资金流向数据怎么用：净流入607亿与行业加码跟踪

1. 资金流向数据到底在讲什么故事

2月的资金流数据出来以后，后台问得最多的一个问题就是：净流入607亿，这个数字到底该怎么用？先把话说在前面，单看一个总数意义不大，真正值得琢磨的是“转向”这两个字——1月还在净流出，2月翻成正流入，这种方向的切换往往比绝对金额更能说明问题。我平时做资金面跟踪，习惯把它拆成三层：谁在买、买了多少、买到了哪些行业。这三个问题分别对应参与者结构、量能强度和行业归因，缺一层，结论就容易跑偏。

这篇内容面向两类人：一类是想看懂财经新闻里“资金加码某行业”到底意味着什么的新手，另一类是已经在做数据跟踪、但苦于口径混乱、指标不成体系的朋友。我会把北上资金（也就是通过互联互通机制进出A股的那部分境外资金，市场习惯叫这个名字）的净流入是怎么统计的、607亿这个量级在历史上处在什么位置、行业层面的“加码”该怎么验证，一步步拆开讲。中间会给出可直接复现的字段设计、打分模型和Python代码，也会聊几个我自己踩过的坑，比如为什么两个平台显示的行业净流入能差出十几个亿。

先说结论性的判断逻辑：资金流向是结果数据，不是原因数据。它记录的是已经发生的成交，不能直接推导未来涨跌。但它有两个用处是实打实的——第一，它能反映某段时间内市场参与者的偏好迁移，帮你判断当前的主线在哪；第二，它能量化“共识强度”，当一个行业连续多日、多数个股都出现净流入时，这种广度上的扩散比单日爆量可信得多。把这两点用好了，资金流数据就是一个不错的辅助工具；用不好，就会变成追涨杀跌的加速器。

1.1 “转向”比“607亿”更值得盯

很多人看到新闻标题第一反应是记住那个数字，其实更应该关注的是方向变化发生的时间点。1月净流出、2月净流入，这种月度级别的翻转，背后通常对应着汇率预期、海外风险偏好、以及A股自身估值位置的变化。我在做月度复盘时会给“转向”单独设一个观察项：连续两个月的净流入方向是否一致，如果不一致，就去看转折那一周的日度数据，找出是哪几天贡献了主要增量。

具体怎么看？把2月的日度净流入拉成一条曲线，你会看到它大概率不是均匀分布的，而是集中在少数几个交易日。我把这种形态叫“脉冲式流入”。脉冲式流入和“细水长流式流入”的含义完全不同：前者往往对应事件驱动，比如某份宏观数据超预期、或者某个重要会议释放了信号，资金的持续性存疑；后者才是配置型资金在慢慢建仓，更值得跟踪。判断方法很简单，算一下2月净流入总额里，前三个交易日贡献了多少比例。如果超过六成，那这个607亿的“含金量”就要打个折扣。

还有一个容易被忽略的点：转向发生时，往往伴随着成交量的同步放大。如果2月的净流入是在全市场成交额萎缩的背景下发生的，说明是存量资金在调仓，行业之间的跷跷板效应会非常明显；如果成交额同步放大，那更可能是增量资金进场。这两种情况对行业选择的意义截然不同，前者你要做的是“跟着钱从哪搬到哪”，后者你可以更从容地看行业本身的景气度。我在表格里专门留了一列记录全市场日均成交额，就是为了做这个交叉判断。

1.2 607亿的三种读法：绝对量、相对量、结构量

绝对量最好理解，607亿就是2月净买入的成交额差额。但这个数字放在历史里是什么水平？我一般会拉出过去三年的月度净流入序列，算一个分位数。如果607亿落在70%分位以上，说明这个月的流入强度是偏高的；如果只有40%分位，那就只是恢复性流入，谈不上强势。这一步的意义在于给自己一个锚，避免被“607亿”这个大数字吓到或者兴奋到。

相对量是我更看重的。算法是用月度净流入除以当月末该渠道持有A股的总市值，得到一个千分比。这个指标能剔除市场规模扩张带来的干扰，做跨年度比较时更靠谱。举个例子，同样是600亿的净流入，在两三年前的市场体量下可能只占千分之三，放到现在可能只有千分之二，强度其实是下降的。我自己常用的阈值是：单月流入强度超过千分之三算强，千分之一到千分之三算中性，低于千分之一算弱。这个阈值不是标准答案，你可以根据自己的跟踪周期调整。

结构量指的是这607亿在行业和个股上的分布。这里有个经验：如果流入高度集中在两三个行业，占比超过六成，那说明这是一次主题性配置，资金有明确的进攻方向；如果分散在十几个行业，每个都不超过10%，那更像是被动型资金或者指数化配置在动。这两种结构对应完全不同的应对方式。前者你需要去研究那几个行业发生了什么，后者你只需要知道整体风险偏好在回升就够了。我在2月的数据里看到的是前者特征比较明显，所以后面重点就放在行业归因上。

1.3 为什么不同平台的口径经常对不上

这是新手最容易懵的地方：同一个交易日，A平台说净流入85亿，B平台说净流入62亿，差出来的23亿去哪了？原因通常有三类。第一类是成交口径和持仓口径的差异，前者是按当日买入卖出成交额轧差，后者是按托管持股数量变化乘以均价估算，两者在有大宗交易或者转托管的时候会出现偏离。第二类是统计范围，有的平台只统计纳入某一指数的标的，有的统计全市场。第三类是更新时间，日度数据有盘中估算和盘后结算两个版本，你看到的可能是估算值。

我的处理办法是固定一个数据源做主口径，其他源只用来做交叉验证，绝不在同一条序列里混用。这一点很重要，我见过有人把两个平台的数据拼在一起做趋势线，结果画出来的曲线在月中有一个莫名其妙的跳变，还以为是市场异动，其实是换源了。如果你确实需要多源对比，那就把每个源单独成列，分别算趋势，只在结论层面互相印证，不要在数据层面做拼接。

还有一个坑是“净流入”和“净买入”这两个词经常被混用。严格来说，净买入指的是主动买入成交额减主动卖出成交额，净流入有时包含被动成交的估算。日常看新闻不用抠这么细，但如果你要下判断，最好在笔记里标清楚用的是哪种。我自己在表格字段名上会写成net_active_buy和net_holding_chg，强制区分，这样半年后回头看不会糊涂。

2. 净流入的计算细节与数据清洗

聊完读法，得落到算法上。很多朋友做资金跟踪做不下去，不是不会写代码，而是数据一进来就脏得没法用。我见过最典型的情况是：某只个股当月有停牌，持仓数据出现断层，直接算差值会得到一个巨大的假流入或者假流出；还有分红除权导致的持仓数量变化，也被误判成买卖。所以这一节我把顺序倒过来，先讲清洗，再讲计算，因为清洗做不好，后面的模型全是垃圾进垃圾出。

清洗的核心原则是“让每一行数据都对应一个真实可比的交易日”。具体要做四件事：剔除停牌区间、处理除权除息、区分大宗交易和竞价交易、排除ETF申赎带来的份额变动。这四件事听起来琐碎，但每一件都影响最终数字的量级。我在早期做过一次回溯，发现没做除权处理的版本，月度行业净流入的误差能到5%以上，对于判断行业排序来说，这个误差足以让第一名和第三名互换位置。

清洗完之后才是计算。日度净流入的基础公式是买入成交额减卖出成交额，这个没什么争议。争议在聚合层面：算行业净流入时，是简单加总个股，还是按流通市值加权？我的做法是两个都算，简单加总用来看绝对规模，加权用来看相对强度。因为一个行业里可能有一只超大市值股票贡献了八成流入，简单加总看起来这个行业很热，但加权之后你会发现其实只有一只票在动，广度并不好。这两个指标配合看，能避开不少“伪加码”的陷阱。

2.1 成交口径：买入减卖出，但有三个细节要注意

第一个细节是主动买卖的判定。不同的数据源对主动性成交的判定规则不完全一样，常见的是按逐笔成交的价格相对于当时买一卖一的位置来判断。这个细节在个股层面影响不大，但在高频策略里很关键。日常跟踪用日度数据的话，直接用数据源给的买入额、卖出额字段就行，没必要自己重算。

第二个细节是总额口径和净额口径的区别。有些平台提供的“成交额”是买入加卖出，有些只给净额。如果你拿到的是总额，需要自己拆；如果拿到的是净额，那直接就是答案。我在建库的时候会统一存成买入额、卖出额两列，这样后面无论想看总额还是净额都能算，灵活度高一些。这个习惯是从一次数据回补的经历里养成的，当时只有一个净额字段，想做双边分析完全没办法，只能重新拉一遍历史。

第三个细节是集合竞价的处理。开盘和收盘的集合竞价成交，在不同源里的归属时点可能不一样，有的算在当日，有的算在次日。这个差异在日度序列上会造成轻微的自相关，做短周期信号时要注意。我的处理方式是把集合竞价单独打标，做长周期分析时合并，做日内分析时拆开。普通投资者用不上这么细，但如果你发现连续几天的净流入数值都有尾数异常，大概率就是这类时点归属问题。

2.2 数据清洗的四个固定动作

第一个动作是停牌标记。每只股票在每个交易日的可交易状态要单独存一列，停牌日直接置空，不参与聚合。这样做的原因是，停牌期间持仓不变，但复牌后可能一次性补跌或补涨，如果把停牌前后的持仓变化当成资金行为，会严重误判。我做行业打分时，会把停牌股从行业分母里剔除，否则广度指标会被稀释。

第二个动作是除权除息调整。分红送转会导致持仓数量变化，但这种变化不是买卖行为。处理方法是用复权因子对持仓数量做还原，或者干脆改用成交额口径来算资金流，绕开持仓数量的干扰。我个人倾向于后者，因为成交额口径天然不受除权影响，而且和价格数据的匹配度更高。缺点是它只反映交易行为，不反映持有意愿的变化，所以我会另外保留一个持仓变动序列作为补充。

第三个动作是区分大宗交易。大宗交易的成交价通常有折价，而且买卖双方往往是协议好的，把它和竞价交易混在一起算净流入，会放大短期波动。我的做法是给大宗单独打标，做常规资金流分析时排除，只在研究机构调仓时单独看。这一步能显著降低单日数据里的噪声。

第四个动作是排除ETF申赎。有些资金通过申购ETF的方式间接买入一篮子股票，这会体现在成分股的持仓变化上，但并不是主动选股行为。如果你跟踪的是行业偏好，这种被动流入应该剥离。识别方法是看ETF份额变动和成分股持仓变动的相关性，如果某段时间相关性异常高，就要警惕了。

2.3 行业归因：把个股资金映射到行业的两条路径

第一条路径是按行业分类标准直接映射，每只股票对应一个行业代码，聚合时按行业分组求和。这条路径简单直接，适合做常规的行业资金流排名。需要注意的是一致性问题：不同平台的行业分类标准可能不同，有的是三十个一级行业，有的是十几个大类，切换标准会导致排序变化。我在建库时会同时存两套分类，一套细的用于研究，一套粗的用于对外表述，避免口径打架。

第二条路径是按业务权重拆分，适合那些跨行业经营的公司。比如一家公司既有设备制造业务又有材料业务，简单归到某一类会失真。这条路径更精细，但需要额外的业务构成数据，维护成本高。我的建议是：常规跟踪用第一条路径就够了，只有在研究特定主题（比如某类上游材料）时才启用第二条。

归因做完之后，一定要做一次“反向校验”：把行业净流入加总，看是否等于全市场净流入。如果差得比较多，说明有个股没被归到任何行业里，或者有重复计算。这个小检查我每次跑完数据都会做，能抓出不少隐藏的脏数据问题。

3. 一套可复现的行业加码跟踪流程

到这一步，数据已经干净了，接下来是把它变成能用的信号。我的做法是搭一个简单的打分面板，不追求复杂模型，核心是把“流入强度、持续性、扩散广度”三个维度量化出来，再加权成一个综合分。这套东西的好处是可解释——每个行业为什么排在前面，你能一眼看出是强度高还是广度好，而不是一个黑箱给出个数字。

流程分四步：字段设计、指标计算、阈值设定、复盘记录。这四步是一套闭环，缺了复盘那一步，前面做得再精细也只是自娱自乐。我见过不少人做了一堆漂亮的可视化，但从没回看过信号发出后一周的实际表现，结果用了半年才发现某个阈值设得完全不合理。下面我把每一步的具体做法写出来，你可以直接照着搭。

代码我用Python写，pandas足够，不需要什么重型框架。数据处理部分大概五十行，打分部分二十行，跑一次全市场日度数据在普通笔记本上也就几秒钟。如果你不写代码，后面我也会给Excel的替代方案，用数据透视表加几个公式同样能做出来，只是更新起来要手动一些。

3.1 面板字段设计：至少要有这九列

一个够用的行业资金面板，我建议包含这些字段：交易日、行业代码、行业名称、当日净流入、当日行业成交额、流通市值、净流入个股数、行业个股总数、连续净流入天数。前三个是主键，中间三个是基础量，后三个是衍生量的原料。有了这九列，后面几乎所有指标都能算出来。

为什么要单独存成交额？因为强度指标要用它做分母。净流入除以成交额，得到的是“流入占交易的比例”，这个指标比绝对金额更能反映资金的坚决程度。举个例子，两个行业都流入5个亿，一个成交额是20亿，一个是200亿，前者的比例是25%，后者只有2.5%，含义完全不同。我早期只看绝对金额，结果总是被大市值行业霸榜，后来加了强度指标才看清真实情况。

连续净流入天数这个字段看着简单，实际很有用。它衡量的是持续性，能过滤掉那些“一日游”的行业。算法是从当前日往前数，遇到第一个净流出日就停止。实现上有两种写法，一种是循环，慢但直观；一种是用累积乘积的技巧，快一些。数据量不大的话用循环就行，我贴的代码里用的是分组累计的方法。

3.2 三个核心指标的计算方式

流入强度等于滚动净流入除以滚动成交额。滚动窗口我一般用5日和20日两个，5日看短期脉冲，20日看中期趋势。用比例而不是差值，是为了消除行业规模差异。计算时要注意分母不能为零，停牌多的行业要特殊处理。

扩散广度等于净流入个股数除以行业可交易个股数。这个指标的意义在于区分“龙头拉动”和“全面开花”。广度低于40%说明只有少数股票在吸金，持续性往往不好；广度高于60%说明行业内部形成共识，信号更可靠。我在实际使用中发现，广度指标对判断行情的可持续性比强度指标还管用，尤其是那些市值分布比较均匀的行业。

持续性用连续净流入天数来量化，但直接拿天数做比较会有问题，因为不同行业的波动率不同。我的处理是把天数做一次标准化，转换成同尺度后再参与打分。标准化用简单的z-score，也就是减去均值除以标准差。这一步做完，三个指标就可以加权了。

import pandas as pd import numpy as np # 读取日度个股资金数据，字段示例 # trade_date, code, industry, buy_amt, sell_amt, float_mv, is_tradable df = pd.read_csv("daily_flow.csv", parse_dates=["trade_date"]) df = df[df["is_tradable"] == 1].copy() df["net"] = df["buy_amt"] - df["sell_amt"] # 聚合到行业日度 ind = (df.groupby(["trade_date", "industry"]) .agg(net=("net", "sum"), amt=("buy_amt", "sum"), float_mv=("float_mv", "sum"), n_total=("code", "count"), n_in=("net", lambda s: int((s > 0).sum()))) .reset_index()) ind["breadth"] = ind["n_in"] / ind["n_total"] ind = ind.sort_values(["industry", "trade_date"]) # 滚动净流入与滚动成交额 for w in (5, 20): ind[f"net_{w}d"] = (ind.groupby("industry")["net"] .transform(lambda s: s.rolling(w, min_periods=w).sum())) ind[f"amt_{w}d"] = (ind.groupby("industry")["amt"] .transform(lambda s: s.rolling(w, min_periods=w).sum())) ind[f"intensity_{w}d"] = ind[f"net_{w}d"] / ind[f"amt_{w}d"].replace(0, np.nan) # 连续净流入天数 def run_len(s): out, cnt = [], 0 for v in s: cnt = cnt + 1 if v > 0 else 0 out.append(cnt) return pd.Series(out, index=s.index) ind["persist"] = ind.groupby("industry")["net"].transform(run_len)

这段代码里有个细节值得说一下：transform配合rolling是按行业分组滚动，不会跨行业串数据。如果你直接对整个表做rolling，那就错了。我第一次写的时候就在这里翻过车，算出来的滚动值大得离谱，排查了半天才发现是没分组。

3.3 综合打分与阈值设定

打分用加权求和，权重我建议是强度0.5、广度0.3、持续性0.2。这个权重不是拍脑袋，而是根据我自己的复盘结果调的：强度对短期收益的解释力最强，广度次之，持续性更多是用来做过滤的。你可以根据自己的持仓周期调整，短线可以加大强度权重，中线可以加大广度权重。

def zscore(s): return (s - s.mean()) / s.std(ddof=0) ind["score"] = (0.5 * zscore(ind["intensity_5d"]) + 0.3 * zscore(ind["breadth"]) + 0.2 * zscore(ind["persist"])) # 只看最新截面 latest = ind[ind["trade_date"] == ind["trade_date"].max()] top = latest.sort_values("score", ascending=False).head(10) print(top[["industry", "net_5d", "intensity_5d", "breadth", "persist", "score"]])

阈值方面，我给几个自己常用的参考值：5日强度超过8%算显著，广度超过60%算健康，连续净流入三天以上算有持续性。三个条件同时满足的行业，我才会放进重点观察池。注意这里是“观察池”不是“买入池”，两者的区别后面会讲。

用Excel的话，强度可以用SUMIFS算滚动净流入，广度用COUNTIFS数净流入个股，持续性用辅助列做递增计数，最后用STANDARDIZE做标准化。数据量在几万行以内，透视表刷新一下就能出结果，不写代码也完全可行。

3.4 复盘记录表：这是最容易被跳过的一步

我在表格里固定记录这几列：信号日、行业、综合分、强度、广度、持续性、信号发出时该行业近20日涨幅、信号后5日涨幅、信号后20日涨幅、相对基准的超额。后面三列是可选项，但强烈建议加上，因为只有这样才能验证你的阈值到底有没有效。

复盘的价值在于发现“条件性有效”。什么意思？就是同一个信号，在不同的市场环境下效果差异很大。比如资金加码信号在指数上行期胜率明显更高，在震荡期就容易失效。这种规律只能靠积累样本发现，看一两篇研报是得不到的。我自己攒了两年多的记录，最大的收获是发现广度指标在指数下跌末期的指示意义最强——那段时间资金开始试探性流入的行业，往往是下一轮修复的先行者。

记录表不需要多复杂，一个csv文件加几十行代码就能自动更新。关键是坚持，每周花十分钟把新信号补进去，半年后你就有了一份属于自己的样本库。

4. 行业加码信号的三层验证与场景落点

信号算出来之后，最危险的动作就是直接照着买。资金流只是一个维度，它的盲区很明显：被动配置、ETF申赎、指数调整带来的调仓，都会在数据里表现为“流入”，但这些流入并不代表有人看好这个行业的景气度。所以我在实际使用中会做三层验证，一层看量能，一层看价格结构，一层看产业数据。三层都过得去的行业，才值得深入研究。

这三层验证的顺序不能颠倒。先看量能是因为它最直接，数据就在手里；再看价格结构是为了排除“资金流入但价格不涨”的情况，这种背离往往意味着有更大的卖压在；最后看产业数据是最费时间的，但也是最能决定成败的。很多人在第一层就下单了，结果买在了资金派发的阶段。

顺便提一下2月这种“跨月转向”场景的处理。月度翻转有个特点：转折当月的行业分布往往比较散，因为资金还在试探。我的做法是把转折月拆成上下半月分别看，如果下半月的行业集中度明显高于上半月，说明主线在收敛，这时候跟进的确定性更高；如果一直很散，那就说明只是一次普涨式的风险偏好修复，不必急于找主线。

4.1 第一层：量能验证看的是“广度和持续性”

量能验证的核心不是金额大小，而是分布结构。我关注两个比例：一是行业内净流入个股占比，二是净流入的行业数量占全市场行业总数的比例。前者看行业内部的共识度，后者看市场的整体偏好。如果只有两三个行业在吸金，其他都在流出，那说明是存量博弈下的抱团，这种结构很脆弱；如果有七八个行业同时净流入，说明是增量环境，容错率高。

持续性方面，我会把5日强度和20日强度做对比。如果5日强度高但20日强度低，说明是近期突然启动，需要看有没有事件催化；如果两个都高，说明是趋势性的，可以更从容。最怕的是5日高、20日也高，但广度在下降，这种“缩量上涨”式的资金流入往往是行情末期的特征。

还有一个反向指标值得留意：某个行业连续大幅净流入之后，突然出现单日大额净流出，但价格没跌。这种情况通常是资金在换手，需要结合成交量看，如果成交量同步放大，那大概率是派发。

4.2 第二层：价格结构验证排除“假流入”

价格结构我主要看三个位置：20日均线、前期高点、以及最近的成交密集区。资金流入的行业如果价格站上20日均线并且均线走平向上，说明流入是有效的；如果价格还在均线下方，流入可能只是抄底行为，能不能持续要打问号。

背离信号要特别注意。资金净流入但价格创新低，这叫“量价背离”，通常意味着有更大的抛压被承接了，短期可能反弹但中期不乐观；资金净流出但价格创新高，说明筹码在从弱手转向强手，反而可能是好事。我自己的经验是，前者的欺骗性更强，因为“资金在买”这个叙事太容易让人产生安全感。

成交密集区的判断比较主观，我一般用最近20个交易日的成交量加权均价作为参考。价格在这个位置上方运行且资金持续流入，说明承接有力；在下方运行，说明套牢盘还在消化。

4.3 第三层：产业数据验证是最花时间但最值钱

这一层没有捷径。资金流入某个行业，你得去搞清楚这个行业的景气度是不是真的在改善。看什么？看价格、看订单、看库存、看产能利用率。这些数据分散在各类公开信息里，需要自己整理。我通常会建一个简单的行业景气跟踪表，每季度更新一次关键指标的方向。

举个具体的例子，如果2月资金加码的是某个上游材料行业，那我会去查这个材料的现货价格走势、港口库存变化、下游开工率。如果价格在涨、库存在降、开工率在升，三个方向一致，那这个加码就有基本面支撑；如果价格在跌但资金在买，那就要警惕是不是在博弈政策预期，这种博弈的持续性通常不超过一个月。

这一层的价值在于帮你区分“配置型流入”和“交易型流入”。前者可以拿得久，后者必须设好退出条件。区分方法也不复杂：配置型流入通常伴随着行业内部广度的持续扩散，而且是慢慢加速；交易型流入则是突然爆发、集中在少数标的上，来得快去得也快。

4.4 典型场景：月度转向时该怎么拆解

回到2月这个具体场景。月度由流出转流入，最需要判断的是这是“一次性修复”还是“趋势反转”。我的拆解方法是看三个东西：一是流入的行业是不是1月流出最多的那些，如果是，说明是回补；二是流入是否伴随着全市场成交额的放大，如果是，说明有增量；三是流入的持续时间是否跨越了月末，如果月末最后几天还在流入，说明资金对下个月有预期。

这三个问题的答案组合起来，能给出一个大致判断。比如“回补+放量+跨月持续”，那反转的概率就比较高；“回补+缩量+月末减弱”，那大概率只是技术性修复。这种拆解不需要精确的模型，但需要你每天花几分钟记录，因为很多信息是事后无法还原的。

另外提醒一点，月度数据的发布时间通常有滞后，等你看到新闻的时候，市场可能已经反应过了。所以日常跟踪要以日度数据为主，月度汇总只用来做阶段性总结，不要拿来做交易决策的触发条件。

5. 常见问题与排查实录

做了几年数据跟踪，遇到的问题翻来覆去就那么几类。我把最高频的几个整理出来，配上排查路径，你可以当成一个速查手册。这里面的每一条都对应着我实际踩过的坑，有些当时折腾了大半天，回头看其实是很基础的问题。

排查的基本原则是“先怀疑数据，再怀疑逻辑，最后怀疑市场”。绝大多数异常值都是数据问题，比如单位错了、日期错位了、分类标准换了。剩下的小部分是模型假设不成立，比如在极端行情下滚动窗口失效。真正属于“市场发生了新情况”的比例很低，但一旦遇到，往往是最有价值的发现。

5.1 数据对不上：从四个方向排查

第一个方向是时间对齐。检查两个数据源的交易日历是否一致，有没有把节假日算进去，有没有跨时区的问题。我遇到过一次，某个源用的是北京时间，另一个用的是格林尼治时间，导致日度数据错位了一天，趋势看起来完全相反。

第二个方向是标的范围。确认两个源统计的股票池是否相同，有没有包含退市股、有没有包含不可交易的部分。这个差异在小市值股票上特别明显，因为不同源的纳入标准不一样。

第三个方向是单位。亿元和万元混用是经典错误，差值刚好是一万倍。还有一种是百分比和小数混用，0.05和5%看着像但完全不同。我现在在字段名里强制写单位，比如net_amt_yi，就是为了防止这个。

第四个方向是计算口径。前面讲过的成交口径和持仓口径，还有是否包含大宗、是否包含ETF。把两个源的口径说明拿出来对一遍，通常能找到答案。

5.2 加码了但不涨：三种可能的原因

第一种是流入的是被动资金。指数调整、ETF申赎带来的买入，不代表有人主动看好。判断方法是看流入是否集中在成分股权重股上，如果是，那大概率是被动配置。

第二种是流入的规模不足以对抗卖压。这个要看强度指标，如果净流入占成交额的比例很低，比如只有2%，那说明多空力量基本均衡，价格自然不动。这种情况需要等强度提升。

第三种是流入发生在价格的高位，属于接盘。判断方法是看流入时的价格位置和成交量，如果是在放量上涨之后出现流入，而且广度在下降，那就要小心了。

5.3 常见问题速查表

这张表我打印出来贴在显示器边上，遇到问题先扫一眼，能省不少时间。表里的“处理方式”是经验值，不是硬规则，你可以根据自己的数据情况调整。

6. 我踩过的坑和几条硬经验

最后聊点不那么技术的东西。这几年做资金跟踪，最大的教训是不要用单一维度的数据下结论。资金流很像天气预报里的风向，它能告诉你气流往哪走，但不能告诉你明天会不会下雨。真正有用的判断，一定是资金、价格、基本面三者交叉验证之后得出的。

第二个教训是别追求数据的完美。我早期花了很多时间想把数据清洗到零误差，后来发现这是不可能的，不同源之间天然有差异，市场本身也有无法量化的部分。与其追求完美，不如接受误差，把精力放在“误差是否影响结论”上。如果一个信号在误差范围内就会翻转，那它本身就不够稳健，不值得用。

第三个是关于工具的心态。我见过不少人一上来就搭复杂系统，数据库、调度、可视化全套，结果跑了三个月发现指标设计有问题，全白费。我现在推荐的做法是先用Excel手工跑通一遍完整流程，确认逻辑没问题了再代码化。这个顺序反过来，浪费的时间会多得多。

还有一条实打实的经验：记录比分析重要。你今天算出来的信号，如果不记录当时的市场环境和后续表现，三个月后你根本想不起来当时为什么这么判断。我从开始记复盘表到现在，最有价值的不是那些成功的案例，而是失败的那些——它们清楚地告诉我，什么情况下这套方法不适用。这个边界感，是任何教程都给不了的。

如果你打算开始做这件事，我的建议是从一个行业、一个指标开始。先把5日净流入强度这一个指标跟踪一个月，记录它和价格的关系，找到感觉了再扩展。贪多求快，最后往往是不了了之。数据跟踪这件事，慢就是快。