数据参考

真正使用中国股票市场数据时会遇到的问题，这里逐一解答。每个问题都横跨多个数据集，所以放不进任何一个产品页。文中每一个数字都来自我们对所售数据的接入笔记。

• 关联中国 A 股公司数据时，为什么会悄悄丢行

  中国公司数据的实体对齐本就是部分完成的，不同数据集、甚至同一数据集内不同关系类型的对齐率差别很大。内关联会正好丢掉那些未对齐的行，而它们不是随机样本。

  涉及 11 个数据集

• 哪些中国 A 股数据集真的是时点数据，哪些只是看起来像

  只有当一个数据集告诉你某个数字何时公开，而不只是它覆盖哪个会计期，它才是时点数据。不少常用的中国数据集只带会计期而不带披露日期，读起来像时点数据，其实不是。

  涉及 10 个数据集

• 缺失、零值还是空白：中国财报数据里的三种不同状态

  真实的零、申报主体留空的单元格、以及根本不存在的那一行，在财报数据里是三种不同的状态。把它们并成一种，你会得到一张满是未经报告零值的面板。

  涉及 4 个数据集

• 中国 A 股数据里的代码与单位陷阱

  情绪值里 2 表示负面，同一个数据集里股权比例有两种单位，标准化科目会掩盖如实上报的原始标签。每一个读错了都照样返回合理的数字。

  涉及 4 个数据集

• 披露与推断：中国供应链与股权数据的两个类别

  披露数据是公司自己公告的内容，获取时已按合并口径汇总。推断数据是构建出来的，本来就是为了汇总而做的。两者规则相反，把其中一种当成另一种，不是重复计数就是严重低估。

  涉及 7 个数据集

• 一家公司，多只证券：为什么 A 股公司数量会偏高

  公司的事实会挂到它的每一只上市证券上，所以有两个上市地的公司会出现两次。按股票代码而不是公司主键分组，会让每一个公司层面的汇总都偏大。

  涉及 6 个数据集

• 中国公司数据中，什么时候该上卷子公司，什么时候会重复计数

  是否上卷，取决于这个数据集是否已经替你完成上卷。ChinaScope 有些表已按合并口径汇总，有些刻意没有，而 SAM 里有一个字段是子树合计，看上去完全可加，其实不是。

  涉及 7 个数据集

• 主键与粒度：为什么对中国财报数据去重会删掉真实的行

  唯一标识一行的字段，和说明这一行讲什么的字段，不是同一回事。按后者去重，会悄悄删掉真实的披露。

  涉及 8 个数据集

• 做中国股票研究该用哪一棵行业树

  ChinaScope 参考数据在同一张表里承载五套彼此独立的行业分类方案。它们是并列的树，而不是同一个层级结构的不同层，把它们混在一次分组里没有意义。

  涉及 5 个数据集

• 每日交付不等于每日数据

  交付节奏和数据节奏是两件不同的事。有几个中国数据集每天交付、每半年才有新数据，而股权关系里有一张表比它的同伴整整落后一个期间。

  涉及 2 个数据集