股票中的DIF是什么?
DIF是指差离值，差离值是股市技术分析中的一个指标，缩写为DIF，即12日EMA数值减去26日EMA数值。在持续的涨势中，12日EMA在26日EMA之上。其间的正差离值(+DIF)会愈来愈大。反之在跌势中，差离值可能变负(-DIF)也愈来愈大。至于行情开始回转，正或负差离值要缩小到怎样的程度，才真正是行情反转的讯号，MACD的反转讯号界定为「差离值」的9日移动平均值(9日EMA)。扩展资料：差离值的研判技巧1、DIF值与MACD值均在X轴线上、向上移动，市场为牛市，反之为熊市。2、在X轴之上，当DIF值向上穿过MACD值时为买入信号。在X轴之下发生这种交叉仅适合空头者平仓。3、在X轴之下，当DIF值向下穿过MACD值时为卖出信号。在X轴之上发生这种交叉仅适合多头者平仓。4、背离信号。当指数曲线的走势向上，而DIF、MACD曲线走势与之背道而弛，则发生大势即将转跌的信号。参考资料来源：百度百科-差离值
什么是数据包络分析法
介绍
数据包络分析法：英文全名叫 Data Envelopment Analysis 简称 DEA。是效率评价中常用的一种评价模型，他是运筹学、经济学、计量学、统计学等多种学科综合在一起的运用非常广泛的一种评价方法。
基本思想是通过DMU 的输入和输出数据进行综合分析，得出每个DMU效率的相对指标，然后将所有DMU效率指标排序，确定相对有效的 DMU ，同时还可以用投影方法指出非 DEA 有效或者 弱 DEA有效的原因，以及应该改进的方向和程度，为管理人员提供管理决策信息。
特点
数据包络分析特点：
适用于多产出-多投入的有效性综合评价问题，在处理多产出-多投入的有效性评价方面具有绝对优势。
数据包络分析方法并不直接对数据进行综合，因此决策单元的最有效率指标与投入指标值及产出指标值的量纲选取无关。
无需任何权重假设，而以决策单元投入产出的实际数据求得最有权重，排除了很多主观因素，具有很强的客观性。
不仅可以将待评价的决策单元进行效率排队，还能进一步指出无效单元的无效原因及改进的方向和尺度，为决策者提供更多有价值的管理信息。
缺点：
结果只能表明评价单元的相对发展指标，无法对实际的发展水平明确表示。
由于各个决策单元都是从最有利于自己的角度分别求得权重，这样会导致这些权重随着 DMU 的不同而不同。从而使得每个决策单元 DMU 的特性缺乏可比性。这样得出的结果可能不符合客观实际。
DEA方法隐含要求问题方案具有更好的结构化、确定性的特征、，使其较难适应管理对象系统中的模糊性、主观性的评价情景和需要。从而限制了DEA方法在管理领域中的使用。
原理
数据包络分析的原理主要是通过对生产决策单元（Decision Making Units ,DMU）的输入与输出数据的研究，从相对有效性的角度出发来评价具有相同类型的多投入、多产出决策单元的技术与规模的有效性。
借助数学规划和统计数据确定相对有效性的生产前沿面，将各个决策单元投影到DEA的生产前沿面上，并通过比较决策单元DEA偏离前沿面的程度来评价它们的相对有效性。它不需要以参数形式规定生产前沿函数，并且允许生产前沿函数可以因为单位的不同而不同，不需要弄清楚各个评价决策单元的输入与输出之间的关联方式，只需要最终用极值的方法，以相对收益这个变量作为总体上的衡量标准。
生产决策单元（Decision Making Units ,DMU）
指DEA 方法将一项活动或一个动态系统看作该系统在一定范围内通过一定数量的生产要素并产出一定数量的产出的过程。为使该项活动或动态系统取得最大的效益，这一过程须经过一些列的决策，产出是觉得的结果。这样的系统就是决策单元。每一个决策单元都有一定的输入与输出，并在输入转化为输出的过程中努力实现自身的决策目标。
具体
参考文档：
https://doc.mbalib.com/view/a36a0cd38e260e6dcde4fefb2dc15fef.html
https://doc.mbalib.com/view/87aebdb76f4d76f2985f919850d64da1.html
如何用数据包络分析（DEA）进行效率评估？
一、什么是数据包络分析DEA 数据包络分析DEA是一种多指标投入和产出评价的研究方法，其应用数学规划模型计算比较决策单元（DMU）之间的相对效率，对评价对象做出评价。比如有10个学校(即10个决策单元DMU,Decision Making Units)，每个学校有投入指标（比如学生人均投入资金），也有产出指标（比如学生平均成绩，学生奥数比赛比例等），有的学校投入多，有的学校投入少，但是投入多或少，均会有对应的产出，那么具体哪个学校的投入产出更加优秀呢，诸如此类投入产出的优劣问题，则可使用数据包络DEA模型进行分析。 最常见的DEA模型为CCR和BBC，此两种模型的区别在于是否假定‘规模报酬可变’，其对比如下： 二、数据包络分析DEA案例 1 当前希望对天津市的城市可持续发展情况进行研究，共收集1990~1999共计10年的相关指标数据。具体说明如下表格： 原始数据如下图，从下图来看，从1990~1999年共计10年里面，人均GDP和城市环境质量指数均在逐步提高，单独从产出指标来看说明每年都在提升。但反过来看，3个投入指标却有高有低，那么到底哪些年的投入产出较好，而哪些年的投入产出还有改进空间并不知晓，这正是需要数据包络分析DEA分析寻找的答案。 2 数据包络分析DEA时，首先需要分析综合效益值θ，即首先判断DMU是否有DEA有效，如果有效，则说明该DMU较优，反之说明‘非DEA有效’，即相对来说还有提升空间，那么提升空间具体在哪里呢，比如提高还是减少规模呢，可以通过规模效益分析得到。与此同时，如果是‘非DEA有效’，那么具体问题是什么，投入冗余还是产出不足，则可以通过对应的投入冗余 或产出不足分析表格得出，具体数字直接查看松驰变量即可。如下表所示： 3 本例子操作截图如下： 分别将3个投入指标和2个产出指标放在对应的框中，与此同时，本案例中年份为决策单元DMU，因此放入对应的框中，当然也可以不放入DMU（如果不放入，SPSSAU默认输出为比如第1项，第2项等）。另外，本案例使用默认的BBC(VRS)模型进行分析。 4 如果是BBC模型时，SPSSAU共输出6个表格和1个图。分别如下： 如果是CCR模型时，SPSSAU共输出4个表格【无规模报酬相关的表格】和1个图。分别如下： 5 有效性分析是指决策单元DMU的总体有效性情况，本案例使用BBC模型进行分析。从上表可以看出：1997，1998和1999这三年的数据均为‘DEA强有效’，即相对于其它年份（DMU）来讲，此3年的投入产出达到相对最有效率。 关于有效性的判断规则说明如下： 如果综合效益值等于1且松驰变量S-和松驰变量均为0，那么为DEA强有效，说明相对来讲某DMU单元达到最有效率；如果综合效益值等于1并且2个松驰变量任意中任意1个大于0，那么为DEA弱有效，说明某DMU单元已经相对有效率但还有一定提升空间；如果说综合效益值小于1（此时不论松驰变量为多少），那么为非DEA有效，即说明相对来讲投入产出比效率较差。 以及关于上表格中各指标的意义说明如下表： 从本案例分析来看，除1997，1998和1999共3个决策单元外，其余年份（决策单元DMU）均为非DEA有效，即还有较大的提升空间，下述中还会进一步对规模效益系数进行分析。 上图为有效性分析的图示化，人上图可以看到，从1990到1999年变迁过程中，综合效益值在不断的提升，也即说明政府的投入产出效率在不断提升。包括规模效益和技术效益均在不断提升，进一步说明投入产出效率的提升，也即说明政府的效率在不断提高。 针对BBC模型即规模报酬可变模型来看，上述分析可知，1997,1998和1999这3年均为DEA强有效，自然其规模报酬达到最优即规模报酬固定。而1997年之前，规模报酬系数值均小于1，也即说明规模报酬递增，加大规模更加速提高投入产出比。可能这也正是政府在逐年提升投入的原因。关于规模报酬系数的判断规则说明如下表: 针对非DEA有效的决策单元DMU，可进一步分析其‘投入冗余’情况。当然DEA强有效的决策单元（本案例中的1997，1998和1999共3年），相对意义上其并没有投入冗余问题，因此松驰变量S-值均为0。 松驰变量S-意义为“减少多少投入时达目标效率”，简单来说就是得到基于当前的产出，投入要减少多少才能达到高效率。该值越小越好，最小值为0（即最优状态），从上表可知：从1990~1996年间，政府财政收入占GDP比例对应的松驰变量S-值一直都大于0，意味着财政收入相对GDP过高（收税相对过多）。与此同时，在1994~1996年这3年里，每千人科技人员数的松驰变量S-值较高，意味着科技人员占比相对过高，可适量减少科技人员投入。 至于投入冗余率，其是一个相对的数字，即‘过多投入’除以‘已投入’，分析时可直接对比该数字，如果该值越大意味着需要减少的比例越大。 针对非DEA有效的决策单元DMU，可进一步分析其‘产出不足’情况。当然DEA强有效的决策单元（本案例中的1997，1998和1999共3年），相对意义上其并没有产出不足问题，因此松驰变量S+值均为0。 松驰变量S+意义为“增加多少产出时达目标效率”，简单来说就是得到基于当前的投入，产出要增加多少才能达到高效率。该值越小越好，最小值为0（即最优状态），从上表可知：人均GDP这一产出变量仅在1995年出现松驰变量S+值大于0，意味着1995年时人均GDP相对产出较低。与此同时，1990~1993共4年时间里，松驰变量S+值大于0，说明此4年里面相对于投入，产出效率还有提升空间（即产出不够）。 至于产出不足率，其是一个相对的数字，即‘产出不足’除以‘已产出’，分析时可直接对比该数字，如果该值越大意味着需要产出增加的比例越大。 描述统计分析表格为各研究指标的平均值和标准差值等，用于查阅数据中是否有缺失或异常情况等，并无其它意义。 6 涉及以下几个关键点，分别如下： 数据包络分析DEA从数学原理上并不要求数据进行量纲化处理，如果需要处理，可使用SPSSAU数据处理里面的生成变量功能进行处理。与此同时，如果数据有负向（逆向）指标，则需要对其进行逆向化处理，让其指标意义变为正向。处理方式为：SPSSAU数据处理里面的生成变量功能中的逆向化处理。 如果指标中有负向（逆向）指标，那么需要对负向（逆向）指标进行逆向化处理，使其意义变为正向。处理方式为：SPSSAU数据处理里面的生成变量功能中的逆向化处理。 数据包络DEA分析有很多模型，BBC和CCR最为经典，如果考虑规模报酬可变则使用BBC，反之如果认为规模报酬不变则应使用CCR，通常情况下使用BBC较多。 数据包络DEA分析进行分析时，其是一个相对对比的过程，即基于所分析数据里面对比相对的优劣，比如不同城市的DEA分析，有的分析发现北京DEA有效，但指标更改后（或对比的DMU更换），可能就会出现北京为非DEA有效。
