同花顺dde指标(dde指标计算方法)

2023-05-18 13:17分类：股票分析阅读：

截至10点25分，上证指数报收4035.22点，下跌35.69点，下跌0.88%，早盘运行区间为3974.30点-4045.66点；深证成指报收13510.50点，下跌8.01点，下跌0.06%，早盘运行区间为13184.67点—13559.38点；两市早盘成交4561.01亿元。

从同花顺（300033）Level-2沪深两市资金流向看，截至10点25分，沪市大单资金净流出69.44亿元，深市大单资金净流出43.57亿元，创业板市场大单资金净流出5.93亿元。

LEVEL-2同花顺指数66个行业板块，42个上涨表现，24个下跌报收。上涨前三的板块分别为景点及旅游、农产品加工、养殖业，涨幅分别为3.64%、3.62%、3.39%；下跌前三的板块分别为采掘服务、证券、银行，跌幅分别为2.49%、2.08%、1.69%。

LEVEL-2同花顺板块BBD显示，同花顺66个行业板块，4个大单资金净流入，62个大单资金净流出。种植业与林业、景点及旅游、农业服务等三个板块位居板块大单资金净流入前三，净流入额分别为1.50亿元、1.30亿元、0.32亿元。证券、银行、建筑装饰等三个板块位居板块大单资金净流出前三，净流出额分别为19.05亿元、17.59亿元、17.14亿元；55个板块大单资金净流出在亿元以上。

LEVEL-2同花顺个股DDE显示，两市2251只在交易个股，375只大单资金净流入，1876只大单资金净流出。其中中成股份（000151）、天音控股（000829）、四川长虹（600839）等三只个股大单资金净流入额分别为1.82亿元、1.59亿元、1.43亿元，居个股大单资金净流入前三位。而中国中车（601766）、汉缆股份（002498）、中国中冶（601618）等三只个股大单资金净流出额分别为6.68亿元、6.18亿元、4.56亿元，居个股大单资金净流出前三。

计算机应用板块今日板块资金流出第一，截至10点25分，板块下跌2.08%，6月中旬以来市场的一场深度调整，让投资者开始回归理性与冷静。尤其是对于此前无限风光的“互联网+概念股”，当互联网行业弱肉强食的残酷性以及烧钱本质逐渐暴露之后，敏锐的市场人士已经预见到，未来市场的风险可能不在于上市公司因为传统业务下滑而导致业绩不佳，而更多可能变成上市公司本身的转型风险。

分析认为，市场反弹带来的结果不是齐涨齐跌，而是将出现分化格局，这种分化带来的是概念支撑股价的作用将逐步退潮，甚至不排除那些纯概念公司在反弹后再创新低的可能。(同花顺财经原创中心)

大盘后市走向如何股市热点为您解析

截至中午开盘，沪深300指数成份股资金流出98.93亿元，且有持续流出的趋势。沪深300指数成份股中资金流出居前的3个板块是：军工，计算机应用，房地产开发。上午沪深两市成交金额超4300亿元。

军工：短期涨幅巨大有调整需求

超级大单流出：13.83亿资金持续流出：2个交易日弱势指数：7

消息面来看，国防军工利好不断。近日，国防科工局副局长徐占斌近日在军民融合发展论坛上明确提出，加快提高军工资产证券化率，鼓励地方先行先试探索发展混合所有制经济。据有关机构测算，我国十大军工集团资产证券化率平均只有30%左右，军工资产证券化步伐刚刚起步，未来想象空间巨大。军工股已经成为国资改革题材的主力军。受利好影响，军工板块成为反弹主力军，亚星锚链，航天电器，中航光电等军工股概念股反弹创新高，一举拿下5178点的高点价格，今日获利盘涌出，投资者注意投资风险！

同花顺Level-2板块资金流向图

计算机应用：央行出政策限制互联网金融发展

超级大单流出：23.53亿资金持续流出：5个交易日弱势指数：8

消息面上，7月31日，央行发布《非银行支付机构网络支付业务管理办法(征求意见稿)》，其中，第三方支付单个客户单日累计金额应不超过5000元、支付账户需进行多种方式交叉验证等规定几乎成为了第三方支付机构的命门，对此，有网友直呼“5000元限额根本不够用！”

同花顺Level-2板块资金流向图

房地产开发：李嘉诚再次抛售内地房产

超级大单流出：3.26亿资金持续流出：8个交易日弱势指数：7

消息面上，香港富豪李嘉诚麾下房地产开发商长江实业地产有限公司(Cheung Kong Property Holdings LIMITED ,1113.HK, 简称：长实地产)打算出售位于上海的一处办公楼和零售地产项目。

分析认为，该交易将标志着李嘉诚再次抛售内地地产项目。作为亚洲富豪之一，李嘉诚的动作受到密切关注，成为解读他如何看待市场动向的信号。(同花顺财经原创中心)

同花顺Level-2板块资金流向图

大盘后市走向如何股市热点为您解析

一.系统性能

　　系统性能是一个系统提供给用户的众多性能指标的集合体。它既包括硬件性能，也包括软件性能。随着计算机技术的不断发展，根据不同的应用需要产生了各种各样的性能指标，如整数运算性能、浮点运算性能、响应时间、网络带宽、稳定性、I/O 吞吐量、SPEC-Int、SPEC-Fp、TPC、Gibson mix 等。要衡量这些性能指标，就需要性能计算。同时用户对性能需求的多样性和广泛性也更进一步加快了计算机技术的发展，并由此出现了一个新的分支：性能设计。性能设计主要包含两方面的内容：一是作为未来计算机技术发展的参考和规划；另一个则是对现有系统进行性能上的调整以达到最优化。系统性能的方面如下：

性能指标：当前流行系统主要涉及的性能指标；
性能计算：当前使用到的主要性能指标的计算方法；
性能设计：对现有系统进行性能调整优化，并提供成熟的设计规则和解决方案；
性能评估：对当前取得的性能指标进行评价和改进。

性能提升

二.性能指标

　　性能指标，既包括软件，也包括硬件。在硬件中，既包括计算机，也包括各种通信交换设备，以及其他网络硬件；在软件中，既包括操作系统和各种通信协议，也包括各种参与到通信中的应用程序，如数据库系统、Web 服务器等。

计算机：时钟频率（主频）、高速缓存、运算速度、运算精度、内存的存储容量、存储器的存取周期、数据处理速率、响应时间、RASIS 特性、平均故障响应时间、兼容性。RASIS 特性是可靠性（Reliability）、可用性（Availability）、可维护性（Serviceability）、完整性（Integraity）和安全性（Security）五者的统称。
网络：设备级性能指标（主要指路由器）、网络级性能指标、应用级性能指标、用户级性能指标（可靠性和可用性）、吞吐量。
操作系统：系统的可靠性、系统的吞吐量、系统响应时间、系统资源利用率、可移植性。
数据库管理系统：数据库描述功能、数据库管理功能、数据库的查询和操纵功能、数据库维护功能。
Web 服务器：最大并发连接数、响应延迟、吞吐量（每秒处理的请求数）、成功请求数、失败请求数、每秒点击次数、每秒成功点击次数、每秒失败点击次数、尝试连接数、用户连接数。

KPI

三.性能计算

　　随着计算机系统复杂度的不断增长，性能指标也随之水涨船高，这也增加了衡量计算机系统性能的难度。如何在众多指标中选取合适的性能指标，以及选择何种衡量方法都成为一项重要的课题，因此也衍生了各种性能评估体系。

　　性能指标计算的主要方法有：定义法、公式法、程序检测法、仪器检测法。定义法主要根据其定义直接获取其理想数据，公式法则一般适用于根据基本定义所衍生出的复合性能指标的计算，而程序检测法和仪器检测法则是通过实际的测试来得到其实际值。

　　有些性能指标，在不同的环境中，其名字相同，但计算方式和结果可能相差甚远，例如，吞吐量、带宽等，在计算机、路由器、交换机和网络中多处出现了有关吞吐量的定义，但其具体的含义不尽相同。

1．MIPS 的计算方法

公式中，Fz 为处理机的工作主频，CPI（Cycles Per Instruction）为每条指令所需的平均时钟周期数，IPC 为每个时钟周期平均执行的指令条数。

2．峰值计算

　　衡量计算机性能的一个重要指标就是计算峰值或者浮点计算峰值，它是指计算机每秒钟能完成的浮点计算最大次数。包括理论浮点峰值和实测浮点峰值。理论浮点峰值是根据计算机理论每秒钟能完成浮点计算的最大次数，它主要是由CPU 的主频决定。

理论浮点峰值 = CPU 主频′CPU 每个时钟周期执行浮点运算的次数′系统中 CPU 数。

3．等效指令速度

　　静态指令使用频度指的是在程序中直接统计的计算机速度。动态指令使用频度指的是在程序执行过程中统计的指令速度。在计算机发展的早期，用加法指令的运算速度来衡量计算机的速度。后来发展成为等效指令速度法或吉普森（Gibson）法，在这种方法中，通常加、减法指令占 50%，乘法指令占 15%，除法指令占 5%，程序控制指令占 15%，其他指令占15%。

算盘：古老的计算机器

编辑导语：作为产品经理行业中的一个分支，你了解数据产品的内涵及岗位定义吗？其实，数据产品的本质是结构化思维，数据产品经理需要利用结构化思维进行数据洞察，挖掘潜藏于数据背后的价值。本篇文章里，作者对数据产品究竟为何做出了自己的见解，一起来看一下。

本文适合 2 年以上产品经理阅读食用。本篇文章是本人 6 个月来思考和实践，希望对于你有用。

当互联网时代，迈入大数据时代，数据产品作为新型的产品形态出现你我面前。

今天的文章，我想跟产品经理的你，科普“数据产品”。

一、数据产品，是什么？

对于很多产品经理来说，数据产品是一个很陌生的概念。

数据产品包含两个关键词：产品和数据，那，什么是产品？

产品，是企业跟用户进行价值交换的媒介。

用户永远只关注得到什么，需要付出什么，企业关注解决用户问题，从用户获取相等或超出的价值。

怎么进行他们价值互换？通过产品。

数据产品属于一种产品类型，它是通过结构化数据，跟用户进行价值交换的产品。

数据产品和其他类型产品的核心区别，它是通过数据来解决问题。

数据也能解决问题，很反直觉，我们举个例子：数据看板。

产品经理日常工作除了按版本交付产品功能之外，还要考虑如何将产品背后的关键数据进行提升。

产品经理如何发现产品关键数据出现问题呢？

通过数据看板来解决这个问题。

数据看板通过将产品数据指标，加上时间、页面等不同维度，实时动态展示产品数据，协助产品经理衡量新版本上线后数据优劣。

除了数据看板，我们常听到大数据分析、数据中台都属于数据产品。

对一件事件，知其然远远不够，还要知道数据产品的本质。

数据产品的本质是，结构化数据思维，也叫度量。

二、数据产品的本质

什么是结构化数据思维？

要理解什么是结构化数据思维，我们先了解什么是结构化数据。

结构化数据，指通过二维表结构，逻辑描述个体信息的数据。

我们都用过Excel描述过信息，例如我们登记员工信息，我们会在表格罗列，姓名，性别，年龄等，并在字段下方填写员工的信息。

这样的结构就是二维表结构，一行数据，就是一个个体信息数据。

结构化数据的好处在于清晰描述个体信息，且方便从数据上发现问题和解决方案。

假如要了解公司男女比例，通过结构化数据，筛选求和，很简单得出答案。而不是需要一个一个清点公司男女生人数。

结构化数据思维，是指系统思考个体结构，用数据解读个体特征的思维。

什么意思？

当遇到问题时，很多人都会陷入解题思维，即遇到问题，直接思考解决方案的思维。就是芒格说的，拿着锤子的人，看啥都像钉子。

解题思维最大的问题在于，我们容易被自己自己现有的工具迷惑，而忽视问题本身的需求，忘了更好地解决问题才是目的，甚至为了使用工具而去制造问题。

如果我们用结构化数据思维，该如何解决问题呢？

结构化数据思维，第一思考，是谁的结构化？即需要找对问题，或需求的主体。

如果我们找错主体，后续结构化数据做得再成功，无法解决问题。

第二思考，主体结构是怎么样？即包含几个核心特征和非核心特征。

个体结构由核心特征和非核心特征组成。核心特征，是能确定一类用户的关键属性。

比如性别和身体残疾度是区分公共厕所的用户核心特征，所以公共厕所有男女厕所，残疾人厕所。

如果按年龄设计，就会造成公共厕所使用的混乱和各种问题。

第三思考，个体特征形成二维表结构，填充数据。

当问题或者需求被我们结构化，数据化后，问题的本质继而被清晰化、简单化，解决方案就成一件简单的事情。

三、数据产品的价值

对于非数据产品经理，数据产品的价值在哪里？它能带来什么？有什么用？

数据产品，有三个关键价值：

1. 挖掘问题背后的本质

挖掘问题背后的本质，这一点在数据产品的本质有很好展示，数据产品对于问题的描述，一定是以数据进行输出结果。

使用数据产品解决问题过程中，我们会不断被要求对问题的个体进行结构化，数据化，挖掘其真正的本质。

俞军大佬曾抛出一个问题：“如何让用户更多地使用拼车功能？”

如果你是滴滴产品经理，你该如何解决你老板的问题？

直接上线拼车促销活动？还是直接将拼车放在滴滴流量最大的入口，增大曝光？

但问题是，我们怎么判断自己的方案是正确的？

解题思维带给我们坏处，往往是解决方案没有从本质上解决用户需求，忽略问题背后的陷阱和风险，当冒出问题时，只能通过打补丁解决，导致产品功能复杂程度增加和糟糕的产品体验。

如果我们用数据产品，该如何解决这个问题呢？

整体分三步走：找个体 ➡️ 抓特征 ➡️ 填数据。

第一，要找到问题中的个体。

如何让用户更多地使用拼车功能？那么：这个问题中用户是谁？

要知道用户是谁，我们可以从需求侧推导用户，打车核心需求是更快、更舒服抵达目的地。

与打车相反的是，公共交通。因为价格便宜，但时间长，下上车区域固定。

到这里，目标用户浮出水面，拼车用户是依旧使用公共交通，但不想使用公共交通，又想低成本出行的用户。

第二，抓取个体的特征。

拼车用户有 2 个核心特征：价格和时间。对价格不同敏感程度和时间不同敏感程度，会形成多种用户类型。

通过核心特征抓住核心用户，用非核心特征丰富核心用户，比如性别、年龄、打车地点等，形成一个结构化数据表格。

第三，补充个体数据。

个体数据可以从存量用户中提取，如果没有或存量用户数量太少，可以对核心类型用户做用户调研获取数据。

核心用户可能会分出很多类型，所以需要统计各个用户量的占比，以此筛选出我们P0-P1级别的用户，作为种子用户。

问题可以通过到数据描述时，这个问题本质变成：“通过什么方案可以使敏感价格xxxxx类型的用户尝试使用或者持续使用拼车功能？”

挖掘到问题本质，问题随之变简单了，解决方案同样变简单，对解决方案正确性，就有了判断，才有把握能解决俞军大佬的问题。

2. 不确定性的问题定量成确定性的问题

数据产品的价值，不单单在于它在追求问题本质，而且它能将不确定性的问题定量成确定性的问题。

在俞军大佬的问题里，“如何让用户更多地使用拼车功能”，这是一个典型的不确定性的问题。

这样的不确定性问题，在我们日常工作，企业决策都会遇到。例如：如何快速增长？如何完成KPI？等等。

基于不确定性问题思考的解决方案，能否解决问题，也是不确定性的。

解决方案结果的不确定性，大概率没法有效解决问题，持续浪费公司资源，解决新的问题，这对产品经理后续发展是不利的。

如果我们解决方案复杂，大部分情况下，是我们没有找到真正的需求或问题。

通过数据产品，我们可以确定真正的问题时，将不确定性的问题定量成确定性问题。

例如：如何让用户更多地使用拼车功能？通过数据产品思维，我们可以定量成：

通过什么方案可以使白领A类型的用户尝试使用拼车功能？
通过什么方案可以使大学生B类型的用户持续使用拼车功能？
·······

当不确定性问题可以定量成确定性问题时，意味问题简单化、结构化、数据化，从而解决方案也变得简单、可控。

3. 产品经理未来的核心竞争力

看到问题或者需求，每个产品经理都会输出解决方案。

核心的区别，是能不能解决问题或需求，以及解决方案的效率高低。

所以，能否快速找对问题，然后发现问题本质，成了解决方案关键因素。

拥有数据产品思维，就是我们和其他产品经理的差异化。在解决问题上，与解题思维的产品经理相比，我们拥有优势。

我们不断使用数据产品思维去解决遇到问题，积累的经验和效率会成为我们天然的护城河，别人很难复制。

通过差异化+优势+护城河，数据产品成为了我们核心竞争力。是我们自身能力一项资产。

这项资产可以在未来，帮助我们在职业发展中获取优势，且不容易被时代淘汰。

四、数据产品的核心三要素

数据产品由核心三要素组成，即：指标、维度、口径。

1. 指标

数据产品的第一个核心要素，叫指标。指标是构建数据产品的线。

指标，是指个体可量化衡量的客观标准。

个体的标准分为两类，主观标准和客观标准，主观标无法充当指标，因为主观标准在每个人的量化值不一样。

比如颜值，一个人颜值在1000个人可能就有1000中数值，无法形成一致认知。

客观标准，客观存在，不以主观意志而改变，可定性定量的标准。比如身高，一个人身高180cm，不管多少人，都能形成一致认知。

客观标准，又分为定性客观标准，和定量客观标准。

定性客观标准，指通过非量化可定义的客观标准，比如性别、学校等。定量客观标准，指可量化的客观标准，比如身高、体重等。

指标，是指定量客观标准，定性客观标准，我们常用作维度使用。

为什么？

因为数据产品的核心是结构化数据，能够进行数据加工，结合模型，输出结果。

定性客观标准，并不能进行数据加工计算，所以指标必须是定量客观标准。

比如：性别无法做指标，男女两个值无法运算，但是男性人数，女性人数是输出可运算的数值，所以男性人数/女生人数是指标。

掌握指标概念，是我们通过数据，描述个体或问题的关键之一，而另一关键，是找对指标。

数据产品其中一个重要作用，是提供决策分析判断，找错指标，找少指标，或过多指标，都会给数据产品带来决策判断错误的风险。

找错指标，我们对问题认知从开始就是错误的，后续的判断也是错误，解决方案自然无法解决问题，浪费公司资源。
找少指标，会使我们视野变得狭隘，没有办法全面看清问题，对问题认知是片面，解决方案也只能解决部分问题，后续引发的问题，需要通过不断打补丁，来解决引发问题。
过多指标，虽然让我们全面看待问题，但将问题边界扩大化，问题边界扩大化会带来2个问题：迷惑我们看清解决问题核心关键点，以及对扩大化问题，解决资源的投入产出比不佳。

找对指标，只需要2步：

第一，找到问题的核心个体，尽可能罗列个体相关的指标，直至想不到为止。

这个过程，我们尽可能获取指标，以解决「找少指标」带来的问题，同时将指标的选择范围扩大，让我们拥有更多选项提供选择，更好的视野来审视问题。

第二，按特定逻辑梳理指标，砍掉多余指标。

第一步罗列所有指标并不都可以用，而太多指标会迷惑我们看清问题，所以我们要砍掉多余的指标。

特定逻辑，指具体的业务场景，或者系统流程、业务流程等，与逻辑不符合的指标，直接砍掉，保留相关指标。

通过这一步，避免了「找错指标」和「过多指标」带来的问题，给我们找对指标提供依据。

当我们找对了指标，我们需要给它加上另一个核心元素：维度。