我们打算看看行业板块（由于数据缺损原因，没有严格按照一级行业数据选择）回报率分布情况，所以选择了直方图这种形式。
直方图绘制可以直接点击工作区的矩阵数据，然后绘图，也可以点击用：
s=randn(20,1)
histfit(s)
这样简单的命令（仅示意），实现绘图，并带曲线描述分布状态。
如图，这是大部分板块的收益回报分布，可以看到，首先其不成正态分布，其次，主要回报率集中在10年5倍左右的区间，大家需要考虑自己是否这10年也取得了超过此值的收益率，但是有很多人，这10年其实跑不赢指数，很多基金经理都跑不赢，更别说一般投资者了。
波动性分布就变得简单了，我们采用matlab箱体图绘制，示意代码如下：
x(:,1)=normrnd(0.44,0.01,1,10);
x(:,3)=0.45+0.001*rand(1,10);
x(:,2)=0.45+0.001*rand(1,10);
boxplot(x)
set(gca,'Ylim',[0.34 0.5]);
我们之前的文章中介绍过箱线图（Boxplot），也称箱须图（Box-whisker Plot），它是利用数据中的五个统计量：最小值、第一四分位数、中位数、第三四分位数与最大值来描述数据的一种方法。可以看到波动意味着机会（收益），当然也意味着风险。
相关性分析也是数据分析中重要一环。不同板块之间的相关性，有什么用途？其核心的用途在于，可以构建不同资产组成的，彼此相关性较低（甚至为负）的投资组合，一定程度上规避行业兴衰波动风险，让自己的投资组合在牺牲一定收益的情况下，换取稳定的回报，这种低回报，比赚大钱更重要。
其matlab示意函数为：
x = randn(30,4); % 随机生成一个30行，4列的数据
coeff = corr(x , 'type' , 'Pearson'); % corr是计算函数
disp(coeff) % 显示皮尔森相关系数
比如我们可以看到：计算机和石油化工，钢铁，采掘的相关性较低。再比如说，医疗器械和通信运营相关性低。如果你的择时能力优秀，可以在不同相关性的资产上，进行连续性操作。
同时我们深刻地意识到，不可能行情总是盘整，或者总是趋势，他们一定是互相交替的。所以相关性低的资产，能够在盘整和趋势间形成有效衔接，此时你的模型有可能在一种资产上小幅度遭受盘整亏损，另一种资产上迎接更大的利润，对冲小部分收益的同时，对冲了更大的风险，形成更好的资金曲线。
描述数据时，均值和标准差也是重要一个环节，示意函数是：
A = [1+rand(1,20)' 10+rand(1,20)' rand(1,20)']; % 原始数据3列，rand是生成随机数
mn = mean(A); % 求均值
sd = std(A); % 求标准差
我们描述这26个板块数据大致如下情况。可以看到，由于波动范围限制（牛市和熊市，市场整体一致性较强），其均值和方差的正相关性还是比较强的。
这种描述方式，对于时间序列数据是最恰当的吗？我觉得并不是，因为投资是一种追求回报的行为，所以下一讲，我们会引入板块净值时间序列的Sharpe、Alpha、Beta、MaxDrawdown，也就会夏普比率、阿尔法收益、贝塔收益、最大回撤，进行各版块数据投资价值粗略分析。
