1. stirpat模型怎么讀
STIRPAT(Stochastic Impacts by Regression on Population,Affluence,and Technology)可拓展的隨機性的環(huán)境影響評估模型（通過對人口、財產(chǎn)、技術(shù)三個自變量和因變量之間的關(guān)系進行評估）公式： 其中,α為模型的系數(shù),b、c、d為各自變量指數(shù),e為誤差。
指數(shù)的引入使得該模型可用于分析人文因素對環(huán)境的非比例影響。 對公式兩邊取自然對數(shù),得到方程:lnI=lna+b(lnP)+c(lnA)+d(lnT)+lne 由彈性系數(shù)的概念可知,方程的回歸系數(shù)反映的即是解釋變量與被解釋變量之間的彈性關(guān)系。
2. STIRPAT模型
用樹型（層次）結(jié)構(gòu)表示實體類型及實體間聯(lián)系的數(shù)據(jù)模型稱為層次模型(HierarchicalModel)。
在一個層次模型中的限制條件是：有且僅有一個節(jié)點，無父節(jié)點，此節(jié)點為樹的根；其他節(jié)點有且僅有一個父節(jié)點。缺點：只能表示1：N的聯(lián)系。盡管有許多輔助手段實現(xiàn)M：N的聯(lián)系，但比較復(fù)雜，不易掌握。
層次模型的樹是有序樹（層次順序）。對任一結(jié)點的所有子樹都規(guī)定了先后次序，這一限制隱含了對數(shù)據(jù)庫存取路徑的控制。
樹中父子結(jié)點之間只存在一種聯(lián)系，因此，對樹中的任一結(jié)點，只有一條自根結(jié)點到達它的路徑。不能直接表示多對多的聯(lián)系。
樹結(jié)點中任何記錄的屬性只能是不可再分的簡單數(shù)據(jù)類型。
3. stirpat模型怎么做
通過對人口、財產(chǎn)、技術(shù)三個自變量和因變量之間的關(guān)系進行評估。
將傳統(tǒng)STIRPAT模型的驅(qū)動因素擴展為9個，并運用改進的模型對不同類型國家溫室氣體排放的驅(qū)動因素進行實證檢驗。
結(jié)果發(fā)現(xiàn)不同類型國家在城鎮(zhèn)就業(yè)水平、實體經(jīng)濟的人口承載強度、技術(shù)水平、工業(yè)化水平等方面表現(xiàn)出明顯差異,但不管是哪類國家,人口規(guī)模、財富水平、溫室氣體排放強度、能源強度都是影響各國溫室氣體排放的最主要因素。
公式： 其中,α為模型的系數(shù),b、c、d為各自變量指數(shù),e為誤差。
指數(shù)的引入使得該模型可用于分析人文因素對環(huán)境的非比例影響。 對公式兩邊取自然對數(shù),得到方程：lnI=lna+b(lnP)+c(lnA)+d(lnT)+lne 由彈性系數(shù)的概念可知,方程的回歸系數(shù)反映的即是解釋變量與被解釋變量之間的彈性關(guān)系。
4. stirpat模型原理
通過建立模型來揭示原型的形態(tài)、特征和本質(zhì)的方法稱為理想模型法。把復(fù)雜的問題簡單化，摒棄次要因素，抓住主要因素，對實際問題進行理想化處理。
5. stirpat模型用什么軟件
<p>STIRPAT(Stochastic Impacts by Regression on Population,Affluence,and Technology)可拓展的隨機性的環(huán)境影響評估模型（通過對人口、財產(chǎn)、技術(shù)三個自變量和因變量之間的關(guān)系進行評估）</p> <p>公式：</p> <p> </p> <p> </p> <p> 其中,α為模型的系數(shù),b、c、d為各自變量指數(shù),e為誤差。指數(shù)的引入使得該模型可用于分析人文因素對環(huán)境的非比例影響。</p> <p> 對公式兩邊取自然對數(shù),得到方程:</p> <p>lnI=lna+b(lnP)+c(lnA)+d(lnT)+lne </p> <p> 由彈性系數(shù)的概念可知,方程的回歸系數(shù)反映的即是解釋變量與被解釋變量之間的彈性關(guān)系。</p> <p></p>
stirpat參數(shù)模型中參數(shù)應(yīng)按照以下方式去求：1.選擇合適的參數(shù)
CFRMer強調(diào)：在計算VaR之前，需要先明確所計算VaR的參數(shù)。最重要的兩個參數(shù)為時間期限和置信度，前者對應(yīng)所需衡量風(fēng)險的時間段，后者對應(yīng)風(fēng)險的容忍度。
1.1.選取時間期限
在選取時間范圍有兩個考慮因素
所關(guān)注的風(fēng)險期限：某些公司更關(guān)注于短期風(fēng)險，使用較短的時間范圍。另外一些公司并不太關(guān)心短期的波動，則使用較長的VaR時間范圍。
交易活躍程度：一般來說，公司資產(chǎn)的變化程度越大，其選取的時間范圍越小。對于一般商業(yè)銀行，通常只看未來一天的VaR;投資公司則關(guān)注一周到一個月的期限，而一般公司則會使用一個季度甚至一年的時間范圍。
某些公司對不同資產(chǎn)類型使用不同的VaR時間范圍，比如不流通的資產(chǎn)的時間范圍更長一點。但不推薦這么做，因為：
衡量流動性風(fēng)險的理論有很大進步，使用較長時間的VaR是一個笨拙的方法，而且容易將流動性風(fēng)險和市場風(fēng)險混為一談。
對不同的資產(chǎn)使用不同的VaR參數(shù)，在更高層面無法整合，也使得在不同資產(chǎn)之間無法進行比較。
1.2.選取置信度
置信度取決于對于損失的容忍度。商業(yè)銀行和保險企業(yè)的損失容忍度較低，而投資公司的容忍度要高一些。一般來說，對于較短的時間期限(1天或一周)：商業(yè)銀行使用99%，其它一般機構(gòu)使用95%。
另一種定量的方法為，VaR選取置信水平，使得損失超過該值的可能性等于目標違約概率。比如，公司希望將評級維持在Aaa級，穆迪的Aaa級公司對應(yīng)1年內(nèi)違約的概率為0.01%，此時1年期VaR選取置信水平為99.99%。
美國的銀行通常使用99.98%的置信水平(1年期VaR)對其經(jīng)濟資本進行衡量，等同于目標評級水平為Aa。
2.計算細節(jié)
在前面只提到了計算VaR的方法和框架，這里補充一些重要的細節(jié)。有了這些細節(jié)，再加上定價公式，至少能夠?qū)懗鲆恍┖唵蔚腣aR計算程序。
2.1.收益率：算術(shù)收益率還是連續(xù)收益率
對于一個因子有兩種收益率方法：
算術(shù)收益率：假設(shè)期末價格為 P1 ，期初價格為 P0 ，那么收益率為 P1/P0?1 。
連續(xù)收益率：假設(shè)期末價格為 P1 ，期初價格為 P0 ，那么收益率為 log(P1/P0) 。
算術(shù)收益率即日常理解的收益率。為什么還需要連續(xù)收益率的概念呢，因為：
它對于時間是簡單疊加的：假設(shè)第一期的連續(xù)收益率為r1 ，第二期為r2 ，那么兩期合并收益率為 r1+r2 。
一般來說，連續(xù)收益率是正態(tài)分布。連續(xù)收益率可分解為各個期間的連續(xù)收益率之和，假設(shè)各個期間互相獨立，根據(jù)大數(shù)定律，連續(xù)收益率收斂于正態(tài)分布。而算術(shù)收益率不是正態(tài)分布，最直接的理由是，算術(shù)收益率有下限-100%。
所以一般地，在模特卡洛模擬法中通常使用連續(xù)收益率，在計算損益額時再將連續(xù)收益率轉(zhuǎn)化成算術(shù)收益率。
但算術(shù)收益率也有一個很好的優(yōu)點：它對于橫向是線性可加的，即組合的收益率等于各個因子的加權(quán)算術(shù)平均。所以參數(shù)法里使用算術(shù)收益率，并基于下面簡單事實，可以認為算術(shù)收益率也符合正態(tài)分布：
當 r～0時， r～log(1+r) 。
歷史模擬法中無需假設(shè)收益率的分布，與這兩種方法無關(guān)。
2.2.風(fēng)險矩陣的計算方法
參數(shù)法和蒙特卡洛模擬法，在計算VaR之前，都需先估計風(fēng)險矩陣，即各個風(fēng)險因子之間的協(xié)方差矩陣。有幾種方法計算該協(xié)方差矩陣，包括平均加權(quán)法、GARCH法、指數(shù)移動平均法和隱含法。
其中平均加權(quán)法是直接用過去歷史一定期間內(nèi)的樣本計算方差;GARCH法是將方差(和協(xié)方差)視為一個GARCH過程，用最大似然法進行估算;隱含法則利用衍生產(chǎn)品內(nèi)涵的波動率進行估算。在實際中最常用的是指數(shù)移動平均法。
指數(shù)移動平均法使用歷史數(shù)據(jù)的加權(quán)平均和計算方差 σ2t ，越近的歷史數(shù)據(jù)所占用的權(quán)重越大：
其中 rt 為因子收益， λ為衰減因子，對應(yīng)半衰期，表示經(jīng)過多長時間，權(quán)重降低一半。半衰期越長( λ越大)，所得到的風(fēng)險矩陣和VaR越穩(wěn)定。
RiskMetrics推薦日VaR使用 λ=0.94，周VaR使用 λ=0.97 ，分別對應(yīng)半衰期10和21(半個月和一個月)。
使用移動指數(shù)平均法的另一個好處是：樣本的長度對結(jié)果的影響較小。衰減因子為0.94時，99%的信息來源于最近的74 =log(1?p)/logλ)=log?(1?p)/log?λ) 個樣本;衰減因子為0.97時，99%的信息來源于最近的151個樣本。
λλ 的選取和VaR的目的相關(guān)。在日常風(fēng)險管理中，需要動態(tài)檢測風(fēng)險，VaR要能衡量當時市場狀態(tài)，通常使用較短的半衰期。
但在監(jiān)管中，由于VaR和風(fēng)險資本相關(guān)，銀行等機構(gòu)需要根據(jù)VaR確定其風(fēng)險資本，所以并不希望VaR變動過快，此時它們會選擇使用較長的半衰期，或者直接使用歷史法計算VaR。
2.3.歷史法中考慮權(quán)重問題
如果使用固定區(qū)間比如一年的樣本長度計算VaR，并且樣本權(quán)重一樣時，恰好位于樣本區(qū)間前邊的那個歷史數(shù)據(jù)，將不包含在今天的VaR計算范圍。如果那個邊界數(shù)據(jù)為一個極端數(shù)據(jù)時，將對今天的VaR結(jié)果造成很大的影響。這讓人難以琢磨而且非?；闹?。
直觀意義上看，某個單獨的歷史樣本，特別是很久之前的樣本，在計算過程中是否包含該樣本，對結(jié)果應(yīng)該影響較小。參數(shù)法和蒙特卡洛模擬法中引入了指數(shù)加權(quán)法處理這個問題，衰減因子使得每隔半衰期以外的歷史樣本權(quán)重降低一半，這樣是否包含歷史上某個極端樣本，對結(jié)果的影響相對較小。
在歷史法中，也可以對于不同時期的樣本數(shù)據(jù)賦予不同的權(quán)重解決上述的問題。最簡單的方法還是上面的衰減因子法，每隔半衰期的樣本權(quán)重降低一半。但是，這種方法在歷史法中不如用在風(fēng)險矩陣方法里好。因為，歷史法計算VaR值，本來就非常依賴于尾部的幾個極端數(shù)據(jù)，其它樣本數(shù)據(jù)都不會影響結(jié)果。衰減因子法會加劇該問題。
另一個處理歷史場景的方法是：用波動率去調(diào)整歷史場景。比如歷史場景某因子收益率為1%，波動率為2%。目前波動率為3%，那么調(diào)整該場景下因子收益率為1.5%。該方法主要是基于波動率的穩(wěn)定性，即假設(shè)短期內(nèi)波動率保持同樣的水平(同參數(shù)法一樣)。
2.4.對風(fēng)險矩陣的非正定性的處理
一個矩陣 Σ 是正定的，是指對于任何向量 w≠0，都有 wTΣw>0;一個矩陣 Σ是半正定的，是指對于任何向量w ，都有 wTΣw≥0。有幾種情況會導(dǎo)致非正定的風(fēng)險矩陣，
如果計算風(fēng)險矩陣的樣本個數(shù)低于風(fēng)險因子的數(shù)量，得到的協(xié)方差矩陣是半正定的。
因子的樣本長度不一樣時(比如因為樣本數(shù)不夠，因子1和因子2的協(xié)方差使用了100個樣本數(shù)據(jù)，但因子1和因子3的協(xié)方差只使用了50個樣本數(shù)據(jù))，得到的協(xié)方差矩陣可能是非正定的。
當分塊計算風(fēng)險矩陣(比如為了簡化計算過程，不直接計算不同類型的因子之間的相關(guān)性，而直接定義為一個常數(shù))，并且不同塊的計算方法不一樣時，得到的協(xié)方差矩陣可能是非正定的。
對因子協(xié)方差進行壓力測試時，需主動修改風(fēng)險矩陣某些位置的值，使得風(fēng)險矩陣不再是正定的。
上面第一種情況得到風(fēng)險矩陣可以不做處理。后幾種種情況導(dǎo)致的非正定風(fēng)險矩陣會需要對負數(shù)開根號，這是不可能的。所以必須對非半正定的風(fēng)險矩陣進行處理。
Correlation Stress Testing for Value-at-Risk: An Unconstrained Convex Optimization Approach這篇文章里描述了在上述第三種請款下，如何處理非正定的風(fēng)險矩陣，在其概述部分也描述了前人的若干種方法。
這些方法基本上都用到了最優(yōu)化，而且是二次的。在條件允許的情況下，應(yīng)該使用這些學(xué)術(shù)上的結(jié)果。但某些情況下，也可以采取近似的方法。比如，由于風(fēng)險矩陣是實對稱矩陣，它可以對角化：
其中， Γ 為正交矩陣， Ω 為對角矩陣。如果 Σ 非正定， Ω 對角線上有負值。在處理時，將 Ω 對角線上的負值重設(shè)為0即可：
2.5.如何生成隨機場景
模擬法的場景從風(fēng)險矩陣中得到。假設(shè)風(fēng)險矩陣 Σ 為n×n 的半正定矩陣，那么可以生成因子場景為：
其中 Σ=CTC， z 為n元獨立正態(tài)分布， T 為場景的時間長度(相對于 Σ )。