数据量比较小的时候，可以在excel上简单处理
2.3数据可视化
python：可以用来做一些词云图
Tableau：可视化一些图表，可以和sql结合着用
excel：做一些简单的图表，实际上数据处理的好的话，一般用excel就足够了
二. 分析部分
在处理了数据以后就要开始进行报告的撰写，写报告会涉及到几个部分的工作，这里分别进行介绍一下：
1.报告结构
一篇数据分析报告的结构是十分重要的，一个好的结构能够将他人带入到你的报告中，让他人更好的明白你的意图，减少信息传递之间的丢失，同时你的思维也主要展现在结构上，这就意味着在写数据分析报告前，一定好想清楚数据分析报告的结构，当然这里说的报告结构即包括整个报告的结构，也包括每一个章节的结构，这里就放到一起说了
1.1 总 - 分 - 总（多用在整体结构）
我们在读一本书的时候，打开目录，会发现整部书的结构一般包括：
前言
第一篇
第二篇
……
第n篇
结尾
这就是典型的总 - 分 - 总结构，是最常见的结构，如果是对一个专题进行分析，用这种形式是非常好的，举个例子：
某电商App近一个月内的销售额出现下滑，让你针对这个问题进行一次专题分析
分析思路：拿到这个问题，我们很容易想到的是，销售额出现下滑出现的原因有两个，一个是付费用户数减少了，另一个是付费用户的人均付费金额减少了，这两个原因属于并列的原因，不存在递进关系，也就是说付费用户数减少了与人均付费金额减少并不存在因果关系，没有什么相关性，因此需要对两个原因共同分析，最后输出结论和提升建议，分析完以后，会发现总
- 分 - 总结构很适合这样的分析，所以列出以下提纲
问题描述
销售额近一个月下降多少？绝对值，环比，同比数据
原因假设：付费用户数下降/人均付费金额下降
付费用户数下降分析
付费用户数降幅是多少？绝对值，环比，同比数据
定位下降人群：是整体下降还是某一群体用户数下降
这里就涉及到用户分群，用户分群的方法有很多，涉及到用户价值的分群常见的就是RFM模型，将分完群的用户进行数据对比，看看上个月付费用户的结构占比跟本月有什么不同，当然用户分群的方法也不止这一个，还有按照会员等级分群（主要用会员等级进行用户分群），按照活跃程度（新用户/留存用户/回流用户），按照消费习惯（一般用户表里面都会有用户的标签，标识这个用户的消费习惯，表示这个用户更喜欢购买哪一类的商品），不管用什么分群方法，都需要纵向对比，也就是这个月和上个月付费人群的对比
原因分析：
如果是付费用户整体下降（这种是大家都不想看到的现象，欣慰大盘数据的驱动需要投入大量的资源，也有可能是自然波动），考虑可能的原因主要有：用户整体流失，比如用户流失到竟对；或者本月有什么特殊情况，影响到了整体的用户活跃；或者是从活动维度去观察，是不是活动的力度减小，影响了用户付费的欲望
如果是某一个用户群体下降：考虑的原因可能有商品品类的影响，是不是某一类商品在平台没有上架，或者某一类商品涨价；或者这一类用户受到了哪些影响，一般可以从属性和行为角度去分析
提出策略：
针对分析出的原因提出可落地的策略（策略一定要落地，要具体，比如如果你提出一条策略是：提升新注册用户数，那么等于没说，老板多数会diss你，但是你如果说，通过减少注册时填写的非必要字段，如年龄/职业，来简化注册流程，挺升注册转化率，进而提升新注册用户数，那感觉是不一样的）
人均付费金额下降分析
人均付费金额的降幅是多少？绝对值，环比，同比数据
定位原因
人均付费金额下降可能的原因主要有：订单数量下降；每个订单包含的商品数的下降/某一个品类购买数下降
提出策略：针对分析出的原因提出可落地的策略
总结问题
明确造成销售额下降的原因到底是什么（定性以后，记得一定要量化，不量化会被diss）
提出有针对性的建议
如何预防再次发生
1.2 递进（可用于整体结构和章节内部结构）
这种结构适合对一个问题进行探索，就像上一个例子中，我们针对每一个可能原因进行分析的时候，就是采用的这种分析方法，这种分析结构特别适合对一个小问题进行深入的探索分析，层层递进，深挖原因，这里在举一个例子：
某一个App的新注册用户数环比上个月减少，需要你做一个深入的分析，找到原因，提供改进策略
分析思路：新注册用户数的的影响因素是一个典型的漏斗结构，也是一个典型的单向性用户旅程，画一张图就能说明白：
如图所示，影响注册用户数的原因全部标注在漏斗里面，但是注册全流程这个漏斗只能看个大概流失，所以我们会对某一步进行细化，这张图上，我们对用户从启动到注册成功进行细化，细化到用户行为，这样能够提出一些产品上的改进意见，这个时候，如果想要提升新注册用户数，只需要针对每一步流失原因进行分析，找到提升策略就可以了，基本上是所见即所得的分析
比如：我们想对提交注册信息到注册成功这一步进行优化，那么首先我们要找到用户注册失败的原因有什么，一般有：
用户已注册
密码格式不合规
系统错误
未勾选《隐私协议》
在提出建议的时候，只要针对以上原因提出具体改进意见就可以了
1.3并列结构（多用于整体结构）
这种结构一般遇到的情况不多，常见的有对不同的校区进行经营分析/对不同品类的商品进行售卖分析，基本都是以描述型分析为主，因为分析的主体是并列关系，所以只需要每个主体就行单独分析就好，基本采用的分析思路是一样的
1.4因果结构（多用于章节内部结构）
这种结构一般用在复盘分析报告中，复盘是常见的数据分析报告类型之一，也是很多公司比较重视的一个报告，比如双十一复盘/新手活动复盘等等， 以电商某一次大促复盘为例 ，这里直接写结构：
总体描述：
本次大促整体数据表现，整体活动节奏的介绍；销售额是多少，同比提升多少；利润情况；参与用户有多少，同比提升多少；卖出商品有多少，同比提升多少；各个子活动的贡献是多少
子活动1的效果分析
子活动1的简介，作用，发力点
子活动1的贡献是什么，对于直接提升结果指标或者间接提升指标有哪些贡献
子活动1的成本是什么？投入产出比是多少？
子活动2的效果分析
子活动x的效果分析
最后汇总，提出优化建议
2.分析方法
讲完了整体结构，我们就该进入到具体分析的过程里面，这里的分析方法，主要想说说怎么去针对不同的数据进行分析，也就是说怎么通过数据看出问题，这里介绍常用的5种分析方法，但是有一句话非常重要，想写这节的最前面： 数据分析师一定要懂业务，在分析之前最好能把问题定位个大概，再去捞数，再去分析，否则每天会沉浸在漫无目的取数中，我认为一个数据分析师最重要的能力是要懂业务，从数据的角度看业务，才能驱动业务
2.1 对比分析
横向对比
横向对比就是把一个指标按照不同维度拆分，去对比不同维度的变化，举个简单的例子来说就是：
昨天的DAU增长了30%，那么把DAU进行拆分，可以拆分成以下三种方式：
DAU=新注册用户数+留存用户数+回流用户数
DAU=北京活跃用户数+河北活跃用户数+山东活跃用户数+……
DAU=北京活跃用户数+河北的活跃用户数+……
=北京的新增用户数+北京的留存用户数+北京的回流用户数+河北的新增用户数+河北的留存用户数+河北的回流用户数+……
这里留一个疑问，怎么去选择优先下钻的维度？想明白以后分析的效率就会有很大提升
纵向对比
在进行完横向对比以后，就要开始进行纵向对比，纵向对比主要是在时间维度上，还拿上一个例子来说，我们按照第一种方式进行横向对比以后，就要纵向对比，见下表：
2.2分布分析
分布分析一般是应用的场景比如用累计消费金额去分组/按照用户一个月活跃天数去分组，这些场景都有两个共性的特征：
属性值都是数值类型，或者日期类型
属性值非常多，比如累计消费金额可能从1-90000中间任意一个数字，也就是属性值非常多，没办法用每一个属性值去单独分析，因此需要分组
还是上图说明：
2.3交叉分析
交叉分析一般指多维度交叉，或者不同指标之间的交叉
多维度交叉其实有点类似对比分析的第三类分类方法，这里不在赘述了，还是那个图，但是在实际分析中的作用其实很是强大，具体如何应用就需要大家举一反三啦，仔细看看这张图，可以换成哪些分析场景下的哪些场景的交叉分析：
不同指标交叉一般用在分析变化趋势中，或者寻找相关因素的时候，上图：
这样既能看绝对值的变化，又能一目了然的看出变化趋势，如果不同指标之间呈现一定的相关性，那就是相当完美了
2.4漏斗分析
漏斗分析模型比较好理解了，一般在行为分析中常用到，直接上图吧：
是不是有点眼熟？漏斗分析一般分析应用在分析用户使用某项业务时，经过一系列步骤转化的效果，因为用户会沿着产品设计的路径到达最终目标事件，在分析每一步转化的时候会用到这个模型
2.5矩阵分析
矩阵分析是一个不错的分析模型，主要用在分类上面，常见的有用户分类、产品分类等，比如像常见的RFM模型是一个三维矩阵，有八个象限，上两个图看看：
矩阵分析其实不难理解，但是涉及到一个比较关键的问题，就是临界点怎么选择，通俗来说就是第一象限和第二象限的临界值是多少，有的是0，有的不是0，举个例子：
我想用活跃度和累计消费金额对1万个用户进行分群，使用矩阵分析
我建好了这个二维矩阵，我第一件事就是先要确定原点的坐标值，也就是说用户的累计消费金额大于x，就会出现在第一/四象限，如果小于x，就会出现在第二/三象限，想确定这个值需要一定的方法，会用到一些分类算法，这个可以去网上查一些关于分类的教程，有很多，后续我会写一盘文章来介绍分类，这里就不细讲了
以上就是数据分析最重要的两个模块，当然在实际操作中还有很多需要思考的地方，太细节的东西不太能够面面俱到，这里留给大家去思考的空间，比如：
数据分析报告怎么讲成一个故事，比如背景-现状-原因-策略-预期结果-复盘结果？
每一页PPT怎么排版会让你的数据分析报告可读性更高？
如果你的数据分析报告不采用上述的结构，还能用哪些结构？
怎么让你的数据分析报告显得更高大上？
可以留言交流哦
融资余额，即融资余额和融券余额，是一种可以衡量股票市场多空变化的市场数据。
融资预期股价会上涨，从而进行融资。因此，融资余额增加意味着目前处于买方市场；
融券预测一只股票会下跌，所以向券商借证券卖出。因此，融券余额的增加可能说明目前处于卖方市场。
但如果只分析一天的融资融券余额，可能不代表什么。更好地保持融资融券双方的平衡可持续，具有更强的指导意义。也就是说，融资余额不断增加，未来进一步上涨的概率大，融券余额不断增加，可能预示着未来进一步下跌的概率大。
如果融资余额大于融券余额，虽然投资者可以卖空，但目前投资者能拿到的证券来源很少，部分投资者达不到开通融资融券的权利，所以融资余额大于融券余额对投资者是有利的。
