投资公司数据处理

1.投资公司账务处理

注册资金有1000万，投入注册资金时，

借：银行存款--A行 1000万（一般户或基本户）

贷：实收资本 1000万

存入证券公司900万，

借：银行存款--B行900万（股票专用户）

贷：借：银行存款--A行 900万（一般户或基本户）

购进股票或债券、银行票据时

借：短期投资（金融资产） --股票、债券

贷：银行存款--B行（股票专用户）

卖出时做相反分录，差额部分确认收益。

借：银行存款--B行（股票专用户）

贷：短期投资（金融资产） --股票、债券

投资收益（主营业务收入等）

月末计算应纳印花税，营业税等

借：管理费用-印花税

主营业务税金及附加

贷： 应交税费-印花税

-营业税

-城建税

-教育附加费（其他地方税费根据企业所在地税务机关要求分别计提）

次月正常申报后扣款

借： 应交税费-印花税

-营业税

-城建税

-教育附加费（其他地方税费等）

贷：银行存款/库存现金

很多人以为会计算，认识0-9几个数字就可以随便干财务，这种观点是错误的。财务工作首先要有系统的理论基础，然后再付诸实践的，建议楼主还是系统的先学习一下相关的财务基础知识，然后再开始做账的好。

2.数据分析师以后前景怎么样

从职位薪水来看，数据分析行业的高薪主要分布在长三角、珠三角和京津地区。北京、上海和深圳的薪水位列第一方阵，均薪在10k+；杭州、宁波和广州位列第二方阵，均薪在9k+；其他沿海及内陆区域中心城市，如南京、重庆、苏州、无锡等位于第三方阵，均薪在8k左右。

从职位量来看，北京、上海、深圳和广州位列第一方阵，职位量在30000+，杭州、成都、南京和天津位列第二方阵，职位量在20000+，武汉、西安、郑州等区域中心或省会城市对数据分析职位的需求也相对较高，职位量在10000+。

从行业需求来看，互联网金融、O2O、数据服务、教育、电子商务、文化娱乐领域对数据分析师需求量相比其他行业更大。

不管是在企业还是社会，数据都已经开始扮演越来越重要的“角色”。在这种大势之下，数据分析思维已经不只是数据分析师的“专业”了，包括销售、市场、运营、策划、产品等等前端的职位都需要通过数据分析来帮助自己的工作，甚至连后台的财务、法务、人事等也开始需要通过数据分析来提升效率。可以这么说，如果你在企业之中工作，你未来会开始越来越多的和数据打交道，这个时候数据分析已经成为工作的必要条件。

这里给大家举几个例子：

现在的产品，由于销售渠道开始开始网络化，所以基本上每个产品在做客群划分、竞品分析、销售预测等等工作时都必须基于数据来进行建模并分析。以前那样只要写写产品分析书，画画产品原型，做做产品交互的“好日子”已经过去了。这么说吧，越来越多的公司里，如果产品不能拿数据出来支撑自己的工作，是基本上获取不到什么资源的支持。

再拿运营来说，更加离不开数据了。大到做一个活动，目标人群如何划分，不同人群的方案是什么，预计投入多少产出多少，这些都需要数据支持；小到一个营销话术，也需要切分不通人群进行对照实验来决定。可以说，现在不依靠数据分析的运营已经越来越少。

最后再举一个后台部门的例子。现在的HR在做人力规划时，从人员结构分析到配置策略分析再到成本分析，无论哪一项都需要使用到数据。除了本公司的人力数据外，还需要业务数据，竞对公司数据乃至于整个行业数据。通过大量数据的分析，可以更加精确的制定公司的人力资源战略。

3.投资公司的账务处理

投资公司会计核算办法 一、总说明 （一）为了统一规范投资公司的会计核算，根据《中华人民共和国会计法》、《企业财务会计报告条例》、《企业会计制度》和国家有关法律、法规，并结合投资公司的经营特点和实际情况，特制定《投资公司会计核算办法》（以下简称“办法”）。

（二）中华人民共和国境内依法成立的专门从事长期股权投资或长期债权投资等活动的企业，即指没有取得金融业务许可证的非金融企业，在执行《企业会计制度》的同时，执行本办法。 二、补充会计科目使用说明 （一）会计科目的设置 1.本办法在《企业会计制度》的基础上增设了“短期委托贷款”、“待处置资产”、“长期委托贷款”、“政府委托投资”、“待转投资费用”、“股权转让收益”、“利息收入”、“委托管理收入”、“利息支出”科目。

将“主营业务税金及附加”科目改为“营业税金及附加”科目。 2.投资公司的业务收益主要包括投资收益、利息收入、股权转让收益、委托管理收入、其他业务收入；业务支出主要包括利息支出、其他业务支出、营业费用、管理费用和财务费用。

3.投资公司的营业费用主要包括差旅费、业务宣传费、审计费、咨询费、租赁及物业管理费等；管理费用主要包括管理人员工资和福利费、业务招待费、社会保障费用、计提的有关减值准备、交通费、培训费、会议费等。投资公司财务费用只反映结算、融资等发生的汇兑损益和各项手续费支出以及投资公司银行存款取得的利息收入等，不包括投资公司委托金融机构向其他单位贷款所取得的利息收入和向银行等金融机构借款所发生的利息支出。

（二）补充会计科目的使用说明 1103 短期委托贷款 一、本科目核算投资公司按照有关规定委托金融机构向其他单位贷出的期限在1年（含1年）以下的款项。 二、本科目应当设置以下明细科目： （一）应计贷款本金； （二）非应计贷款本金； （三）减值准备。

三、投资公司委托金融机构进行短期贷款，将贷款划入金融机构时，按贷款金额，借记本科目（应计贷款本金），贷记“银行存款”科目。 期末，按照规定的利率计提委托贷款利息，借记“应收利息”科目，贷记“利息收入”科目。

收回委托贷款，借记“银行存款”科目，贷记本科目（应计贷款本金）。 四、当贷款本金或利息逾期90天没有收回时，按其本金，借记本科目（非应计贷款本金）科目，贷记本科目（应计贷款本金）科目；当应计贷款转为非应计贷款时，应将已入账的利息收入和应收利息予以冲销，借记“利息收入”科目，贷记“应收利息”科目，并设置非应计贷款应收利息备查登记簿，登记已转入非应计贷款应收但未收取的利息。

短期委托贷款从应计贷款转为非应计贷款后，在收到该笔贷款的还款时，首先应冲减本金，借记“银行存款”科目，贷记本科目（非应计贷款本金）；贷款本金全部收回后，再收到的还款则确认为当期利息收入，借记“银行存款”科目，贷记“利息收入”科目。 当应计贷款转为非应计贷款后，如果客户能够及时偿还以往所欠的本息，并有证据表明以后能够按期及时足额偿还该笔贷款的本息，则应将该笔贷款从非应计贷款转回应计贷款。

转回时，借记本科目（应计贷款本金），贷记本科目（非应计贷款本金）。在收到原从非应计贷款转为应计贷款的还款时，应先确认原冲回的利息收入，借记“银行存款”等科目，贷记“利息收入”科目。

非应计贷款转回应计贷款后，应当按照有关规定按期计提应收利息。 五、期末，投资公司应按规定对短期委托贷款本金进行减值测试，如果表明预计可收回金额低于其本金的，计提减值准备。

计提减值准备时，借记“管理费用”科目，贷记本科目（减值准备）。 六、本科目期末借方余额，反映投资公司委托金融机构贷出的短期贷款本金的账面价值。

1212 待处置资产 一、本科目核算投资公司已接受的债务人作为抵债并计划进行处置的资产价值。 投资公司应按照《企业会计制度》的规定确定取得的各项待处置资产的入账价值。

二、本科目应设置以下明细科目： （一）待处置流动资产； （二）待处置固定资产； （三）待处置股权投资； （四）待处置无形资产； （五）减值准备。 三、投资公司从债务单位取得各项抵债资产时，按照应收债权的账面价值，加上应支付的相关税费，借记本科目，按应收债权已计提的减值准备，借记“短期委托贷款—减值准备”、“长期委托贷款—减值准备”等科目，按应收债权的账面余额，贷记“短期委托贷款-非应计贷款本金”、“长期委托贷款-非应计贷款本金”等科目，按应支付的相关税费，贷记“银行存款”、“应交税金”等科目。

四、投资公司对待处置资产不进行摊销或计提折旧；对于取得的待处置的长期股权投资应采用成本法核算，公司按被投资单位宣告发放的现金股利或利润中属于应当由本公司享有的部分，借记“应收股利”科目，贷记本科目（待处置股权投资）。 公司取得待处置资产后如转为自用，则应在相关手续办妥时，借记“固定资产”、“无形资产”等科目，贷记本科目。

五、期末，投资公司应对待处置资产按账面价值与可收。

4.项目数据分析师是干什么的

项目数据分析师（CPDA）是专业从事投资和运营项目数据分析的高级决策人，通过掌握大量行业数据以及科学的计算工具，将经济学原理用数学模型表示，科学合理的分析投资和运营项目未来的收益及风险情况，为做出科学合理的决策提供依据。

(1)专职岗位

获得“项目数据分析师”证书是进入数据分析领域内工作的敲门砖，数据分析行业专职岗位如下：（高级、资深、证券、运营等）项目数据分析师、数据分析师、数据分析员、数据分析主管、数据分析工程师、数据挖掘人员等。

(2)其他相关岗位

获得“项目数据分析师”证书的学员可在本职工作中充分发挥作用，提升工作绩效、增强决策的科学性、提高工作决策的成功率。通过参加“项目数据分析师”学习来达到提升工作绩效的目的一般所包括的职位有：公司法人、项目总监、市场总监、财务总监、审计工作人员、会计工作人员、税务工作人员、投资公司从业人员、银行从业人员、评估公司从业人员、企事业单位的投资部门人员、决策部人员、市场部工作人员、营销策划人员等相关。

(3) 成立项目数据分析师事务所

随着我国经济体制变革的不断深入发展，银行和企业对项目的风险承担完全责任，完全按照市场经济的模式来实施项目分析评估。因此，项目数据分析师专业人员组成的项目数据分析事务所应运而生，填补了我国项目分析评估市场的空白。

项目数据分析师事务所已经正式走进中国市场经济舞台，开始为国家经济发展贡献力量。其业务方向包括投资项目评估、经济效益评价、项目数据处理、项目融资、投资项目策划、社会经济咨询、投资中介等。

5.在投资银行做数据分析需要什么知识或是什么专业

做数据分析，需要学习以下几个方面的知识：

(1)数据管理。

a、数据获取。

企业需求：数据库访问、外部数据文件读入

案例分析：使用产品信息文件演示spss的数据读入共能。

b、数据管理。

企业需求：对大型数据进行编码、清理、转换。

案例分析：使用银行信用违约信息文件spss相应过程。

1）数据的选择、合并与拆分、检查异常值。

2）新变量生成，SPSS函数。

3）使用SPSS变换数据结构——转置和重组。

4）常用的描述性统计分析功能。频率过程、描述过程、探索过程。

c、数据探索和报表呈现。

企业需求：对企业级数据进行探索，主要涉及图形的使用。spss报表输出。

案例分析：企业绩效文件，如何生成美观清晰的报告。

1）制作报表前对变量的检查

2）制作报表的中对不同类型的数据处理

3） 报表生成功能与其他选项的区别

(2)数据处理

a、相关与差异分析。

案例分析：产品合格率的相关与差异分析。

b、线性预测。

企业需求： 探索影响企业效率的因素，并进一步预测企业效率。

案例分析：产品合格率的影响因素及其预测分析。

c、因子分析。

企业需求： 需要抽取影响企业效率的主要因素，进行重点投资

案例分析：客户购买力信息研究。

d、聚类分析。

企业需求： 需要了解购买产品的客户信息

案例分析：客户购买力信息研究

e、bootstrap。

案例分析： bootstrap抽样。

(3)SPSS代码

SPSS代码应用

6.投资项目数据分析真的这么难吗

这个问题提得很好！ 我是一个长期从事创投的专业人员，当我们翻开很多装订精美、厚如一本小说的项目可行性分析报告或商业计划书时，面对称为项目可行性分析报告或商业计划书灵魂的项目分析数据，却根本无法进行仔细推敲。

我亲眼看见一个项目投资报告编制人员面对美国国际商务联合投资集团投资专家的仔细询问时，虽然办公室开有温度很低的空调，但他的汗水很快流满了整个额头。 要认真回答出提问者的问题，放在这里字数太多。

如果有朋友想知道如何才能开展科学正确的项目数据分析，留下邮件，我可以免费提供有关资料。

7.企业大数据处理解决方案有哪些

企业一般采用商业智能来对数据进行分析处理。

比如用于销售模块可以分析销售数据，挖掘市场需求；用于客户分析可以分析用户行为，精准营销；用于财务分析可以分析财务数据，预估风险之类的。

具体的比如通过商业智能系统FineBI平台，可以进行销售、回款、应收款、可售库存、推盘、动态成本、杜邦分析、资金计划等各类细分主题的分析，以地图、环比图、漏斗图等特征图表配以钻取联动显示，较好地从数据中观测销售过程出现的问题。

财务方面也可以通过FineBI建立绩效指标库和行业或标杆指标库作为财务分析的数据源，在绩效考核模型、投资评估模型、财务风险模型、经营分析模型的基础上分别建立资产主题、盈利主题、资金主题、收入主题、成本费用主题、存货主题等。通过这些分析主题对企业进行进度监控和经营预警，从而达到对企业战略的控制。

8.企业大数据处理需要注意的几个问题

存储技术必须跟得上

随着大数据处理应用的爆发性增长，它已经衍生出了自己独特的架构，而且也直接推动了存储、网络以及计算技术的发展。毕竟大数据处理这种特殊的需求是一个新的挑战。硬件的发展最终还是由软件需求推动的，就这个例子来说，我们很明显的看到大数据处理分析应用需求正在影响着数据存储基础设施的发展。

从另一方面看，这一变化对存储厂商和其他IT基础设施厂商未尝不是一个机会。随着结构化数据和非结构化数据量的持续增长，以及分析数据来源的多样化，此前存储系统的设计已经无法满足大数据应用的需要。存储厂商已经意识到这一点，他们开始修改基于块和文件的存储系统的架构设计以适应这些新的要求。在这里，我们会讨论哪些与大数据存储基础设施相关的属性，看看它们如何迎接大数据处理的挑战。

容量问题

这里所说的“大容量”通常可达到PB级的数据规模，因此，海量数据存储系统也一定要有相应等级的扩展能力。与此同时，存储系统的扩展一定要简便，可以通过增加模块或磁盘柜来增加容量，甚至不需要停机。基于这样的需求，客户现在越来越青睐Scale-out架构的存储。Scale-

out集群结构的特点是每个节点除了具有一定的存储容量之外，内部还具备数据处理能力以及互联设备，与传统存储系统的烟囱式架构完全不同，Scale-

out架构可以实现无缝平滑的扩展，避免存储孤岛。

“大数据”应用除了数据规模巨大之外，还意味着拥有庞大的文件数量。因此如何管理文件系统层累积的元数据是一个难题，处理不当的话会影响到系统的扩展能力和性能，而传统的NAS系统就存在这一瓶颈。所幸的是，基于对象的存储架构就不存在这个问题，它可以在一个系统中管理十亿级别的文件数量，而且还不会像传统存储一样遭遇元数据管理的困扰。基于对象的存储系统还具有广域扩展能力，可以在多个不同的地点部署并组成一个跨区域的大型存储基础架构。

延迟问题

大数据处理应用还存在实时性的问题。特别是涉及到与网上交易或者金融类相关的应用。举个例子来说，网络成衣销售行业的在线广告推广服务需要实时的对客户的浏览记录进行分析，并准确的进行广告投放。这就要求存储系统在必须能够支持上述特性同时保持较高的响应速度，因为响应延迟的结果是系统会推送“过期”的广告内容给客户。这种场景下，Scale-out架构的存储系统就可以发挥出优势，因为它的每一个节点都具有处理和互联组件，在增加容量的同时处理能力也可以同步增长。而基于对象的存储系统则能够支持并发的数据流，从而进一步提高数据吞吐量。

有很多大数据处理应用环境需要较高的IOPS性能，比如HPC高性能计算。此外，服务器虚拟化的普及也导致了对高IOPS的需求，正如它改变了传统IT环境一样。为了迎接这些挑战，各种模式的固态存储设备应运而生，小到简单的在服务器内部做高速缓存，大到全固态介质的可扩展存储系统等等都在蓬勃发展。

并发访问一旦企业认识到大数据分析应用的潜在价值，他们就会将更多的数据集纳入系统进行比较，同时让更多的人分享并使用这些数据。为了创造更多的商业价值，企业往往会综合分析那些来自不同平台下的多种数据对象。包括全局文件系统在内的存储基础设施就能够帮助用户解决数据访问的问题，全局文件系统允许多个主机上的多个用户并发访问文件数据，而这些数据则可能存储在多个地点的多种不同类型的存储设备上。

安全问题

某些特殊行业的应用，比如金融数据、医疗信息以及政府情报等都有自己的安全标准和保密性需求。虽然对于IT管理者来说这些并没有什么不同，而且都是必须遵从的，但是，大数据分析往往需要多类数据相互参考，而在过去并不会有这种数据混合访问的情况，因此大数据应用也催生出一些新的、需要考虑的安全性问题。

成本问题

“大”，也可能意味着代价不菲。而对于那些正在使用大数据环境的企业来说，成本控制是关键的问题。想控制成本，就意味着我们要让每一台设备都实现更高的

“效率”，同时还要减少那些昂贵的部件。目前，像重复数据删除等技术已经进入到主存储市场，而且现在还可以处理更多的数据类型，这都可以为大数据存储应用带来更多的价值，提升存储效率。在数据量不断增长的环境中，通过减少后端存储的消耗，哪怕只是降低几个百分点，都能够获得明显的投资回报。此外，自动精简配置、快照和克隆技术的使用也可以提升存储的效率。

来源：eNet硅谷动力