1. stirpat模型怎么读
STIRPAT(Stochastic Impacts by Regression on Population,Affluence,and Technology)可拓展的随机性的环境影响评估模型（通过对人口、财产、技术三个自变量和因变量之间的关系进行评估）公式： 其中,α为模型的系数,b、c、d为各自变量指数,e为误差。
指数的引入使得该模型可用于分析人文因素对环境的非比例影响。 对公式两边取自然对数,得到方程:lnI=lna+b(lnP)+c(lnA)+d(lnT)+lne 由弹性系数的概念可知,方程的回归系数反映的即是解释变量与被解释变量之间的弹性关系。
2. STIRPAT模型
用树型（层次）结构表示实体类型及实体间联系的数据模型称为层次模型(HierarchicalModel)。
在一个层次模型中的限制条件是：有且仅有一个节点，无父节点，此节点为树的根；其他节点有且仅有一个父节点。缺点：只能表示1：N的联系。尽管有许多辅助手段实现M：N的联系，但比较复杂，不易掌握。
层次模型的树是有序树（层次顺序）。对任一结点的所有子树都规定了先后次序，这一限制隐含了对数据库存取路径的控制。
树中父子结点之间只存在一种联系，因此，对树中的任一结点，只有一条自根结点到达它的路径。不能直接表示多对多的联系。
树结点中任何记录的属性只能是不可再分的简单数据类型。
3. stirpat模型怎么做
通过对人口、财产、技术三个自变量和因变量之间的关系进行评估。
将传统STIRPAT模型的驱动因素扩展为9个，并运用改进的模型对不同类型国家温室气体排放的驱动因素进行实证检验。
结果发现不同类型国家在城镇就业水平、实体经济的人口承载强度、技术水平、工业化水平等方面表现出明显差异,但不管是哪类国家,人口规模、财富水平、温室气体排放强度、能源强度都是影响各国温室气体排放的最主要因素。
公式： 其中,α为模型的系数,b、c、d为各自变量指数,e为误差。
指数的引入使得该模型可用于分析人文因素对环境的非比例影响。 对公式两边取自然对数,得到方程：lnI=lna+b(lnP)+c(lnA)+d(lnT)+lne 由弹性系数的概念可知,方程的回归系数反映的即是解释变量与被解释变量之间的弹性关系。
4. stirpat模型原理
通过建立模型来揭示原型的形态、特征和本质的方法称为理想模型法。把复杂的问题简单化，摒弃次要因素，抓住主要因素，对实际问题进行理想化处理。
5. stirpat模型用什么软件
<p>STIRPAT(Stochastic Impacts by Regression on Population,Affluence,and Technology)可拓展的随机性的环境影响评估模型（通过对人口、财产、技术三个自变量和因变量之间的关系进行评估）</p> <p>公式：</p> <p> </p> <p> </p> <p> 其中,α为模型的系数,b、c、d为各自变量指数,e为误差。指数的引入使得该模型可用于分析人文因素对环境的非比例影响。</p> <p> 对公式两边取自然对数,得到方程:</p> <p>lnI=lna+b(lnP)+c(lnA)+d(lnT)+lne </p> <p> 由弹性系数的概念可知,方程的回归系数反映的即是解释变量与被解释变量之间的弹性关系。</p> <p></p>
stirpat参数模型中参数应按照以下方式去求：1.选择合适的参数
CFRMer强调：在计算VaR之前，需要先明确所计算VaR的参数。最重要的两个参数为时间期限和置信度，前者对应所需衡量风险的时间段，后者对应风险的容忍度。
1.1.选取时间期限
在选取时间范围有两个考虑因素
所关注的风险期限：某些公司更关注于短期风险，使用较短的时间范围。另外一些公司并不太关心短期的波动，则使用较长的VaR时间范围。
交易活跃程度：一般来说，公司资产的变化程度越大，其选取的时间范围越小。对于一般商业银行，通常只看未来一天的VaR;投资公司则关注一周到一个月的期限，而一般公司则会使用一个季度甚至一年的时间范围。
某些公司对不同资产类型使用不同的VaR时间范围，比如不流通的资产的时间范围更长一点。但不推荐这么做，因为：
衡量流动性风险的理论有很大进步，使用较长时间的VaR是一个笨拙的方法，而且容易将流动性风险和市场风险混为一谈。
对不同的资产使用不同的VaR参数，在更高层面无法整合，也使得在不同资产之间无法进行比较。
1.2.选取置信度
置信度取决于对于损失的容忍度。商业银行和保险企业的损失容忍度较低，而投资公司的容忍度要高一些。一般来说，对于较短的时间期限(1天或一周)：商业银行使用99%，其它一般机构使用95%。
另一种定量的方法为，VaR选取置信水平，使得损失超过该值的可能性等于目标违约概率。比如，公司希望将评级维持在Aaa级，穆迪的Aaa级公司对应1年内违约的概率为0.01%，此时1年期VaR选取置信水平为99.99%。
美国的银行通常使用99.98%的置信水平(1年期VaR)对其经济资本进行衡量，等同于目标评级水平为Aa。
2.计算细节
在前面只提到了计算VaR的方法和框架，这里补充一些重要的细节。有了这些细节，再加上定价公式，至少能够写出一些简单的VaR计算程序。
2.1.收益率：算术收益率还是连续收益率
对于一个因子有两种收益率方法：
算术收益率：假设期末价格为 P1 ，期初价格为 P0 ，那么收益率为 P1/P0−1 。
连续收益率：假设期末价格为 P1 ，期初价格为 P0 ，那么收益率为 log(P1/P0) 。
算术收益率即日常理解的收益率。为什么还需要连续收益率的概念呢，因为：
它对于时间是简单叠加的：假设第一期的连续收益率为r1 ，第二期为r2 ，那么两期合并收益率为 r1+r2 。
一般来说，连续收益率是正态分布。连续收益率可分解为各个期间的连续收益率之和，假设各个期间互相独立，根据大数定律，连续收益率收敛于正态分布。而算术收益率不是正态分布，最直接的理由是，算术收益率有下限-100%。
所以一般地，在模特卡洛模拟法中通常使用连续收益率，在计算损益额时再将连续收益率转化成算术收益率。
但算术收益率也有一个很好的优点：它对于横向是线性可加的，即组合的收益率等于各个因子的加权算术平均。所以参数法里使用算术收益率，并基于下面简单事实，可以认为算术收益率也符合正态分布：
当 r∼0时， r∼log(1+r) 。
历史模拟法中无需假设收益率的分布，与这两种方法无关。
2.2.风险矩阵的计算方法
参数法和蒙特卡洛模拟法，在计算VaR之前，都需先估计风险矩阵，即各个风险因子之间的协方差矩阵。有几种方法计算该协方差矩阵，包括平均加权法、GARCH法、指数移动平均法和隐含法。
其中平均加权法是直接用过去历史一定期间内的样本计算方差;GARCH法是将方差(和协方差)视为一个GARCH过程，用最大似然法进行估算;隐含法则利用衍生产品内涵的波动率进行估算。在实际中最常用的是指数移动平均法。
指数移动平均法使用历史数据的加权平均和计算方差 σ2t ，越近的历史数据所占用的权重越大：
其中 rt 为因子收益， λ为衰减因子，对应半衰期，表示经过多长时间，权重降低一半。半衰期越长( λ越大)，所得到的风险矩阵和VaR越稳定。
RiskMetrics推荐日VaR使用 λ=0.94，周VaR使用 λ=0.97 ，分别对应半衰期10和21(半个月和一个月)。
使用移动指数平均法的另一个好处是：样本的长度对结果的影响较小。衰减因子为0.94时，99%的信息来源于最近的74 =log(1−p)/logλ)=log?(1−p)/log?λ) 个样本;衰减因子为0.97时，99%的信息来源于最近的151个样本。
λλ 的选取和VaR的目的相关。在日常风险管理中，需要动态检测风险，VaR要能衡量当时市场状态，通常使用较短的半衰期。
但在监管中，由于VaR和风险资本相关，银行等机构需要根据VaR确定其风险资本，所以并不希望VaR变动过快，此时它们会选择使用较长的半衰期，或者直接使用历史法计算VaR。
2.3.历史法中考虑权重问题
如果使用固定区间比如一年的样本长度计算VaR，并且样本权重一样时，恰好位于样本区间前边的那个历史数据，将不包含在今天的VaR计算范围。如果那个边界数据为一个极端数据时，将对今天的VaR结果造成很大的影响。这让人难以琢磨而且非常荒谬。
直观意义上看，某个单独的历史样本，特别是很久之前的样本，在计算过程中是否包含该样本，对结果应该影响较小。参数法和蒙特卡洛模拟法中引入了指数加权法处理这个问题，衰减因子使得每隔半衰期以外的历史样本权重降低一半，这样是否包含历史上某个极端样本，对结果的影响相对较小。
在历史法中，也可以对于不同时期的样本数据赋予不同的权重解决上述的问题。最简单的方法还是上面的衰减因子法，每隔半衰期的样本权重降低一半。但是，这种方法在历史法中不如用在风险矩阵方法里好。因为，历史法计算VaR值，本来就非常依赖于尾部的几个极端数据，其它样本数据都不会影响结果。衰减因子法会加剧该问题。
另一个处理历史场景的方法是：用波动率去调整历史场景。比如历史场景某因子收益率为1%，波动率为2%。目前波动率为3%，那么调整该场景下因子收益率为1.5%。该方法主要是基于波动率的稳定性，即假设短期内波动率保持同样的水平(同参数法一样)。
2.4.对风险矩阵的非正定性的处理
一个矩阵 Σ 是正定的，是指对于任何向量 w≠0，都有 wTΣw>0;一个矩阵 Σ是半正定的，是指对于任何向量w ，都有 wTΣw≥0。有几种情况会导致非正定的风险矩阵，
如果计算风险矩阵的样本个数低于风险因子的数量，得到的协方差矩阵是半正定的。
因子的样本长度不一样时(比如因为样本数不够，因子1和因子2的协方差使用了100个样本数据，但因子1和因子3的协方差只使用了50个样本数据)，得到的协方差矩阵可能是非正定的。
当分块计算风险矩阵(比如为了简化计算过程，不直接计算不同类型的因子之间的相关性，而直接定义为一个常数)，并且不同块的计算方法不一样时，得到的协方差矩阵可能是非正定的。
对因子协方差进行压力测试时，需主动修改风险矩阵某些位置的值，使得风险矩阵不再是正定的。
上面第一种情况得到风险矩阵可以不做处理。后几种种情况导致的非正定风险矩阵会需要对负数开根号，这是不可能的。所以必须对非半正定的风险矩阵进行处理。
Correlation Stress Testing for Value-at-Risk: An Unconstrained Convex Optimization Approach这篇文章里描述了在上述第三种请款下，如何处理非正定的风险矩阵，在其概述部分也描述了前人的若干种方法。
这些方法基本上都用到了最优化，而且是二次的。在条件允许的情况下，应该使用这些学术上的结果。但某些情况下，也可以采取近似的方法。比如，由于风险矩阵是实对称矩阵，它可以对角化：
其中， Γ 为正交矩阵， Ω 为对角矩阵。如果 Σ 非正定， Ω 对角线上有负值。在处理时，将 Ω 对角线上的负值重设为0即可：
2.5.如何生成随机场景
模拟法的场景从风险矩阵中得到。假设风险矩阵 Σ 为n×n 的半正定矩阵，那么可以生成因子场景为：
其中 Σ=CTC， z 为n元独立正态分布， T 为场景的时间长度(相对于 Σ )。