專利名稱：為優(yōu)化認(rèn)購而有效采樣有價證券的方法和系統(tǒng)的制作方法
相關(guān)申請的交叉參考本申請要求1999年12月30日遞交的美國臨時申請No.60/173,957的權(quán)利，其全部結(jié)合在這里作為參考。
諸如貸款，例如一萬的貸款或其它金融證券的大量資產(chǎn)，有時由于經(jīng)濟條件、計劃的或未計劃的資產(chǎn)剝奪或作為法律賠償可變得用來出售。數(shù)千商業(yè)貸款或其它有時包括等價于數(shù)十億美元資產(chǎn)的金融證券的出售有時必須在幾個月內(nèi)發(fā)生。當(dāng)然，資產(chǎn)的出售者希望使其有價證券的價值最優(yōu)，有時把資產(chǎn)分組成“一部分或一批債券”(tranch)(以下簡稱“批”)。這里所用的“批”這一術(shù)語不限于外國票據(jù)，而還包括資產(chǎn)和金融證券分組，而不管國家或管轄權(quán)。
投標(biāo)商對所有批或僅一些批投標(biāo)。為贏得一批，投標(biāo)商通常必須為該批遞交最高的投標(biāo)。關(guān)于決定對一特定批遞交的投標(biāo)量，投標(biāo)商常常雇傭證券認(rèn)購者在一批內(nèi)并在可用的有限時間內(nèi)評估盡可能多的資產(chǎn)。當(dāng)遞交投標(biāo)的時間快要到期時，投標(biāo)商將估價在此時認(rèn)購(underwritten)的資產(chǎn)，然后嘗試外推尚未由證券認(rèn)購者分析的資產(chǎn)的價值。
作為這一過程的結(jié)果，投標(biāo)商可能顯著低估一批的價值，從而遞交一個沒有競爭力的投標(biāo)或者比認(rèn)購值高的投標(biāo)并承擔(dān)未量化風(fēng)險。當(dāng)然，因為目的是以能使一個投標(biāo)商獲得回報的價格贏的每一批，所以由于顯著低估該批表示喪失了機會。因此希望提供一個系統(tǒng)，該系統(tǒng)能夠便利在短的時期內(nèi)準(zhǔn)確評估大量金融證券并理解對于一個給定投標(biāo)的回報和風(fēng)險的相關(guān)概率。
隨著處理進行和更多的資產(chǎn)被認(rèn)購，在第一和第二部分中具有建立起的價值的資產(chǎn)的數(shù)目增加，而在第三部分中的資產(chǎn)的數(shù)目減少，并且在第三部分中的資產(chǎn)的估值的變化越來越確定。更具體說，通過根據(jù)對在第一和第二部分中的資產(chǎn)的估值的相似性把資產(chǎn)分組為具有價值概率的類來評估第三部分中的資產(chǎn)。在任何時候，存在有價證券的價值的一種符號表示法，但是隨著過程進行對估值的可信度增加。使用估值產(chǎn)生假設(shè)投標(biāo)以決定在由投標(biāo)商確定的參數(shù)內(nèi)的一個最優(yōu)投標(biāo)。通過一個反復(fù)的投標(biāo)產(chǎn)生過程確定最優(yōu)投標(biāo)。


圖14是一個計算機網(wǎng)絡(luò)原理圖。
發(fā)明的詳細(xì)描述圖1是一個示意圖10，表示估值一個大資產(chǎn)有價證券12的已知方法，它通過一個認(rèn)購周期和通過為例如在拍賣中購買資產(chǎn)有價證券12而投標(biāo)實現(xiàn)這一估值。圖1是一個典型的認(rèn)購和外推過程10的高層略圖，它不是重復(fù)的和自動的。在示意圖10中，認(rèn)購者認(rèn)購14有價證券12中的一些單個資產(chǎn)，產(chǎn)生一個認(rèn)購的第一部分16和一個未接觸的剩余部分18。在任何資產(chǎn)被認(rèn)購前，第一部分16的百分比是零，而剩余部分18是有價證券12的百分之百。隨著認(rèn)購過程進行，第一部分16增加，而剩余部分18減少。目的是為在購買資產(chǎn)有價證券的投標(biāo)遞交之前認(rèn)購盡可能多的資產(chǎn)。認(rèn)購者小組繼續(xù)單個認(rèn)購14直到必須要遞交投標(biāo)之前。進行一個粗略的外推20來評估剩余部分18。外推的價值20成為未認(rèn)購的推斷價值24。粗略外推為剩余部分18產(chǎn)生一個估值24。估值22只是在第一部分16中的各個資產(chǎn)價值的總和。然而，估值24是由外推產(chǎn)生的一個組估值，可以相應(yīng)打折。然后把估值22和24相加，產(chǎn)生有價證券資產(chǎn)價值26。對有價證券的每一批執(zhí)行估值過程。
圖2是一個示意圖，表示用于快速資產(chǎn)評估的一個系統(tǒng)28的一個實施例。在圖2中包括的是由系統(tǒng)28在估價資產(chǎn)有價證券12中采取的處理步驟的表示。系統(tǒng)28分別估價(“接觸”)每一資產(chǎn)，除了從統(tǒng)計上考慮不重要或金融上無形的非常少量的未接觸資產(chǎn)30。具體說，有價證券12中的所有資產(chǎn)除了數(shù)量30外都經(jīng)歷反復(fù)的和適應(yīng)性評估32，其中有價證券12中的資產(chǎn)分別估值，分別列在表中，然后從表中選擇，為投標(biāo)的目的歸入任何希望的或需要的組或批中(下面會說明)。如在示意圖10中所示，認(rèn)購者開始對有價證券12中的各個資產(chǎn)完全認(rèn)購14，產(chǎn)生資產(chǎn)的一個完全認(rèn)購的第一部分16。認(rèn)購者還認(rèn)購34有價證券12的第二部分36中的資產(chǎn)樣本，計算機38統(tǒng)計推斷40有價證券12的第三部分42的價值。計算機38還重復(fù)產(chǎn)生44多個表(下面說明)，表示分配給在部分16、36和42中的資產(chǎn)的價值，這在下面說明。在一個實施例中，計算機38配置為一個獨立的計算機。在另一個實施例中，計算機38配置為一個通過網(wǎng)絡(luò)(在圖14中表示和說明)連接到至少一個客戶系統(tǒng)的服務(wù)器，所述網(wǎng)絡(luò)可以是廣域網(wǎng)(WAN)或者是局域網(wǎng)(LAN)。
例如，仍然參考圖2，有價證券12的第三部分42的一個未采樣的和未認(rèn)購的部分46使用模糊C方法聚類(FCM)和一個組合的高/期望/低/定時/風(fēng)險(HELTR)分?jǐn)?shù)而經(jīng)歷統(tǒng)計推斷過程40以產(chǎn)生兩個類目48和50。HELTR定義為H-高現(xiàn)金流量，E-期望的現(xiàn)金流量，L-低現(xiàn)金流量，T-現(xiàn)金流量的定時(例如以月0-6，7-18，19-36，37-60)，R-用借方的風(fēng)險評估(由信用分析者使用的9-boxer)。類目48被視為為作為整體評估具有足夠的共同性。類目50進一步分成類52和54，它們又依次細(xì)分。類52分為子類56和58，而類54分為子類60、62和64。類和子類兩者都在“樹”圖66中和在估值框68中作為方塊表示。然后把這些各個資產(chǎn)價值為投標(biāo)的目的重新分組為批70、72和74。銷售者可以把任何數(shù)目的批組合到任何安排的集合中。
把為有價證券12中的每個資產(chǎn)的各個資產(chǎn)數(shù)據(jù)(未示出)輸入數(shù)據(jù)庫76，從這里根據(jù)一個給定的判據(jù)80為重復(fù)和適應(yīng)處理32檢索選擇的數(shù)據(jù)78。當(dāng)為評估任何資產(chǎn)建立判據(jù)80后，把建立起來的判據(jù)80存儲到數(shù)據(jù)庫76中為評估數(shù)據(jù)庫76中其它共享這種建立的判據(jù)的資產(chǎn)數(shù)據(jù)使用。于是重復(fù)和適應(yīng)評估過程32產(chǎn)生82估值(下面描述)并把它們分組84為在投標(biāo)中使用。
圖3和圖4結(jié)合形成表示用于評估一個大的資產(chǎn)有價證券12的系統(tǒng)28(在圖2中表示)的一個實施例的功能概要的流程圖85。估值過程14、34和40(也參見圖2)在系統(tǒng)28中以下面說明的方式同時和順序使用。如上所述，完全認(rèn)購14是第一類估值過程。具有樣本完全認(rèn)購的分組和采樣認(rèn)購34是第二類估值過程。統(tǒng)計推斷40是第三類估值過程，它是自動分組和自動估值。過程14、34和40基于如下說明建立的目標(biāo)判據(jù)。
這里使用的“認(rèn)購”指的是一個過程，其中，某人(“認(rèn)購者”)根據(jù)已建立的原則審查一個資產(chǎn)并決定為購買該資產(chǎn)的當(dāng)前購買價格。在認(rèn)購期間，認(rèn)購者使用為評估而預(yù)先存在的或建立起來的判據(jù)80?！芭袚?jù)”指的是與資產(chǎn)價值和根據(jù)這種類目的等級相關(guān)的規(guī)則。例如，作為一個判據(jù)，某個認(rèn)購者可能決定用借方(borrower)三年的現(xiàn)金流量歷史作為與資產(chǎn)評估相關(guān)的信息類目，并可能給出對各種現(xiàn)金流量級別一定的等級。
完全認(rèn)購14以兩種方式進行，完全現(xiàn)金基礎(chǔ)方式86和部分現(xiàn)金基礎(chǔ)方式88。完全現(xiàn)金基礎(chǔ)方式86和部分現(xiàn)金基礎(chǔ)方式88兩者都以經(jīng)過完全單個審查14(見圖2)的資產(chǎn)集90和92開始。這種完全審查14通常由于大美元(large dollar)或者其它適合的貨幣、相對于有價證券中的其它資產(chǎn)被審查的資產(chǎn)量、或者由于用借方如此出名或者如此可靠，以致該資產(chǎn)可以很快而可靠地被完全認(rèn)購，或者在市場上標(biāo)價，使得與所述資產(chǎn)的價值很少差別。資產(chǎn)集90由認(rèn)購人94評估，并且在資產(chǎn)集90中的每一個資產(chǎn)接收一個差別很小的估值，諸如用現(xiàn)金或具有完全現(xiàn)金價值的可貿(mào)易商品支持的資產(chǎn)，并放在一個完全價值表96中。存儲為表96中的資產(chǎn)選擇的各個價值作為完全認(rèn)購的組價值98。
集92由一個認(rèn)購者小組100評估，它可與小組94相同，但是每一資產(chǎn)接受一個折扣的或部分價值并放入一個部分價值表102中。存儲為在表102中的一批中的資產(chǎn)所選擇的各個價值作為部分價值完全認(rèn)購的組價值104。用于完全現(xiàn)金基礎(chǔ)方式86和部分現(xiàn)金基礎(chǔ)方式88的判據(jù)80(在圖2中表示)存儲在計算機38(在圖2中表示)的數(shù)字存儲存儲器(未示出)中的數(shù)據(jù)庫76(在圖2中表示)中，為在自動評估40的指導(dǎo)學(xué)習(xí)206和不指導(dǎo)學(xué)習(xí)208中使用。
使用兩個過程，完全采樣106過程和部分采樣108過程，實現(xiàn)采樣認(rèn)購34。完全采樣106為大資產(chǎn)類目使用，并且包括被采樣的資產(chǎn)類目中的樣本組的百分之百采樣110。完全采樣106中的資產(chǎn)不單獨認(rèn)購，而是在完全采樣組112中根據(jù)一個決定的共同特性認(rèn)購。產(chǎn)生一個作為結(jié)果的完全采樣組估值(未示出)，然后根據(jù)規(guī)則114取消分隔以產(chǎn)生一個單個完全樣本資產(chǎn)價值表116。然后以電子方式上載在表116中的各個完全樣本資產(chǎn)價值到為投標(biāo)所需要的任何完全采樣組估值118中，其由分組一批中的資產(chǎn)所建議。在一個認(rèn)購樣本分組中的資產(chǎn)數(shù)目可以少到為1至任何資產(chǎn)數(shù)目。部分采樣108用于中等資產(chǎn)類目，包括由從正被采樣的組的一個類中百分之百采樣一個代表組并隨機采樣在該類中的其它組形成一個類樣本組120。在部分采樣108中，所有組均被采樣，但是一些從類樣本組120中通過外推而部分估值。部分采樣108包括具有手工數(shù)據(jù)項125的資產(chǎn)級重認(rèn)購122以產(chǎn)生一個α信用分析者表126，給該表一個資產(chǎn)類調(diào)整128以產(chǎn)生一個經(jīng)對每一類估值的認(rèn)購人的可信度進行組織評估得分。類號是說明性屬性的一個特定集合的唯一的標(biāo)識符，說明性屬性是關(guān)于一個資產(chǎn)的事實，熟悉評估的人使用它來評估一個資產(chǎn)的價值。說明性屬性的例子包括但不限于支付狀態(tài)、資產(chǎn)類型、以得分表示的用借方的信用信任度，申領(lǐng)的位置和資歷。在一個實施例中，類名是說明類的說明性屬性或源的字母數(shù)字名。在圖12中可以找到說明性屬性的一個例子，下面說明。
說明性屬性是用于產(chǎn)生資產(chǎn)價值的事實、維數(shù)或向量。使用計算機邏輯來檢查重復(fù)的類，如果有的話，提醒分析者或認(rèn)購人。
因為每一個資產(chǎn)可以用說明性屬性的多種組合說明，因此可能發(fā)生為同一資產(chǎn)不同級的價值。概率回收值或信用得分或者資產(chǎn)價值的任何數(shù)字指示都是在離散的資產(chǎn)級別上指定的價值的指示符。綜合來自各種說明性屬性的所有信息，使得能夠以一個固定價值或一個概率性的價值斷言一個購買或銷售價格。這里使用的一個說明性實施例是HELTR得分。每一類有唯一一組說明性屬性和指定的HELTR得分。
每一類的唯一屬性對類價值的評估都有貢獻(xiàn)。屬性的不同組合提供一個特定類的得分的更高的可信度或可信度區(qū)間。例如，如果任何資產(chǎn)被說明為是具有高度等于2.5”為和寬度等于5”的綠色紙張的話，則人們可能認(rèn)為其值在0到1000美元之間并給該評估非常小的可信度。如果該同一資產(chǎn)以更多細(xì)節(jié)或?qū)傩曰蛳蛄空f明為是一個實際的20美元的鈔票，則人們將對這一20美元的類價值給以非常高的可信度因子。
及時決定并記錄類的估值和可信度。有時，新的信息變得可用，分析者愿意改變這些值。這些值使用數(shù)據(jù)字段和決策規(guī)則以通過計算機代碼的自動方式手工或自動改變。操作先前的值使反應(yīng)新的信息。作為一個說明的例子，假定先前的類可信度記錄為0.1，并了解到具有在該類中準(zhǔn)確說明性屬性的一個不同的資產(chǎn)剛剛以超過預(yù)測的“最可能”的值售出。規(guī)則這樣生效，即如果這一事件發(fā)生，則類可信度用10乘，0.1×10＝1，這是修改過的類可信度。
這一過程的目的是使對同一資產(chǎn)的多個得分一致，控制與評估的每一維數(shù)的估值的每一來源關(guān)聯(lián)的可信度。使用HELTR作為具有對一個特定資產(chǎn)的采樣數(shù)據(jù)點的說明性例子過調(diào)整的信用分析者表130。如上所述，從經(jīng)過調(diào)整的信用分析者表130中按照批分組選擇單個資產(chǎn)以產(chǎn)生一個部分采樣信用值132用于對批70(在圖2中表示)進行投標(biāo)。
自動評估過程40使用指導(dǎo)學(xué)習(xí)過程206、不指導(dǎo)學(xué)習(xí)過程208和從一個統(tǒng)計推斷算法134的上載來產(chǎn)生一個認(rèn)購類表136，它存儲在一個數(shù)字存儲設(shè)備中。在指導(dǎo)學(xué)習(xí)過程206中，一個知道要問什么問題來建立價值的有經(jīng)驗的認(rèn)購人幫助計算機決定某個資產(chǎn)是否是一個好的投資和如何估值該資產(chǎn)。在不指導(dǎo)學(xué)習(xí)過程208中，計算機分段和分類資產(chǎn)并根據(jù)從數(shù)據(jù)來的反饋有目的地自評估資產(chǎn)。認(rèn)購人周期地審查不指導(dǎo)學(xué)習(xí)過程208以決定計算機是否在做明智的認(rèn)購結(jié)論。計算機使用統(tǒng)計算法134進行它的推斷。例如，不作為限制，一個實施例使用由通用電氣公司開發(fā)和使用的Design For Six Sigma(“DFSS”)的質(zhì)量范例，并應(yīng)用在使用一個多代產(chǎn)品開發(fā)(“MGPD”)方式的Due Diligence(“DD”)資產(chǎn)估值過程以增加的準(zhǔn)確度估值資產(chǎn)數(shù)據(jù)。學(xué)習(xí)過程206和208在進行的、實時基礎(chǔ)上將隨著評估的進展積累的知識結(jié)合到現(xiàn)金流量回收和回收概率的計算中。指導(dǎo)學(xué)習(xí)過程206使用商業(yè)規(guī)則為評估的目的來識別具有公共特征的資產(chǎn)類。不指導(dǎo)學(xué)習(xí)過程208使用從先前由過程40執(zhí)行的數(shù)據(jù)評估來的反饋來決定相對于增加的評估可信度是否有進步。由于使用高速計算機，識別所有可用的原始數(shù)據(jù)和發(fā)現(xiàn)這些可用原始數(shù)據(jù)類的相互關(guān)系是可能的，這在下面說明。
在一個示例實施例中，使用采取HELTR打分技術(shù)不指導(dǎo)組織原始數(shù)據(jù)的模糊聚類方法(“FCM”)過程來推斷有價證券中的資產(chǎn)的信用得分的估值，這在下面說明。這種聚類技術(shù)是響應(yīng)更復(fù)雜的分類段來說明在有價證券中必須在不允許手工處理的時間期間內(nèi)評定的資產(chǎn)和高資產(chǎn)計數(shù)開發(fā)的。
一個示例方法首先在一個計算機化的系統(tǒng)中組織評估得分(靜態(tài)的和/或概率回收的)。然后為特殊的因素和商業(yè)決策調(diào)整該評估得分。然后對說明同一資產(chǎn)的多個評估得分執(zhí)行一致處理和對審查/推翻推斷的估值進行總調(diào)整。
通過以電子形式整理類號、類名、類的說明性屬性、概率回收值(一個說明的例子是HELTR得分)和基于每一類的說明性屬性的強度
類一致估值是一個高值.6999，最可能是.4792，低值.2374，定時是2.6059?？梢詰?yīng)用不同的邏輯來操作任何加權(quán)因子。
在總體假定的意義上產(chǎn)生一致得分。如果總體假定改變的話，則在該方法中包括處理步驟128、138來加權(quán)該一致得分。說明的例子是在某些評估因素中的虛假發(fā)現(xiàn)、宏觀經(jīng)濟改變、為一個資產(chǎn)類建立的可代替的市場值、以及相對于正在使用的其它方法的推斷資產(chǎn)估值方法的損失或增加。
在另一個實施例中，使用一種交叉相關(guān)工具以快速理解和說明一個有價證券的組成。通常，使用該工具把一個用戶選擇的變量的響應(yīng)與在一個資產(chǎn)的有價證券中的其它變量相關(guān)。該工具快速識別在兩個屬性變量和該響應(yīng)變量之間的想不到的高或低相關(guān)。屬性變量有兩類，連續(xù)的和范疇的。用相關(guān)工具計算在所有感興趣的變量及其段(bin)或級之間的交叉相關(guān)并在一個實施例中用兩維矩陣表示，為容易識別在該有價證券中的資產(chǎn)的趨勢。
首先，交叉相關(guān)工具識別資產(chǎn)的有價證券中的屬性變量是連續(xù)的還是范疇的。為每一變量計算聚合值，對于連續(xù)變量用段(bin)計算，而對于范疇變量用價值。
試圖使用該工具識別相關(guān)的用戶將選擇一個響應(yīng)變量，Yr，例如一個期望的回收或計數(shù)。對屬性變量對(x1和x2)和它們的級(a和b)的所有組合，計算響應(yīng)變量Yr的平均值，根據(jù)Yr＝sum(Y(x1＝a和x2＝b))/count(x1＝a和x2＝b)。
根據(jù)下式計算響應(yīng)變量的一個期望值YexpectYexpect＝(sum(Y(x1＝a))*count(x1＝a)+sum(Y(x2＝b))*count(x2＝b)))/(count(x1＝a)*count(x2＝b))。
所選擇的響應(yīng)變量Yr從期望值Yexpect的偏差Yerror，分別使用x1＝a和x2＝b出現(xiàn)的加權(quán)值，由下式計算Yerror＝Y(jié)r-Yexpect。
在一個實施例中，以多維顯示顯示期望值和偏差以便容易識別離開期望值的差異。
在另一個示例實施例中，使用一個變換原始數(shù)據(jù)為最終投標(biāo)價格的傳遞函數(shù)過程，其在下面說明。使用在過程14、34和40中產(chǎn)生的經(jīng)修改的系數(shù)以電子方式調(diào)整表136，以便為資產(chǎn)的信用得分138進行系數(shù)調(diào)整以產(chǎn)生推斷的各個資產(chǎn)信用價值的一個經(jīng)調(diào)整的信用分析者表140。如批分組所需要的，各個資產(chǎn)價值從表140中取出以產(chǎn)生一個推斷的信用估值142。最后對“未接觸”資產(chǎn)的可忽略剩余部分30進行外推以產(chǎn)生一個未接觸資產(chǎn)的表144。選擇表144中的值以產(chǎn)生一個未接觸資產(chǎn)估值。
完全現(xiàn)金估值98、部分現(xiàn)金估值104、完全采樣信用估值118、部分信用價值132、推斷信用價值142和從未接觸資產(chǎn)表144指定的任何值累積起來，并以從完全現(xiàn)金估值98到推斷的信用價值142連續(xù)的優(yōu)先級互相排斥。這些估值的和表示有價證券的價值。
圖4是由系統(tǒng)28(在圖2中表示)執(zhí)行的一個投標(biāo)準(zhǔn)備階段168的流程圖。累積的估值98、104、118、132、142和144在一個風(fēng)險優(yōu)選項借貸級評估步驟146中組合。使用一個現(xiàn)金流量定時表150產(chǎn)生一個確定的現(xiàn)金流量橋148來產(chǎn)生一個隨機現(xiàn)金流量橋152。建立和使用隨機或概率性的現(xiàn)金流量橋152以決定一個建議的批投標(biāo)價格154，對該批投標(biāo)價格反復(fù)應(yīng)用一個批模型156直到達(dá)到一個一定的閾值158。閾值158例如是大于某價值的一個內(nèi)部回報率(“IRR”-rateof return)、一個一定的受益時間(“TTP”-time to profit)、和一個正的純現(xiàn)值(“NPV”-positive net present value)。一般，NPV定義如下 式中C0是在時間0的投資，C1是在時間1期望的盈利，而r是折扣因子?；舅枷胧墙裉斓囊幻涝让魈斓囊幻涝袃r值。
在保險單的場合，NPV定義為 式中P是保險費，E是期望的票面費用，C是要求的費用。基本上等式B是如何產(chǎn)生作為利潤和加權(quán)的期望風(fēng)險的差的純收入。注意，總和是對在一個特定段內(nèi)所有保險單相加。另外注意，所有保險費、票面費用和要求的費用在進入等式前已經(jīng)打過折扣。作為結(jié)果，產(chǎn)生一個可獲利潤分?jǐn)?shù)。
如果滿足閾值條件160，則投標(biāo)154接受一個模擬的開標(biāo)分析161以預(yù)測該投標(biāo)是否可以期望得標(biāo)。密封投標(biāo)拍賣的結(jié)果取決于從每一個投標(biāo)人接收的投標(biāo)的大小。拍賣的執(zhí)行包括打開所有投標(biāo)和把拍賣的項目賣給最高的投標(biāo)者。在傳統(tǒng)的密封投標(biāo)拍賣中，一旦投標(biāo)人的投標(biāo)被遞交就不允許投標(biāo)人改變他們的投標(biāo)，投標(biāo)人在開標(biāo)前也不知道由其他投標(biāo)人投的標(biāo)，使拍賣的結(jié)果不確定。通過投較高的標(biāo)，贏得拍賣的可能性更高，但是如果可能以一個較低的價格贏得該拍賣的話價值增益更低。
模擬競爭投標(biāo)增加獲取更高可獲利潤率的可能性，它通過設(shè)定一個具有傾向的投標(biāo)/銷售價格的范圍，在人們擁有資金前耗盡任何競爭的投標(biāo)人的資金，使得最希望的資產(chǎn)事務(wù)以最高的資本儲備交易。定價決策通過分析上健壯的處理帶入焦點，因為純粹奇聞軼事的商業(yè)判斷可以由不受限于隱藏的日程、個性或片面的知識的數(shù)據(jù)驅(qū)動方法放大。
每一個可能的投標(biāo)商都具有一個可以遞交給一個密封投標(biāo)拍賣的可能的投標(biāo)范圍。該投標(biāo)范圍可以表示為一個統(tǒng)計分布。通過從投標(biāo)值的分布隨機采樣，可以模擬一個可能的拍賣方案。另外通過使用重復(fù)采樣技術(shù)，例如Monte Carlo分析，可以模擬許多方案來產(chǎn)生一個結(jié)果分布。該結(jié)果分布包括贏得拍賣項目和價值增益的可能性。通過改變?nèi)藗冏约旱耐稑?biāo)價值，可以決定相對人們自己的投標(biāo)價贏得拍賣的可能性。
使用下面的核心元素來模擬一個競爭投標(biāo)收益，編篡市場規(guī)則和合同為計算機化的商業(yè)規(guī)則，編篡可能的競爭/市場力，預(yù)見預(yù)算和優(yōu)先級到一個優(yōu)選項陣列中，某人自己的投標(biāo)能力、優(yōu)選項、與編篡進一個優(yōu)選項陣列一致的風(fēng)險/回報權(quán)衡，和計算機化的隨機優(yōu)化。
分析160模擬與具有相對于由系統(tǒng)28計算的投標(biāo)不同的各種金融能力投標(biāo)的其它公司的一個競爭環(huán)境。在一個實施例中，分析160，作為一個例子但不作為限制，包括一個總投標(biāo)限制，諸如在資產(chǎn)的總價值超過使用系統(tǒng)28的實體的金融能力的場合。在一個實施例中，在這種對投標(biāo)有有限資源的場合，分析160可以估價對不同批組合投標(biāo)的可獲利潤率。分析160還考慮過去對已知競爭者的投標(biāo)歷史和競爭投標(biāo)商喜歡的不同類型資產(chǎn)的信息。在分析160中，批投標(biāo)然后被評估和由管理162設(shè)定，并決定最終批投標(biāo)164。在進行投標(biāo)164之前的所有評估可以根據(jù)意愿重復(fù)。另外，因為該過程是自調(diào)節(jié)的和重復(fù)的，因此，隨著通過由系統(tǒng)28執(zhí)行重復(fù)發(fā)現(xiàn)越來越多的價值，批投標(biāo)價格164趨向上升。
由流程圖85說明的過程包括一個評估階段166(在圖3中表示)和一個投標(biāo)準(zhǔn)備階段168(在圖4中表示)。評估階段166包括過程14、34和40。評估階段166持續(xù)運行直到停止，以自動評估過程40和采樣過程34試圖在各種資產(chǎn)或資產(chǎn)類目中發(fā)現(xiàn)額外的價值。
再次參考圖2，并按照迅速資產(chǎn)評估，就每一資產(chǎn)識別在有價證券12的資產(chǎn)內(nèi)的數(shù)據(jù)類目170、172和174并存儲在數(shù)據(jù)庫76中。重復(fù)和適應(yīng)性評估過程取選擇的數(shù)據(jù)部分78并以統(tǒng)計方式應(yīng)用判據(jù)80到選擇的數(shù)據(jù)部分78以增加已知的資產(chǎn)價值而不是作為一個粗略外推20的資產(chǎn)價值。按照方法28把資產(chǎn)分成至少第一部分16、第二部分36和第三部分或剩余42。使用過程14，在部分16中的資產(chǎn)被完全認(rèn)購以決定估值98和部分價值完全認(rèn)購估值104和建立為這種估值的判據(jù)80。使用過程34，過程28從第二部分36中采樣第二部分36中的組的代表的一定數(shù)量的資產(chǎn)以決定為第二部分36的完全采樣組估值118和部分采樣信用值132，并為這種估值建立另外的判據(jù)80。使用過程40，部分指導(dǎo)學(xué)習(xí)過程206和部分不指導(dǎo)學(xué)習(xí)過程208由諸如圖2的計算機38這樣的自動分析器執(zhí)行。為了學(xué)習(xí)，自動分析器抽取建立的判據(jù)80和關(guān)于第三部分或剩余42的所選擇的數(shù)據(jù)78，并把第三部分42分成多個部分46，然后使用從數(shù)據(jù)庫76和過程206和208每一個中引入的判據(jù)80進一步把每一部分46分成類目48和50，類目50分成類52、54，類52、54分成子類56、58、60、62和64。通過統(tǒng)計推斷為在子類56、58、60、62和64中的資產(chǎn)建立各個資產(chǎn)估值。
各個資產(chǎn)估值列在類表136中(見圖3)并在調(diào)整138后列在信用分析者表140中。建立的判據(jù)80是有目標(biāo)的，因為判據(jù)80來自數(shù)據(jù)庫76，它們在完全認(rèn)購過程14和采樣認(rèn)購過程34期間已經(jīng)被放在那里。換句話說，在完全價值表96、部分價值表102、表116、α信用分析者表126、經(jīng)調(diào)整的信用分析者表130、經(jīng)調(diào)整的信用分析者表140和對于所有資產(chǎn)的未接觸資產(chǎn)表144中獲得的信息放在諸如計算機38的硬盤存儲器的數(shù)字存儲設(shè)備中的數(shù)據(jù)庫76中，并由過程40用來自過程14和34的判據(jù)80進行相關(guān)。在過程40執(zhí)行期間，輸入判據(jù)80，它們具有帶一個可接受的可信度的統(tǒng)計意義。也就是說，過程40在其估值和建立判據(jù)80時重復(fù)學(xué)習(xí)。指導(dǎo)學(xué)習(xí)過程206和不指導(dǎo)學(xué)習(xí)過程208增加統(tǒng)計推斷估值142的準(zhǔn)確度，這通過與在數(shù)據(jù)庫76中建立起來的關(guān)于在完全認(rèn)購的第一部分16中的資產(chǎn)和在樣本認(rèn)購的第二部分36中的資產(chǎn)的判據(jù)相關(guān)而實現(xiàn)。在數(shù)據(jù)庫76中定位類似關(guān)于在部分16和/或36中的資產(chǎn)選擇的數(shù)據(jù)78而與在第三部分42中的一個或者多個資產(chǎn)相關(guān)的選擇的數(shù)據(jù)78，然后通過統(tǒng)計推斷，從定位的信息中決定為在第三部分42中的每一資產(chǎn)的價值。
在執(zhí)行由流程圖85說明的過程期間，在單個資產(chǎn)的級上估值資產(chǎn)，并把各個資產(chǎn)值列表或以一種或多種組合分組。為對不同的投標(biāo)方案有最大靈活性，估值有價證券12的任何子集并分別在一個特定的時間范圍內(nèi)定價。在已知的過程10中，如果資產(chǎn)的銷售者重新分組資產(chǎn)，例如從按資產(chǎn)公司的分組到按用借方的地理位置的分組，則投標(biāo)的重新估值可能是不適當(dāng)?shù)?，因為需要?zhí)行粗略外推20。在使用系統(tǒng)28時，因為單個資產(chǎn)價值被產(chǎn)生并列在表96、102、116、130、140和144中，因此這些價值可以以電子方式重組到不同的估值98、104、118、132、142中，它們的“食物鏈”選擇判據(jù)互相排斥，并可由進行評估的分析者選擇，其在下面進一步說明。如果銷售者分組資產(chǎn)，然后容易根據(jù)銷售者組或批進行分組并為該批產(chǎn)生一個適當(dāng)?shù)墓乐?46。這樣，各個資產(chǎn)價值很容易為第三部分42重新分組而有目的地獲得為該組或批的推斷估值142。
可以使用許多方法建立資產(chǎn)價值。取決于評估的目的，不同評估方法的相對的優(yōu)點建立為一個特定資產(chǎn)的評估技術(shù)的滿意性。一種方法類似一個“食物鏈”，它保存假設(shè)發(fā)展方法，但是選擇具有最高可信區(qū)間的區(qū)間。
在食物鏈的一個介紹性的說明例子中，某人可能相對于個人的觀點更喜歡通過在公開的市場上的相似的資產(chǎn)貿(mào)易來估值一個金融資產(chǎn)。在等級順序中，優(yōu)于個人的觀點選擇市場對市場的價值。
以相同的方法可以通過一些評估技術(shù)評估具有預(yù)測現(xiàn)金流量回收的有價證券中的資產(chǎn)。典型的目的是以盡可能高的可用概率建立將來的現(xiàn)金流量。以準(zhǔn)確定量現(xiàn)金流量或現(xiàn)金等價物的能力排序評估方法，以最小的下差和/或最大的上差預(yù)測。使用具有優(yōu)點或可能具有為消除重復(fù)工作的商業(yè)邏輯規(guī)則的所有可用的方法估值資產(chǎn)，同時知道，一旦使用最好的方法，更準(zhǔn)確的方法將不需評估資產(chǎn)的估價。
為對資產(chǎn)價值提供最好的預(yù)測，在食物鏈內(nèi)使用每一種方法評估資產(chǎn)，直到為每一特定資產(chǎn)使用可用的最好方法估值。一旦找到這一最好價值，則說該資產(chǎn)有它的價值，而不管在食物鏈中其它較低的值(具有更大的偏差)，并發(fā)送到完成狀態(tài)。
作為一個例子，使用食物鏈評估資產(chǎn)的一個有價證券。在該食物鏈中的第一評估方法是最接近配合評估目的的一種-亦即找到具有最高準(zhǔn)確度的價值(最緊的可信度區(qū)間)。一旦用為對于該唯一資產(chǎn)建立了一個價值的方法估值該資產(chǎn)，就將其送往估值表并從食物鏈的任何其它步驟中清除。不匹配任何評估方法的原來的有價證券中的資產(chǎn)表保存在未接觸資產(chǎn)表中。目的是驅(qū)動這一未接觸表為零資產(chǎn)。
食物鏈的一個例子如下，以優(yōu)選項的順序。(a)手中有為資產(chǎn)的100％的現(xiàn)金，(b)手中有為該資產(chǎn)的部分現(xiàn)金，(c)為相似資產(chǎn)的易變賣市場價值，(d)直接認(rèn)購，(e)推斷認(rèn)購。
食物鏈方法提供找到最好概率分布形狀的能力，減少概率分布偏差(特別是在下側(cè)的尾部)，提供迅速建立概率分布的能力，同時在一批顧客中保持所有可用知識，和提供為在發(fā)現(xiàn)過程中任何一點提供最好的價值評估的能力。
如圖4所示，投標(biāo)準(zhǔn)備階段168的一般框架是類似選項評估范例給投標(biāo)164定價，這里獲贏的投資者將有權(quán)，但不是責(zé)任，回收投資。該價值對于每一批取消分隔為3部分，錢的時間價值分量，固有價值分量，可攜帶現(xiàn)金流量分量。錢的時間價值和固有價值按確定性地計算，并一旦建立則很少偏差。錢的時間價值通過用一個公司為一次低風(fēng)險投資的資本成本乘以為表示為另外可選擇的投資的可應(yīng)用期間的投資計算，這一另外可選擇的投資為了當(dāng)前的投資而已經(jīng)過去。固有值公知是可變賣資產(chǎn)價值，它超過購買價格并在控制資產(chǎn)后立即可用。一個實施例是良好交易的證券，它作為有價證券的一部分以低于市場價值購買?？赡艿默F(xiàn)金流量偏差是一個適度努力的小組所作的假定和它選擇用以變換原始數(shù)據(jù)為一個現(xiàn)金流量回收流過程的函數(shù)。配置這里說明的系統(tǒng)以減少負(fù)偏差和找到價值。
圖5是為一個典型的最小3點資產(chǎn)評估180的三角概率分布圖。根據(jù)過程40，評估每一種金融證券的最少3種情況。豎軸182指示增加的概率，橫軸184指示回收增加的部分。表示出面值線(face valueline)188的償還或最差情況百分比186、面值188的最佳情況百分比190、和面值188的最可能情況百分比和回收值192。最差情況百分比186的概率是零，最佳情況方案190的概率是零，回收的最可能百分比192的概率194是由點196表示的值。在由連接點186、196和190的線定義的曲線200下面的面積198的大小是該資產(chǎn)的價值表示。在由面值188的100％回收的100％概率線204為邊界的矩形的區(qū)域202保持記數(shù)資產(chǎn)值，它是面值188可以歸于由曲線200表示的資產(chǎn)的那部分的測量。點186、196和190和線188和204，從而面積198和202將依賴于為所討論的資產(chǎn)選擇的選擇數(shù)據(jù)78和應(yīng)用于該資產(chǎn)的判據(jù)和資產(chǎn)值回收的說明的概率而變化。橫軸184可以以現(xiàn)金單位(例如美元)表示而不用面值的百分比。當(dāng)使用現(xiàn)金單位時，曲線200下為不同資產(chǎn)的面積198將以現(xiàn)金單位，從而面積198在大小上彼此相關(guān)，因此顯著與總投標(biāo)70、72和74相關(guān)。對該資產(chǎn)知道的越多，越可以精細(xì)地繪制曲線200。當(dāng)判據(jù)80建立時對曲線200應(yīng)用統(tǒng)計以幫助建立點186、196和190的位置因此面積198的位置，從而建立資產(chǎn)的期望值。影響價值的現(xiàn)金流量的定時可以基于定時屬性的直方圖結(jié)果。
例如，可以把現(xiàn)金流量回收定時細(xì)分為0-6個月、7-12個月、13-18個月3段(bin)，等等。使用算法134的自動分析器38可以根據(jù)對定時的靈敏度研究權(quán)衡選擇段(bin)寬度，來相對于可能由認(rèn)購人決定的估計回收和回收率估值。在一個示例實施例中，當(dāng)折扣系數(shù)大于25％時應(yīng)該使用最少4個段(bin)。對于折扣系數(shù)在10到25之間時，應(yīng)該使用最少6個段(bin)以覆蓋可能的回收期間。
根據(jù)過程40，選擇某個認(rèn)購人能夠使用評估金融證券價值的其它數(shù)據(jù)源。由在過程14和34中的認(rèn)購小組94、100、114、122和140建立的判據(jù)80在這一方面十分有用。根據(jù)由流程圖85說明的過程，原始數(shù)據(jù)轉(zhuǎn)變?yōu)榛厥?，并選擇一個規(guī)則組以把一個估值應(yīng)用于該原始數(shù)據(jù)，這一規(guī)則組以判據(jù)80的形式編碼到估值數(shù)據(jù)庫中。每次在一個類由在過程14、34或40的評估期間的多次命中接觸時，產(chǎn)生一個一致的預(yù)測并應(yīng)用于該類。按照系統(tǒng)28，現(xiàn)金流量的概率分布和在批一級的定時通過在該資產(chǎn)級產(chǎn)生評估傳遞函數(shù)146決定，該評估傳遞函數(shù)146將取原始數(shù)據(jù)，使數(shù)據(jù)將產(chǎn)生和聚集該批中的單個資產(chǎn)的估值的假定合理化。
因為所有的回收并不均勻，提供一種建立現(xiàn)金流量回收可變性的方法。通過組公開聚類各個資產(chǎn)。在允許的時間內(nèi)盡可能多地以傳統(tǒng)方法認(rèn)購面值，承認(rèn)留有一個相當(dāng)大的樣本用于聚類。使用等于145加上面計數(shù)的2.65％的樣本大小和偏差的回歸分析來評估聚類儲備。這將為面計數(shù)100的資產(chǎn)產(chǎn)生大小為30的樣本，為面計數(shù)1000的資產(chǎn)產(chǎn)生150、為面計數(shù)5000的資產(chǎn)產(chǎn)生400、為面計數(shù)10000的資產(chǎn)產(chǎn)生500、為面計數(shù)20000的資產(chǎn)產(chǎn)生600大小的樣本。
在統(tǒng)計推斷過程40中，在有價證券12的第三部分42中剩余的資產(chǎn)由說明性認(rèn)購屬性或判據(jù)80聚類并從每一類和認(rèn)購的樣本中隨機采樣。在一個實施例中，當(dāng)資產(chǎn)級平均偏差低于10％時停止從在過程40中的類采樣。在另一個實施例中，當(dāng)批級平均偏差低于15％時停止采樣。如果可能的銷售單位小于整個有價證券則不使用有價證券平均偏差作為停止點。根據(jù)過程40，類采樣的回收估值對相應(yīng)的類總體推斷。在使用系統(tǒng)28時，目的是通過3個或更多唯一的類接觸每一個推斷的資產(chǎn)估值。在執(zhí)行過程40期間，加權(quán)一個類的認(rèn)購可信度和說明性屬性的相關(guān)性。
舉一個非限制性的例子，0＝無可信度，這一類的說明性屬性將提供有意義的估值；1＝完全可信，該類的說明性屬性提供單個認(rèn)購每一證券都準(zhǔn)確，在0和1之間的數(shù)值指示估值的部分可信度。這些值的一致在調(diào)整的信用分析者表130中發(fā)生。在過程40中，位于資產(chǎn)級的現(xiàn)金流量然后通過在調(diào)整過的信用分析者表140中的宏觀經(jīng)濟系數(shù)調(diào)整。在一個實施例中，宏觀經(jīng)濟系數(shù)與主要資產(chǎn)類相關(guān)，例如(不作為限制)不動產(chǎn)居住貸款或商業(yè)設(shè)備貸款。該系數(shù)可以全局應(yīng)用，例如(不作為限制)法律社會趨勢，國內(nèi)生產(chǎn)總值(“GDP”)預(yù)測，擔(dān)保人社會趨勢，收集系數(shù)，用借方組代碼等。
一種用于采樣一個有價證券的方法包括在關(guān)鍵資產(chǎn)、用借方和擔(dān)保品的屬性特征中間檢索嚴(yán)重影響/產(chǎn)生風(fēng)險的屬性。下面的表A提供在一個資產(chǎn)評估方案中的有價證券屬性的一個例表。
表A有價證券屬性
資產(chǎn)屬性的分段通過編碼屬性為“啞變量”實現(xiàn)。例如，一個公共的資產(chǎn)屬性是“用借方在前12個月還過款嗎？”，如果回答是“是”，則它將在變量中編碼為“1”，否則是“0”。為其它資產(chǎn)屬性使用相似的“啞變量”。
通過使用任何統(tǒng)計過程完成分段過程，這些統(tǒng)計過程以這種方式編碼資產(chǎn)屬性，使得把有價證券分段為相似資產(chǎn)的組。一個這種算法是K方法聚類。在一個有3個屬性的例子中，未付資本平衡(UPB)，付款概率，范圍從0到1；和安全得分，使用由不動產(chǎn)抵押品為安全的概率，資產(chǎn)可以被分類為具有相似屬性的5個組。
一旦資產(chǎn)分組完成，則計算要取的和為進一步認(rèn)購審查而遞交的樣本數(shù)目，這通過建立可以以之作出關(guān)于在每一段(k)中的總回收的報表的可信度級、建立人們以之希望估計在每一段(h)的總回收的精確度、和提供一個該級有因果關(guān)系的估計和作為總未付資本平衡(UPB) (R)的百分比的回收范圍、按照下式計算Var(Y^R)=n[1-nN]×[ΣlNxi]2[Σlnxi]2×ΣlN(yi-Rxi)2N-1]]>n＝樣本大小N＝類大小xi＝對樣本i的UPByi＝對樣本i的回收 h＝為用 估計 的容差 k＝Tchebyshev公式中的常數(shù) 其中概率 通過從等式C解出n，得到為給定類需要的樣本大小。解等式C另外允許用戶以概率 規(guī)定計算的樣本大小，n，以及相關(guān)的認(rèn)購價值將估計總的類回收在誤差h內(nèi)，假定使用等式D決定總的段回收的估計。
在實際中，很難沒有可用數(shù)據(jù)來估計總回收的可變性。一種電子表格工具通過以Monte Carlo模擬產(chǎn)生數(shù)據(jù)并指導(dǎo)用戶通過結(jié)果的分析直到導(dǎo)出喜歡的樣本大小實現(xiàn)上述這一點。
表B從對20個貸款的組的研究提供一個輸出例子，估計的(期望的)回收在UPB的20％和30％之間，而UPB的范圍在1MM和2MM之間。需要8個樣本來估計為20個貸款的總回收到實際的10％之內(nèi)，可信度為75％。
表B樣本大小電子表格向?qū)?
為每一個資產(chǎn)進行適當(dāng)?shù)钠钫{(diào)整預(yù)測并建立估值表以包括在該有價證券中的每一個資產(chǎn)。使用連續(xù)概率以銷售單位估值回收，該單位在一個實施例中是批。在使用系統(tǒng)28時，然后評估內(nèi)部回報率(“IRR”)和偏差。優(yōu)選的批為一個給定的IRR具有較低偏差。使用項目的折扣率評估為0以上的每一批的純現(xiàn)值(“NPV”)的概率。從資本的機會成本，加上FX交換成本，加上在預(yù)測的現(xiàn)金流量回收的差異中固有的不確定性中的風(fēng)險來決定折扣率。如果出現(xiàn)多于5％的不確定性，該項目將有一個負(fù)的VPN，則不進行投標(biāo)。以批進行交易評估，使用下面的決策判據(jù)IRR，在一批中的IRR的風(fēng)險差異，該批估計的付款意愿和能力，獲益時間(“TPP”)和在以批歸還中的風(fēng)險差異，以折扣到無風(fēng)險率的批的期望現(xiàn)金流量的VPN。
在資產(chǎn)有價證券的內(nèi)容不可以談判的競爭投標(biāo)環(huán)境下，投資者或銷售者具有強烈的金融動機僅選擇可用于事務(wù)交易的總資產(chǎn)的一部分，這部分可以給他們聚集的金融結(jié)構(gòu)，最好的風(fēng)險/回報。對投資者而言，以具有最大上限概率的較高概率的資產(chǎn)滿足最小風(fēng)險/回報期望價值甚至更吸引人。
把集合的有價證券分成單獨的可進入市場的子有價證券或批。每一批有來自先前分析的預(yù)測的現(xiàn)金流量概率分布和時間持續(xù)期間。然后給這些批一個試驗價格。把新的資產(chǎn)與賣或買方的現(xiàn)有資產(chǎn)性能組合，并進行Monte Carlo情況生成(以所考慮的相關(guān)的交叉關(guān)聯(lián))。
批選擇過程包括隨機選擇不買的批。一旦有價證券效果采取某種模式，則由隨機優(yōu)化找到要購買的批的最好的選擇，以什么價格視限制而定。
使用NPV可以誤導(dǎo)，因為與雙重折扣關(guān)聯(lián)的效果，雙重折扣發(fā)生在對悲觀事例方案打折扣以獲得PV的場合。使用獲益時間用于克服這一限制，和在折扣中使用邊際資本費用或無風(fēng)險率，其由進行評估的分析者決定。
推斷評估過程40的指導(dǎo)學(xué)習(xí)過程206和部分采樣過程108的步驟120、122和126在認(rèn)購人被積極地卷入在該過程中上有基本的相似性，但是該過程是自動的。圖6是一個流程圖，表示為可分段金融證券資產(chǎn)自動認(rèn)購的一個過程210。首先用公共的屬性定義212金融證券的類。為從基于屬性定義的類中選擇的樣本給一個關(guān)于價值的專家意見214。在樣本認(rèn)購過程216中使用這一意見，并為屬性的組合檢查價值并使其一致218。然后過程210選擇和設(shè)定220要使用的單個屬性，然后分類222單個資產(chǎn)到類中。給每一類資產(chǎn)應(yīng)用224類評估。使用類評估，通過規(guī)則226取消這些價值的分離以產(chǎn)生信用分析者表228。
圖7是不指導(dǎo)學(xué)習(xí)208的一個示例實施例的流程圖，它包括幾個模塊。數(shù)據(jù)獲取模塊230收集相關(guān)數(shù)據(jù)78，只要可用的話。變量選擇模塊232識別與資產(chǎn)相關(guān)的變量，這些變量被信用審查視為關(guān)鍵的或具有為分開不同資產(chǎn)組的最大區(qū)別能力。層次分段模塊234根據(jù)由分析選擇的關(guān)鍵變量把資產(chǎn)的整個有價證券分段為多個段(bin)。FCM模塊236根據(jù)資產(chǎn)數(shù)據(jù)的自然結(jié)構(gòu)進一步把每一段分為類。認(rèn)購審查模塊238指定計劃的現(xiàn)金流量和風(fēng)險得分138(在圖3中表示)給每一類。然后把這一得分提供給在為在過程40中正被調(diào)整的類中的資產(chǎn)的信用分析者表136中的單個資產(chǎn)價值以產(chǎn)生調(diào)整后的信用分析者表140。該過程被重復(fù)和繼續(xù)，并可以由計算機執(zhí)行，使得在別處正執(zhí)行標(biāo)準(zhǔn)認(rèn)購時它也能繼續(xù)。
圖8表示另外可選擇的示例推斷估值過程240，其用于代替在圖3和4中說明的過程。在該備選過程240中，使用一個七步驟過程來迅速估值一個不動產(chǎn)貸款有價證券，使用完全認(rèn)購、部分認(rèn)購和推斷評估的組合。首先，按照風(fēng)險采樣242資產(chǎn)。第二，認(rèn)購資產(chǎn)244，并記錄估值。第三，形成246市場價值類，諸如通過FCM，下面說明。第四，為認(rèn)購的資產(chǎn)建立248回歸模塊。從前面建立248的那些中為被認(rèn)購的資產(chǎn)選擇一個最好的模型250。第六，計算為所選擇的模型的計數(shù)252。第七，給有價證券12的未認(rèn)購的或推斷估值部分42應(yīng)用在250選擇的模型254，以用計數(shù)加權(quán)的方式為每一個未認(rèn)購資產(chǎn)預(yù)測單個價值。然后把根據(jù)過程240產(chǎn)生的單個資產(chǎn)價值放在調(diào)整的信用分析者表140中(參見圖3)。
在采樣資產(chǎn)242時，認(rèn)購人使用分層的隨機采樣為詳細(xì)審查選擇資產(chǎn)。從抵押品屬性構(gòu)造層。為不動產(chǎn)有價證券的抵押品屬性的例子包括抵押品的使用(商業(yè)的或者與居住有關(guān)的)，先前評價的量，市場價值類(從先前評價的數(shù)量、土地面積、建筑物面積、當(dāng)前評價數(shù)量、法庭拍賣實現(xiàn)的價格、財產(chǎn)類型和財產(chǎn)位置)。通常，以相反方式采樣資產(chǎn)，亦即有目的地從以遞減的未付資本平衡(“UPB”-UnpaidPrincipal Balance)或先前評估數(shù)量(“PAA”-Previous ApprasialAmount)排序的表中選擇。
認(rèn)購244是一個大半是手工的過程。其中認(rèn)購專家把價值的概念歸于抵押的資產(chǎn)。認(rèn)購的估值存儲在諸如數(shù)據(jù)庫76(在圖2中表示)的主數(shù)據(jù)庫表中。估值根據(jù)貨幣單位(例如100,000KRW)以那時的現(xiàn)行市價相加。
圖9是由系統(tǒng)28使用的過程的自動部分的一個高級略圖290。認(rèn)購人使用自動過程幫助基于過程34(仍然參見圖3)的完全認(rèn)購。把在過程34中獲取的知識應(yīng)用到推斷評估過程40中以減少在金融證券的適度努力評估中的費用和不確定性和減少在適度努力評估之間的費用和可變性。這些估值經(jīng)受一個現(xiàn)金流量模型，它包括資產(chǎn)級評估146，決定性的現(xiàn)金流量橋148，隨機現(xiàn)金流量橋152和現(xiàn)金流量表150。結(jié)果的投標(biāo)估值154經(jīng)受賭博策略160和管理調(diào)整162以產(chǎn)生最后的投標(biāo)164。
圖10是形成類246的一個示例實施例的流程圖。在形成類246中，認(rèn)購人借助算法，例如算法134(在圖3中表示)，使用一個基于分類和回歸樹(“CART”-Classification And Regression Tree)模型執(zhí)行分析，這將產(chǎn)生由抵押品使用和市場值(“CUMV”-CollateralUsage and Market Value)組決定的認(rèn)購資產(chǎn)的分組，使用先前評價數(shù)量(“PAA”)作為驅(qū)動變量。
下面概括說明評價基于CART的模型的性能的兩種方法。一種方法使用基于CART的方法的平方差和(SSE)對一個簡單模型的比率，稱為誤差比。一個簡單的模型是給所有資產(chǎn)指定一個平均資產(chǎn)價格的模型。第二種方法計算決定系數(shù)，表示為R2，并定義為R2＝1-(SSE/SST)，式中SST是總平方和。
R2是在每一段內(nèi)的單一資產(chǎn)相對于整體的貢獻(xiàn)，為在一個特定段內(nèi)的一個資產(chǎn)的R2越高，則貢獻(xiàn)越大。根據(jù)這兩種方法排列不同的有價證券段給出該模型的預(yù)測能力在每一有價證券段內(nèi)多好的指示，對例如給每一批定價給投標(biāo)人一個舒適的級別。
R平方(CART) 71.4％ 88.9％ 77.5％R平方(簡單) 55.4％ 88.6％ 67.0％
一個第一步驟是定義相關(guān)的有價證券分段。該分段可以是預(yù)先定義的批，例如根據(jù)工業(yè)、未付平衡(UPB)量、區(qū)域或顧客風(fēng)險。上面的表C是根據(jù)批和資產(chǎn)分等(B或C)定義的段的例子。
表C從具有5批和兩個不同資產(chǎn)類型(B和C)的有價證券的研究中提供一個輸出例子。該表表示如何為不同段排列誤差比率。另外，也為在每一段內(nèi)的類型C的資產(chǎn)計算為每一資產(chǎn)的R2值。
第二步驟是為感興趣的每一有價證券段為CART模型和簡單模型(平均價格的外推)計算SSE值。用基于簡單模型的SSE除以基于CART模型的SSE計算誤差率。如果該誤差率小于1，則基于CART的模型是比簡單模型更好的預(yù)測。作為增加的好處，可以作為“混合物”組合CART和簡單模型成為一個高級模型，通過根據(jù)誤差率度量標(biāo)準(zhǔn)，選擇在每一段執(zhí)行最好的模型。
第三步驟是為在每一有價證券段內(nèi)的每一資產(chǎn)計算R2值。每一資產(chǎn)的R2作為(每段的SST-每段的SSE)/(所有資產(chǎn)的總SST X在每段內(nèi)的資產(chǎn)數(shù)目)計算。
最后，把所有段根據(jù)在第二步驟中計算的誤差率和在第三步驟中計算的R2值排隊。該模型在為在兩種度量標(biāo)準(zhǔn)，誤差率和R2，中都是高等級的段預(yù)測價格值時很準(zhǔn)確，使用這些度量標(biāo)準(zhǔn)組合高級模型。
表D表示根據(jù)這兩個性能度量標(biāo)準(zhǔn)為類型C(從表C來)的資產(chǎn)5批的相對等級排序。
表D有價證券段等級排序
圖10是一個流程圖，表示使用FCM形成類246以選擇建立模型的類的一個示例實施例。計算機38(在圖2中表示)通過取選擇的數(shù)據(jù)78和執(zhí)行FCM分析產(chǎn)生類而形成類246。
圖11表示建立模型248，選擇最好的模型250和計算計數(shù)252，其中使用數(shù)據(jù)庫76建立6個模型。計算機38(在圖3中表示)執(zhí)行這一過程。使用模型建立248幫助認(rèn)購人為完全認(rèn)購14和基于樣本的認(rèn)購34以及為推斷估值給資產(chǎn)區(qū)分優(yōu)先級。
圖11下面的部分是一個表，表示從根據(jù)建立模型248d建立的6個模型中選擇最好的模型250的一個示例實施例。這些模型按照使用那些變量作為X而不同。所有的模型使用CUMV類(對于所有資產(chǎn)這些是存在的)。使用來自建立模型248的模型在市場價值(“MAV”-MarketValue)258之外預(yù)測法庭拍賣價值(“CAV”-Court Auction Value)256。其它的實施例(未示出)使用其它的模型預(yù)測其它值。
在選擇最好模型250中，在考慮(這里，K＝6)下選擇K回歸模型的最好模型。根據(jù)下面的度量標(biāo)準(zhǔn) 為每一認(rèn)購資產(chǎn)選擇最好模型，式中y是要預(yù)測的認(rèn)購值， 是從第k個回歸模型的預(yù)測，k＝1，2，…，K。
在計算計數(shù)252中，計數(shù)每一K模型在每一CUMV類中被選擇的次數(shù)。圖11包含為CAV和MAV模型建立方案的這些計數(shù)。在其它實施例中使用其它模型建立方案。
當(dāng)應(yīng)用模型254時，使用從為每一非認(rèn)購資產(chǎn)產(chǎn)生一個預(yù)測的所有模型加權(quán)的平均預(yù)測。權(quán)重從計算的計數(shù)252的頻率中構(gòu)造，預(yù)測來自模型建立過程。在一個實施例中，使用商業(yè)統(tǒng)計分析軟件(SAS)系統(tǒng)產(chǎn)生模型。使用SAS系統(tǒng)的人工產(chǎn)物是每一個非認(rèn)購資產(chǎn)將從每一模型得到一個預(yù)測的認(rèn)購值，對所述模型非認(rèn)購資產(chǎn)具有每一個輸入變量，亦即“X變量”存在。(其它模型建立包共享這一特征。)下面的等式E詳述該過程。 在等式C中，如果模型k為資產(chǎn)l產(chǎn)生一個預(yù)測，Ilk＝1，否則是零，fijk＝模型k在第i個CUMV類型(i＝1，2)和第j個CUMV類(j＝1，2，3)中間被選擇的次數(shù)， ＝為yl從模型k中選擇的預(yù)測。注意，從每一個模型建立方法中只有一個貢獻(xiàn)，對該方法一個資產(chǎn)有一個預(yù)測，每一個用該模型建立方法為同一CUMV類的所有認(rèn)購資產(chǎn)選擇的次數(shù)加權(quán)。
也使用過程240來估計為平均預(yù)測的可信度下限(“LCL”-LowerConfidence Limit)和可信度上限(“UCL”-Upper ConfidenceLimit)，用相應(yīng)的統(tǒng)計代替等式E中的 返回來參考圖3，指導(dǎo)學(xué)習(xí)過程206和不學(xué)習(xí)過程208使用聚類。“聚類”是一個工具，它試圖評價數(shù)據(jù)集的模式之間的關(guān)系，它通過把這些模式組織成組或類，使得在一類內(nèi)的模式比屬于不同類的模式彼此更相似來實現(xiàn)。也就是說，聚類的目的是從一個大的數(shù)據(jù)集中提取數(shù)據(jù)的自然分組，產(chǎn)生系統(tǒng)行為的一個精確表示。不指導(dǎo)學(xué)習(xí)步驟208，使用一個模糊聚類方法(“FCM”)和知識工程來自動為評估把資產(chǎn)分組。FCM是一個公知的方法，它在統(tǒng)計模型建立中廣泛使用。該方法的目標(biāo)是使類內(nèi)距離最小化和使類間距離最大化。通常使用歐幾里德距離。
同時FCM 248(見圖10)使類內(nèi)距離最小而使類間距離最大。通常使用歐幾里德距離。FCM是一個反復(fù)優(yōu)化算法，它使成本函數(shù) 最小，式中，n是數(shù)據(jù)點的數(shù)目，c是類的數(shù)目，Xk是第k個數(shù)據(jù)點，Vi是第i個類質(zhì)心，μik是在第i個類中的第k個數(shù)據(jù)的成員關(guān)系的程度，m是大于1的常數(shù)(通常m＝2)。注意，μik是實數(shù)，以
為界。μik＝1意味著第i個數(shù)據(jù)確定在第k個類中，而μik＝0意味著第i個數(shù)據(jù)確定不在第k個類中。如果μik＝0.5，則意味著第i個數(shù)據(jù)部分在第k個類中，程度為0.5。直覺地，如果每一個數(shù)據(jù)點確切屬于一個特定的類并且對任何其它類無部分程度的成員關(guān)系的話，則成本函數(shù)將最小。也就是說，在指定每一數(shù)據(jù)點給它屬于的類時沒有二義性。
用下式定義成員關(guān)系的程度μik 直覺上，在類質(zhì)心Vi中的數(shù)據(jù)點Xk的成員關(guān)系隨Xk接近Vi而增加。同時，當(dāng)Xk更遠(yuǎn)離開Vj(其它類)時μik將變小。
第i個類質(zhì)心Vi由下式定義 直覺上，第i個類質(zhì)心Vi是Xk的坐標(biāo)的加權(quán)和，式中k是數(shù)據(jù)點的數(shù)目。
以希望的類數(shù)c和為每一類中心Vi開始，i＝1，2，…，c，F(xiàn)CM將收斂于為Vi的一個解，它表示要么是一個局部最小值，或者是成本函數(shù)的一個鞍點。FCM解的質(zhì)量，就像大多數(shù)非線性優(yōu)化問題一樣，強烈依賴于初始值- 數(shù)目c和初始類質(zhì)心Vi-的選擇。
在一個示例實施例中，整個有價證券12由不指導(dǎo)模糊聚類分段，并且每一段由認(rèn)購專家審查，從而幫助認(rèn)購人為完全認(rèn)購14和采樣認(rèn)購34選擇金融證券。另外可選的方案為，可以把這一FCM只應(yīng)用于部分42。作為結(jié)果，每一類得到一個為調(diào)整138(見圖3)的目的指定的HELTR復(fù)合得分。基本上，HELTR復(fù)合得分獲取了期望的現(xiàn)金流量及其范圍，以及與每一類關(guān)聯(lián)的定時和風(fēng)險。
現(xiàn)在參考圖2，完全認(rèn)購部分16對總有價證券12的比率在一個示例實施例中是資產(chǎn)的25％和所有資產(chǎn)面值的60％。這些資產(chǎn)的完全認(rèn)購由于它們的大小和價值而被保證。然而，這一認(rèn)購對所有認(rèn)購者相當(dāng)一致，所以該認(rèn)購不可能產(chǎn)生有意義的投標(biāo)差異。然而，包括在一個示例實施例中組成資產(chǎn)75％和僅40％面值的部分36和42的剩余的40％到認(rèn)購前是高度冒險的。例如但不作為限制，可以在部分36和42中發(fā)現(xiàn)的價值對于粗略外推可達(dá)到另外的百分之五的程度，這一差別意味著在贏得和輸?shù)粽麄€有價證券投標(biāo)或者整個批投標(biāo)之間的差別，意味著利潤中數(shù)百萬的美元差。
在保險單的場合，按照過程40，使用統(tǒng)計試圖回答3個基本問題(a)我們應(yīng)該怎樣收集數(shù)據(jù)？(b)我們應(yīng)該怎樣總結(jié)我們收集的數(shù)據(jù)？(c)我們的數(shù)據(jù)總結(jié)的準(zhǔn)確性如何？算法134回答問題(c)，它是一個基于計算機的方法，不需要復(fù)雜的理論證明。用于保險單推斷估值的算法134適合回答對于常規(guī)統(tǒng)計分析過于復(fù)雜的統(tǒng)計推斷。用于保險單估值的算法134通過以重復(fù)的重置采樣模擬統(tǒng)計估值的分布。該算法一般由3個主要步驟組成(I)重置采樣(sampling wichreplacement)，(II)利益的評估統(tǒng)計，(III)估計標(biāo)準(zhǔn)偏差。
按照保險算法134，如下執(zhí)行NPV標(biāo)準(zhǔn)誤差估計。對于每一風(fēng)險模型和為模型中的每一段，假定在該段中有N個保險單，使用重置采樣選擇n個樣本(例如n＝100)。在這一例子中每一個樣本也包含N個保險單。對于每一樣本，和對所有的歷史保險單 接著，用 (等式J)為最近的保險單產(chǎn)生純現(xiàn)值。為n個NPV值計算樣本標(biāo)準(zhǔn)偏差。在等式I中，Act是實際要求，Wtdexp是為每一單個保險單的加權(quán)的期望要求。
圖12是為信用得分138的示例判據(jù)80和示例規(guī)則集合的一個表?？梢赃x擇其它的判據(jù)，取決于金融證券的類型和特定投標(biāo)條件或投標(biāo)商的任何其它希望或優(yōu)選項。
圖13是一個更詳細(xì)的樹圖260，它相似于樹圖66(見圖2的下部)。在圖13中，通過(a)是否安全，(b)是否周轉(zhuǎn)，(c)最后的付款是否是零進行分段。其結(jié)果是6個類262、264、266、268、270、272，偶然也稱為“篩選樹”(shaker tree)。
圖14表示按照本發(fā)明的一個實施例的示例系統(tǒng)300。系統(tǒng)300包括至少一個配置作為服務(wù)器302的計算機和連接到服務(wù)器302的多個其它的計算機304以形成一個網(wǎng)絡(luò)。在一個實施例中，計算機304是包括一個萬維網(wǎng)流覽器的客戶機系統(tǒng)，服務(wù)器302對計算機304可通過因特網(wǎng)訪問。另外，服務(wù)器302是一個計算機。計算機304通過包括一個網(wǎng)絡(luò)的多種接口互連到因特網(wǎng)，所述網(wǎng)絡(luò)包括諸如局域網(wǎng)(LAN)或廣域網(wǎng)(WAN)，撥號連接，電纜調(diào)制解調(diào)器和特殊的高速ISDN線路。計算機304可以是任何能夠互連到因特網(wǎng)上的設(shè)備，包括基于萬維網(wǎng)的電話或其它基于萬維網(wǎng)的可連接設(shè)備，包括無線萬維網(wǎng)和衛(wèi)星。服務(wù)器302包括一個連接到一個集中數(shù)據(jù)庫76(也在圖2中表示)的數(shù)據(jù)庫服務(wù)器306，數(shù)據(jù)庫76包含有說明資產(chǎn)有價證券集的數(shù)據(jù)。在一個實施例中，中心數(shù)據(jù)庫76存儲在數(shù)據(jù)庫服務(wù)器306中，由在一個計算機304上的用戶通過登錄到服務(wù)器子系統(tǒng)302使用一個計算機304訪問。在另一個可選擇的實施例中，中心數(shù)據(jù)庫76存儲在遠(yuǎn)離服務(wù)器302的地方。另外配置服務(wù)器302以接收和存儲用于上面說明的資產(chǎn)評估方法的信息。
雖然系統(tǒng)300作為一個網(wǎng)絡(luò)系統(tǒng)說明，但是這里為說明的用于檢查和操作資產(chǎn)有價證券的方法和算法能夠以不與其它計算機聯(lián)網(wǎng)的獨立的計算機系統(tǒng)實現(xiàn)。
雖然本發(fā)明根據(jù)各種特定的實施例說明，但是熟悉本技術(shù)領(lǐng)域的人理解，本發(fā)明可以在權(quán)利要求的精神和范圍內(nèi)加以修改實現(xiàn)。
權(quán)利要求
1.一種在僅對資產(chǎn)的一部分進行認(rèn)購時為了優(yōu)化認(rèn)購保險總額而用于采樣在該資產(chǎn)有價證券(12)中的資產(chǎn)的方法(32)，所述方法包括步驟確定在該有價證券中的資產(chǎn)的說明性屬性；編碼各個屬性；以及根據(jù)該說明性屬性的出現(xiàn)情況對該認(rèn)購的資產(chǎn)進行分類(120)。
2.根據(jù)權(quán)利要求1的方法(32)，其特征在于還包括確定要提交的用于進一步認(rèn)購(122)檢查的多個樣本的步驟。
3.根據(jù)權(quán)利要求2的方法(32)，其特征在于所述確定要提交的用于進一步認(rèn)購(122)檢查的多個樣本的步驟還包括步驟在該有價證券的每一段中建立關(guān)于該總的回收概率的可信度；確立對每一段中總的回收進行評估的精度；作為總的未付資本平衡(UPB)的百分比提供對回收的程度和范圍的評估。
4.根據(jù)權(quán)利要求3的方法(32)，其特征在于所述建立關(guān)于該總的回收概率的可信度的步驟還包括根據(jù)下列公式對于資產(chǎn)的類(120)確定樣本的大小n，以及求解n的步驟 h＝希望的精度n＝樣本大小N＝類大小xi＝對樣本i的UPByi＝對樣本i的回收 h＝為用 估計 的容差。
5.根據(jù)權(quán)利要求4的方法(32)，其特征在于所述提供對回收的程度和范圍的評估的步驟還包括根據(jù)下列公式評估回收的程度和范圍的步驟 k＝Tchebyshev公式中的常數(shù) 其中概率
6.根據(jù)權(quán)利要求1的方法(32)，其特征在于所述對認(rèn)購資產(chǎn)進行分類(120)的步驟還包括使用指導(dǎo)分類過程(206)分類該資產(chǎn)的步驟。
7.根據(jù)權(quán)利要求1的方法(32)，其特征在于所述對認(rèn)購資產(chǎn)進行分類(120)的步驟還包括使用不指導(dǎo)分類過程(208)分類該資產(chǎn)的步驟。
8.根據(jù)權(quán)利要求1的方法(32)，其特征在于所述對認(rèn)購資產(chǎn)進行分類(120)的步驟還包括使用Monte Carlo過程分類該資產(chǎn)的步驟。
9.一種配置成為了優(yōu)化認(rèn)購保險總額而用于采樣在資產(chǎn)有價證券(12)中的資產(chǎn)的系統(tǒng)(300)，所述系統(tǒng)包括一個配置為一個服務(wù)器(302)并且還配置有一個資產(chǎn)有價證券的數(shù)據(jù)庫(76)的計算機，其用于啟動價值過程分析；至少一個通過網(wǎng)絡(luò)連接到所述服務(wù)器的客戶系統(tǒng)(304)，所述服務(wù)器還配置成用于確定在該有價證券中的資產(chǎn)的說明性屬性；編碼各個屬性；以及根據(jù)該說明性屬性的出現(xiàn)情況對該認(rèn)購的資產(chǎn)進行分類(120)。
10.根據(jù)權(quán)利要求9的系統(tǒng)(300)，其特征在于還配置成確定要提交的用于進一步認(rèn)購(122)檢查的多個樣本。
11.根據(jù)權(quán)利要求10的系統(tǒng)(300)，其特征在于所述服務(wù)器(302)配置成在該有價證券(12)的每一段中建立關(guān)于該總的回收概率的可信度；確立對每一段中總的回收進行評估的精度；作為總的未付資本平衡(UPB)的百分比提供對回收的程度和范圍的評估。
12.根據(jù)權(quán)利要求11的系統(tǒng)(300)，其特征在于所述服務(wù)器(302)配置成根據(jù)下列公式對于資產(chǎn)的類通過求解n確定樣本的大小n h＝希望的精度n＝樣本大小N＝類大小xi＝對樣本i的UPByi＝對樣本i的回收 h＝為用 估計 的容差。
13.根據(jù)權(quán)利要求12的系統(tǒng)(300)，其特征在于所述服務(wù)器(302)配置成根據(jù)下列公式評估回收的程度和范圍 k＝Tchebyshev公式中的常數(shù) 其中概率
14.根據(jù)權(quán)利要求9的系統(tǒng)(300)，其特征在于所述服務(wù)器(302)配置成使用指導(dǎo)分類過程(206)分類(120)該資產(chǎn)。
15.根據(jù)權(quán)利要求9的系統(tǒng)(300)，其特征在于所述服務(wù)器(302)配置成使用不指導(dǎo)分類過程(208)分類(120)該資產(chǎn)。
16.根據(jù)權(quán)利要求9的系統(tǒng)(300)，其特征在于所述服務(wù)器(302)配置成使用Monte Carlo過程分類(120)該資產(chǎn)。
17.一種為了優(yōu)化認(rèn)購保險總額而用于采樣在資產(chǎn)有價證券(12)中的資產(chǎn)的計算機(38)，所述計算機包括一個資產(chǎn)有價證券和價值過程分析的數(shù)據(jù)庫，所述計算機被編程以確定在該有價證券中的資產(chǎn)的說明性屬性；編碼各個屬性；以及根據(jù)該說明性屬性的出現(xiàn)情況對該認(rèn)購的資產(chǎn)進行分類(120)。
18.根據(jù)權(quán)利要求17的計算機(38)，其特征在于所述計算機被編程以確定要提交的用于進一步認(rèn)購(122)檢查的多個樣本。
19.根據(jù)權(quán)利要求18的計算機(38)，其特征在于所述計算機被編程以在該有價證券(12)的每一段中建立關(guān)于該總的回收概率的可信度；確立對每一段中總的回收進行評估的精度；作為總的未付資本平衡(UPB)的百分比提供對回收的程度和范圍的評估。
20.根據(jù)權(quán)利要求19的計算機(38)，其特征在于所述計算機被編程以根據(jù)下列公式對于資產(chǎn)的類通過求解n確定樣本的大小n h＝希望的精度n＝樣本大小N＝類大小xi＝對樣本i的UPByi＝對樣本i的回收 h＝為用 估計 的容差。
21.根據(jù)權(quán)利要求20的計算機(38)，其特征在于所述計算機被編程以根據(jù)下列公式評估回收的程度和范圍 k＝Tchebyshev公式中的常數(shù) 其中概率
22.根據(jù)權(quán)利要求17的計算機(38)，其特征在于所述計算機被編程以使用指導(dǎo)分類過程(206)分類(120)該資產(chǎn)。
23.根據(jù)權(quán)利要求17的計算機(38)，其特征在于所述計算機被編程以使用不指導(dǎo)分類過程(208)分類(120)該資產(chǎn)。
24.根據(jù)權(quán)利要求17的計算機(38)，其特征在于所述計算機被編程以使用Monte Carlo過程分類(120)該資產(chǎn)。
全文摘要
一種通過部分完全認(rèn)購(14)、部分采樣認(rèn)購(34)和對剩余部分的推斷評估(40)評估大宗資產(chǎn)(12)的方法(32),它使用所有資產(chǎn)的一種重復(fù)和適應(yīng)的指導(dǎo)(206)和不指導(dǎo)(208)的統(tǒng)計評估和從該評估中抽取的統(tǒng)計推斷并加以應(yīng)用以產(chǎn)生推斷的資產(chǎn)價值。以關(guān)系表產(chǎn)生和開列各個資產(chǎn)價值,使得各個資產(chǎn)價值可以為投標(biāo)的目的被迅速從表中取出并以任何希望的或者要求的方式迅速分組。資產(chǎn)被收集到數(shù)據(jù)庫(76)中,根據(jù)信用變量分成類目(48,50),相對于這些變量通過分等細(xì)分,然后各個分級。然后根據(jù)投標(biāo)分組以及通過累積各個估值建立的集體的估值把資產(chǎn)重新分組。
文檔編號G06Q40/00GK1378673SQ00806994
公開日2002年11月6日 申請日期2000年12月21日 優(yōu)先權(quán)日1999年12月30日
發(fā)明者T·K·凱斯, C·D·約翰森, R·P·梅斯默, M·T·埃加, N·卡波爾 申請人:Ge資本商業(yè)財務(wù)公司