專利名稱：：用于量化現(xiàn)金流回收和風險的方法和系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
：本發(fā)明總體涉及對金融工具的估價方法，更具體來說，涉及對大量金融工具的快速估價。
背景技術(shù)：
：大量資產(chǎn)，例如貸款，舉例來說，一萬筆貸款，或者其他金融工具，有時因經(jīng)濟狀況、計劃中的或計劃外的剝奪或者因法律賠償而成為待售品。有時必須在數(shù)月內(nèi)出售數(shù)以千計的、資產(chǎn)數(shù)額有時達數(shù)十億美元的商業(yè)貸款或其他金融工具。當然，資產(chǎn)的出售者想最優(yōu)化資產(chǎn)組合的價值，有時把資產(chǎn)分組成“份額”(tranches)。本文中所使用的術(shù)語“份額”不僅僅限于外鈔，也包括不論國家或管轄區(qū)如何的資產(chǎn)和金融工具類別(groupings)。競買者可以對所有份額或者只對某些份額遞盤。為了贏得一個份額，競買者一般必須給出該份額的最高遞盤價(highestbid)。在確定對某個份額的遞盤金額時，競買者常會雇用評估師(underwriters)在可利用的期限里對份額內(nèi)盡可能多的資產(chǎn)進行估價。當遞盤期限即將截止時，競買者將對當時被評估(underwritten)的資產(chǎn)估價，然后努力對尚未被評估師分析的資產(chǎn)外推出(extrapolate)一個價值。這個過程的結(jié)果是，競買者可能會嚴重低估一個份額的價值，給出一個沒有競爭性的遞盤價，或者遞盤價高于被承銷資產(chǎn)的價值，并承擔了難以估量的風險。當然，由于以競買者能有贏利的價格贏得每個份額為目標，因此如果是因為對份額價值的嚴重低估而失去它就意味著喪失一個機會。這就需要準備一種系統(tǒng)以便在短時間內(nèi)對大量金融工具作出精確估價并推斷出給定遞盤的收益的相關(guān)概率。傳統(tǒng)上，在資產(chǎn)和商業(yè)決策中的估價是根據(jù)預(yù)測進行的，這些預(yù)測因未來現(xiàn)金流的不確定性而要打折扣。這種方法的改進包括對最好、最壞、最可能情況的情景生成。在最近幾年中，具有顯著競爭性市場知識的良好屬性的資產(chǎn)已經(jīng)被用期權(quán)定價方法估價。需要產(chǎn)生一種限制風險的、為資產(chǎn)估價選擇最低差異假設(shè)的“食物鏈”，因為已知的系統(tǒng)在沒有比較性資產(chǎn)的情況下確定預(yù)測概率分布方面有局限，特別是在以有限的時間期間確定概率的應(yīng)用中有局限。
發(fā)明內(nèi)容在示例性實施例中，提供一種迭代自適應(yīng)(iterativeandadaptive)方法，將資產(chǎn)組合劃分成三個主要估價(majorvaluations)。對資產(chǎn)組合(assetportfolio)的第一類估價(valuation)的全部評估(fullunderwriting)是根據(jù)逆向(adverse)樣本進行的。第二個估價類是從共同的描述性特征的類別中有效地抽樣出來的，選擇性的隨機樣本中的資產(chǎn)被全部評估(fullyunderwritten)。第三個估價類經(jīng)過統(tǒng)計推斷估價(statisticallyinferredvaluation)，它利用評估值(underwritingvalues)和第一及第二部分的偏差(variances)并應(yīng)用統(tǒng)計推斷來單獨地為第三部分中的每項資產(chǎn)估價。在對第三部分估價時運用聚類分析(clustering)和數(shù)據(jù)簡化(datareduction)。隨著過程的進行和更多資產(chǎn)被評估，第一和第二部分中資產(chǎn)的數(shù)目增加，第三部分中的資產(chǎn)的數(shù)目減少，第三部分中的各資產(chǎn)的估價的差異變得越來越確定。更具體來說，根據(jù)在第一和第二部分中的資產(chǎn)的估價的相似性，將各資產(chǎn)劃分成有價值的概率的聚類，使第三部分中的各資產(chǎn)得到估價。通過用這些估價來生成假想的投標，以確定在競買者確定的參數(shù)內(nèi)的最佳投標。最佳投標是通過一個循環(huán)的投標生成過程確定的。本文公開一種為限制風險而為資產(chǎn)估價選擇最低差異假設(shè)的方法，包括的步驟是，用對特定資產(chǎn)有優(yōu)點的已知估價方法估價資產(chǎn)，為正被估價的資產(chǎn)選擇最精確的估價方法，對資產(chǎn)賦值。附圖簡介圖1是說明一個已知的對資產(chǎn)組合估價過程的流程圖；圖2是說明按照本發(fā)明的一個實施例的對資產(chǎn)組合估價的流程圖；圖3是一個流程圖，更詳細地說明了對大型資產(chǎn)組合通過劃分為不同偏差類而進行快速評估過程的第一部分的一個實施例；圖4是一個流程圖，說明了對大型資產(chǎn)組合從一個基底(basis)向一個份額或資產(chǎn)組合基底聚集的快速評估過程的第二部分；圖5說明了回收價值被推斷的示例性資產(chǎn)的概率分布；圖6是圖3所示過程的有監(jiān)管學習步驟的流程圖；圖7是圖3所示過程的無監(jiān)管學習步驟的流程圖；圖8是無監(jiān)管學習的過程的實施例；圖9是第一代(第一回)快速資產(chǎn)評估過程的實施例；圖10是用于圖8中無監(jiān)管學習中運用的模糊聚類方法的流程圖；圖11是展示快速資產(chǎn)評估過程的模型選擇和模型加權(quán)的例子的一對表格；圖12是展示快速資產(chǎn)評估過程的示例性特征的表；圖13是快速資產(chǎn)評估過程的示例性聚類方法的聚類圖；圖14是一個計算機網(wǎng)絡(luò)示意圖。發(fā)明詳述圖1是說明一個已知的經(jīng)過評估周期直至，舉例來說，在拍賣中，遞盤購買資產(chǎn)組合12的評估大型資產(chǎn)組合12的過程的示意圖10。圖1是一個典型的既非迭代也非自動的評估和外推過程10的高度概括。在示意圖10中，評估人評估14資產(chǎn)組合12中的許多單獨的資產(chǎn)，以生成已評估的第一部分16和未觸及的其余部分18。在任何資產(chǎn)被評估之前，第一部分16是資產(chǎn)12的百分之零，其余部分18是百分之百。隨著評估過程的推進，第一部分16增加，其余部分18減少。既定的目標是在遞盤之前為購買資產(chǎn)組合而評估盡可能多的資產(chǎn)。評估人小組繼續(xù)單獨地評估14，直到馬上就要遞盤。進行一個粗略的外推20，以對剩余部分18進行估價。外推20變成未評估的(un-underwritten)推斷值24。粗略的外推對其余部分18生成一個估價24。估價22就是第一部分16中各個資產(chǎn)值的總和。然而，估價24是由外推生成的一個分組估價(groupvaluation)，并可以相應(yīng)地打折扣。然后將估價22和24加總，產(chǎn)生組合資產(chǎn)值(portfolioassetvalue)26。估價過程是在資產(chǎn)組合的每個份額中進行的。圖2是說明快速資產(chǎn)評估系統(tǒng)28的一個實施例的流程圖。圖2中包含了由系統(tǒng)28在對資產(chǎn)組合12估價時所采取的過程步驟的表示。系統(tǒng)28評估(“觸及”)每一個資產(chǎn)，除去很少量的30未觸及的資產(chǎn)，這部分資產(chǎn)被認為在統(tǒng)計上不顯著或者在金融上無關(guān)緊要。具體來說，資產(chǎn)組合12中除數(shù)量30以外的所有資產(chǎn)都經(jīng)過一個迭代的、自適應(yīng)的評估32，其中，資產(chǎn)組合12中的資產(chǎn)被單獨估價，單獨列于表中，然后從表中被選擇出來，劃分到任何以遞盤為目的(如下文所述的那樣)而希望或要求的分組或份額中。如示意圖10中那樣，評估人開始全部評估14資產(chǎn)組合12中的各個資產(chǎn)，以產(chǎn)生全部評估的第一部分16資產(chǎn)。評估人也評估34資產(chǎn)組合12的第二部分36中的資產(chǎn)樣本，計算機38統(tǒng)計推斷40資產(chǎn)組合12的第三部分42的價值。計算機38也重復地生成44表示如下文所述的被賦予各部分16、36和43中資產(chǎn)的值的表(在下文說明)。在一個實施例中，計算機38被設(shè)置成獨立的計算機。在另一個實施例中，計算機38被設(shè)置成通過諸如廣域網(wǎng)(WAN)、局域網(wǎng)(LAN)的網(wǎng)絡(luò)(見圖14中所示)連接到至少一個客戶系統(tǒng)的服務(wù)器。舉例來說，仍參看圖2，將資產(chǎn)組合12的第三部分42的未抽樣和未評估部分46經(jīng)過一個統(tǒng)計推斷過程40，它利用模糊-C方式聚類(“FCM”——Fuzzy-Cmeansclustering)和一個復合的高/期望/低/時間安排/風險(“HELTR”——High/Expected/Low/Timing/Risk)評分生成兩個類別48和50。HELTR定義為H——高現(xiàn)金流，E——期望現(xiàn)金流，L——低現(xiàn)金流，T——現(xiàn)金流的發(fā)生時間(例如按月計0——6，7——18，19——36，37——60)和R——借款人的風險評估(信用分析師所用的9——boxer)。類別48被認為整體上有足夠的供評估的共性。類別50被進一步劃分為聚類52和54，它們依次被進一步細分。聚類52被細分為子聚類56和58，聚類54被細分為子聚類56、62和64。聚類和子聚類在“樹”圖66中顯示，在評估框68中被表示為方塊。這些個別的資產(chǎn)值然后被再劃分為用于遞盤的份額70、72和74?？梢园闯鍪壅咴O(shè)置的安排組織任何數(shù)目的份額。資產(chǎn)組合12中每項資產(chǎn)的各個資產(chǎn)值(未予示出)被輸入數(shù)據(jù)庫76，根據(jù)對于迭代自適應(yīng)過程一給定的標準80，被選定的數(shù)據(jù)78被從中檢索出來。當為評估任何資產(chǎn)而確定了基準80后，這一所確定的基準80存儲在數(shù)據(jù)庫76中，用于對數(shù)據(jù)庫76中的共享這種確定基準的其他資產(chǎn)數(shù)據(jù)進行估價。迭代自適應(yīng)估價過程32就這樣生成82(下文說明)估價并把它們分組，用于遞盤。圖3和4共同構(gòu)成流程圖85，說明用于評估大型資產(chǎn)組合12的系統(tǒng)28(圖2中所示的)的實施例的功能概況。估價程序14、34和40(也參看圖2)以下文所述的方式在系統(tǒng)28中被同時及順序地使用。如上所述，全部評估14是第一類評估程序。用樣本的全部評估進行分組與抽樣評估34是第二類估價程序。統(tǒng)計推斷40是第三類估價程序，它是一種自動化的分組和評估。程序14、34和40以如下文所述確定的客觀基準為基礎(chǔ)。本文中所用的“評估”(underwriting)意思是這樣一個過程，其中，某人(“評估人”(underwriter))按照訂立的原則審查某資產(chǎn)，并確定購買該資產(chǎn)的當前購買價格。在評估期間，評估人使用預(yù)先存在或確定的基準80來估價?！盎鶞省?Criteria)的意思是與資產(chǎn)價值相關(guān)的規(guī)則和基于這種類別的評級。例如，作為基準，評估人可以決定債務(wù)人的三年的現(xiàn)金流歷史是與資產(chǎn)估價相關(guān)的一個信息類別，并可以對各種水平的現(xiàn)金流賦予一定的等級。全部評估14以兩種方式進行，一種是全部現(xiàn)金基準方式86，一種是部分現(xiàn)金基準方式88。全部現(xiàn)金基準方式86和部分現(xiàn)金基準方式88二者都以被完全且獨立審查14(見圖2)的資產(chǎn)集合90和92開始。這種完全審查14通常是因為相對于資產(chǎn)組合中的其他資產(chǎn)來說待審資產(chǎn)中的美元或其他適當?shù)呢泿诺臄?shù)量很大，或者因為債務(wù)人很有名或很可靠，以至資產(chǎn)可以被快速地或全部地評估，或者資產(chǎn)是受市場注意的，以至對所述資產(chǎn)的價值沒有多少分歧。資產(chǎn)集合90被評估人94估價，資產(chǎn)集合90中的每項資產(chǎn)得到一個偏差很少的估價，比如某種受現(xiàn)金或具有全部現(xiàn)金價值的可交易商品的支持的資產(chǎn)，并被放置在一個全價值表(fullvaluetable)96中。為表96中的各資產(chǎn)選擇的各個值被存儲起來作為一個全部評估的分組值(groupvalue)98。集合92被一組評估人100評估，這組評估人可能與小組94相同，但是每個資產(chǎn)接受一個折扣或部分值，并被放置在一個部分價值表(partialvaluetable)102中。為表102中的份額的各資產(chǎn)選擇的各個價值存儲起來作為一個部分值全部評估分組值104。全部現(xiàn)金基準方式86和部分現(xiàn)金基準方式88(圖2中所示的)的標準80被存儲在用于自動估價40的監(jiān)管學習206和無監(jiān)管學習208的計算機(圖2所示)的數(shù)字存儲器(未予示出)中的數(shù)據(jù)庫76(圖2所示)中。抽樣評估34用兩個程序完成，一個是全部抽樣106程序，一個部分抽樣108程序。全部抽樣106被用于大型資產(chǎn)的各類別，包括在被抽樣的資產(chǎn)類別中的樣本分組的百分之百抽樣110。全部抽樣106中的資產(chǎn)不是單獨地被評估，而是在基于確定的共性的全部抽樣分組112中被評估的。由此便創(chuàng)建了而后根據(jù)規(guī)則114合并了一個全部抽樣分組估價(未予示出)，以生成一個獨立全樣本資產(chǎn)價值表116。隨后表116中的獨立全樣本資產(chǎn)價值被電子化地上載到由對某份額中的資產(chǎn)的分組所揭示的那樣的遞盤所需要的任何全部抽樣組估價118中。評估樣本分組中的資產(chǎn)數(shù)可以小至1，大至任何資產(chǎn)數(shù)。部分抽樣108用于中等類別的資產(chǎn)，包括通過對來自正被抽樣的各分組的一個聚類內(nèi)的代表分組的百分之百抽樣和對該聚類中其他分組的隨機抽樣而構(gòu)成一個聚類樣本分組120。在部分抽樣108中，所有分組都被抽樣，但是有些是通過從聚類樣本分組120的外推估價的。部分抽樣108包括一個資產(chǎn)水平再評估(assetlevelre-underwrite)122，它用手工數(shù)據(jù)輸入125產(chǎn)生一個α信用分析人表126，給予α信用分析人表一個資產(chǎn)類調(diào)整，以產(chǎn)生一個調(diào)整的信用分析人表130。如上所述，各資產(chǎn)被按照份額劃分從調(diào)整的信用分析人表130中選擇出來，以產(chǎn)生一個用于對(圖2中所示的)份額70遞盤的部分抽樣信用值132。自動評估程序40采用監(jiān)管學習過程206、無監(jiān)管學習過程208和來自統(tǒng)計推斷算法的上載134來生成一個存儲在數(shù)字存儲裝置中的評估聚類表136。在監(jiān)管學習過程206中，一個有經(jīng)驗的、知道應(yīng)問什么問題才能確定價值的評估人幫助計算機確定是否某資產(chǎn)是優(yōu)良投資以及如何評估該資產(chǎn)。在無監(jiān)管學習過程208中，計算機將各資產(chǎn)細分(segment)和分類，并客觀地根據(jù)數(shù)據(jù)的反饋自我評估這些資產(chǎn)。評估人定期地審查無監(jiān)管學習過程208，以判斷計算機是否在作出有意義的評估結(jié)論。計算機用統(tǒng)計算法134來作出它的推斷。例如——但不限于——一個實施例使用通用電器公司開發(fā)并利用的，通過運用多代產(chǎn)品開發(fā)(“MGPD”)方式而在審慎注意(duediligence)的資產(chǎn)估價過程中應(yīng)用的六西格瑪設(shè)計(“DFSS”——DesignForSixSigma)質(zhì)量范式對資產(chǎn)數(shù)據(jù)越來越精確地作出估價。學習過程206和208隨著評估的推進把累積的知識持續(xù)地、實時地結(jié)合到現(xiàn)金流回收和回收概率的計算中。監(jiān)管學習過程206為了估價的目的使用商業(yè)規(guī)則來辨別具有共同方面的資產(chǎn)聚類。無監(jiān)管學習過程208使用由程序40執(zhí)行的先前數(shù)據(jù)估價的反饋來確定增加評估置信度的工作是否正在進展。如下文所述，由于使用高速計算機，對所有可用原始數(shù)據(jù)進行辨別以及發(fā)現(xiàn)這些可用原始數(shù)據(jù)的聚類之間的相互關(guān)系是可能的。在一個示例性實施例中，一個使用HELTR評分技術(shù)對原始數(shù)據(jù)進行無監(jiān)管組織的模糊聚類方式(“FCM”)過程被用來對組合中資產(chǎn)的信用評分的估價進行推斷，如下文所述。為適應(yīng)更復雜的細分分類(segments)，這種聚類技術(shù)已經(jīng)被開發(fā)出來，以描述必須在不允許人工處理的時間段中評估的資產(chǎn)和資產(chǎn)組合中的高資產(chǎn)計數(shù)。一個示例性方法首先在計算機化的系統(tǒng)中創(chuàng)建估價評分(靜態(tài)和/概率回收)。之后針對特殊因素和經(jīng)營決策對估價評分作修正。然后對描述相同資產(chǎn)的多個估價評分進行協(xié)調(diào)并對進行總體修正，以訪問/推翻(interview/override)推斷的估價。創(chuàng)建估價評分是通過電子化地對比聚類號、聚類名、聚類的描述性特征、概率回收值(一個示例性例子是HELTR評分)和評估者根據(jù)每個聚類的描述性特征量得到的對每個聚類的估價的置信度而進行的。聚類號是特定描述性特征量集合的唯一標識符，描述性特征量是關(guān)于資產(chǎn)的事實，精通于估價的人員用它評估資產(chǎn)的價值。描述性特征量的例子包括——但不僅限于——支付狀態(tài)、資產(chǎn)類型、以評分表示的債務(wù)人信用值、要求權(quán)(claim)的地點和優(yōu)先級(seniority)。在一個實施例中，聚類名是一個字母數(shù)字混編的名稱，描述聚類的描述性特征或來源。描述性特征的一個例子見于圖12，在下文中作說明。描述性特征是被用來揭示資產(chǎn)價值的事實或量綱或向量。計算機邏輯被用來核查任何重復的聚類并提醒分析人或評估人。因為每項資產(chǎn)都能由很多描述性特征的組合來描述，所以同一項資產(chǎn)可能出現(xiàn)不同水平的值。概率回收值或信用評分或資產(chǎn)價值的任何數(shù)值表示都可以作為給定的不同資產(chǎn)水平的標識。各種描述性特征中的所有信息綜合起來，使得能將購買或出售價格確定為一個固定的值或一個概率值。本文所用的一個示意性實施例是HELTR評分。每個聚類有唯一的一個描述性特征和指定的HELTR評分的集合。每個聚類的唯一特征都有助于對聚類值的估價。不同的特征組合為特定聚類的計分提供更高的的置信度或置信度區(qū)間。例如，如果將任何資產(chǎn)描述為一張高2.5’’寬5”的綠紙——人們可能認為它具有0至1000美元的價值，但這個評估只有很小的置信度。如果再用一個事實或特征或向量將這同一個資產(chǎn)描述為是一個真正的20美元的鈔票，人們就會對這個20美元的聚類值置以一個很高的置信度因數(shù)。聚類的估價和置信度是在某時點確定的，并被標明。有時會出現(xiàn)新的可用信息，分析者就會對這個(些)值作出改變。該值是用一個數(shù)據(jù)域和決策規(guī)則來人工地或自動地修改的，在自動方式中是通過計算機代碼進行的。原先的值被修改，以反映新信息。舉例來說，假設(shè)原先的聚類置信度被標明為0.1，后來知道種其他資產(chǎn)具有與這個聚類的完全相同的描述性特征，剛剛以超過預(yù)測的“最可能的”價值的價格賣出。啟用這樣的規(guī)則，使得如果這個事件發(fā)生了，就將聚類置信度乘以10。0.1×10＝1是修改后的聚類置信度。這樣一個過程的目的是使同一個資產(chǎn)的多個評分相一致，控制與每個評估量綱的每個評估源相關(guān)聯(lián)的置信度。用某資產(chǎn)的樣本數(shù)據(jù)點，將HELTR作為示意例聚類一致估價(consensusvaluation)是，高值.6999，最大似然值.4792，低值.2374，時機(timing)2.6059?？梢杂貌煌壿媮砜刂迫魏螜?quán)數(shù)。一致評分(consensusscore)是在全局假設(shè)的背景中得出的。如果某全局假設(shè)發(fā)生變化，過程步驟128、138就會被包括在該方法中以對該一致評分作加權(quán)。直觀的例子包括在某種估價因素中發(fā)現(xiàn)錯誤、宏觀經(jīng)濟變化、某類資產(chǎn)了可代替的市場價值的建立，以及相對于所采用的其他方法，資產(chǎn)估價方法的增加或減少。在另一個實施例中，一個交叉相關(guān)工具被用來快速地了解和描述某資產(chǎn)組合的組成。典型地，該工具被用來使一個用戶選擇的變量的響應(yīng)與資產(chǎn)組合中其他變量相關(guān)。該工具快速地確定在兩個特征變量與響應(yīng)變量之間出乎預(yù)料的高相關(guān)或低相關(guān)性。特征變量是兩種類型的，即連續(xù)的和分類的(categorical)。交叉相關(guān)性是由相關(guān)工具在所有所關(guān)心的變量與它們的區(qū)段或水平之間計算出來的，并——在一個實施例中——被呈現(xiàn)在二維矩陣中，以便于確定資產(chǎn)組合中資產(chǎn)之間的趨勢。首先，交叉相關(guān)工具將資產(chǎn)組合中的所有標志變量確定為連續(xù)的或絕對的。按連續(xù)變量的區(qū)段和按絕對變量的值計算每個變量的總合水平(aggregationlevels)。用該工具查看以確定相關(guān)的用戶將選擇一個響應(yīng)變量Yr，例如期望回收(recovery)或計數(shù)。對標志變量對(x1和x2)的所有組合和它們的水平(a和b)，按下式計算響應(yīng)變量的平均值YrYr＝sum(Y(x1＝aandx2＝b))/count(x1＝aandx2＝b)。按照下式計算響應(yīng)變量的期望值YexpectedYexpected＝(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與單獨使用事件x1＝a和x2＝b的加權(quán)值的期望值Yexpect的偏差Yerror是通過下式計算的Yerror＝Y(jié)r-Yexpect在一個實施例中，期望值和偏差呈現(xiàn)在多維顯示中，以使與期望值的偏差容易確認。在另一個示例性實施例中，運用了一個將原始數(shù)據(jù)轉(zhuǎn)換為最終遞盤價的轉(zhuǎn)移函數(shù)過程，如下文所述。表136由從程序14、34和40得出的修改后的系數(shù)進行電子化調(diào)整，以對資產(chǎn)的信用評分138的系數(shù)作修正，并生成一個修正后的推斷各個資產(chǎn)信用值的信用分析人表140。按份額劃分的要求從表140提取各個資產(chǎn)的價值，以生成一個推斷的信用估價142。最后對“未觸及的”資產(chǎn)的可忽略的其余部分30作一個外推，以生成一個未觸及資產(chǎn)表144。表144中的值被選出來生成一個對未觸及資產(chǎn)的估價。全部現(xiàn)金估價98、部分現(xiàn)金估價104、全部抽樣信用估價118、部分抽樣信用估價132、推斷信用值142和從未觸及資產(chǎn)表144中賦予的任何值被累積，并且它們是互不相容的，全部現(xiàn)金估價的優(yōu)先級最高，依次降低，直至推斷信用值142。估出的這些價值之和代表資產(chǎn)組合的價值。圖4是由系統(tǒng)28(圖2所示)執(zhí)行的遞盤準備階段168的流程圖。累積的估價98、104、118、132、142和144在一個風險偏好貸款水平(riskpreferenceloanlevel)評價步驟146中被組合起來。用現(xiàn)金流發(fā)生時刻表(timingtable)150生成一個確定性現(xiàn)金流橋(bridge)148，以得出一個隨機現(xiàn)金流橋152。一個隨機或概率性現(xiàn)金流橋152被創(chuàng)建，并用來確定一個建議的份額遞盤價154，對該份額遞盤價重復地應(yīng)用一個份額模型156，直到達到某個閾值158。閾值158，舉例來說，是一個大于某值的內(nèi)部收益率(“IRR”)、某個盈利時間(“TTP”——timetoprofit)和一個正的凈現(xiàn)值(“NPV”)。一般來說，NPV被定義為NPV＝C0+C1/(1+r)(公式A)其中C0是在時刻0的投資，C1是在時刻1的期望支付(payoff)，r是折現(xiàn)因子?；靖拍钍墙裉斓囊辉让魈斓囊辉靛X。就保險單而言，NPV被定義為NPV=ΣP-ΣE-(ΣC)×AEw]]>(公式B)其中P是保險費，E是期望的名義成本，C是理賠成本。實質(zhì)上，公式B表示凈收入是如何生成的，即是利潤與加權(quán)期望風險之差。注意累加是對特定部分中所有保險單的累加。同樣注意所有保險費、名義成本和理賠成本在代入公式B之前已經(jīng)作了折現(xiàn)處理。結(jié)果是，生成了一個獲利記錄。如果達到閾值條件160，遞盤154要經(jīng)過一個模擬開標分析161，以預(yù)測是否能期望它是個贏標。密封遞價拍賣的結(jié)局取決于與從每個競買者收到的遞盤的大小有關(guān)。拍賣的執(zhí)行包括打開所有的遞盤，將拍賣的物品出售給出價最高的競買者。在傳統(tǒng)的密封遞價拍賣中，一旦出價被提交，競買者就不允許改變它們了，而且在其他遞盤被打開之前，競買者不知道其他人遞盤的情況，這使拍賣的結(jié)局是不確定性的。報出較高遞盤價，贏得拍賣的概率就越高，但若是以較低的價格就能贏得拍賣，所獲收益便會較低。模擬競爭性遞價通過設(shè)置一個遞價/售價范圍而提高獲取最高贏利的概率，該范圍有在自己的錢包耗盡之前耗盡任何競爭競買者的錢包的傾向，使得在得到最希望得到的資產(chǎn)的同時保存最多的資本。定價決策被分析上的魯棒性過程清楚地注意到，因為純粹軼事的(anecdotal)商業(yè)判斷能被不受幕后動機(hiddenagenda)、個性和片面知識影響的數(shù)據(jù)驅(qū)動的方法所補充。每個潛在的競買者有一個向密封遞價拍賣遞交的可能出價(bids)的范圍。該出價范圍可以表示為一個統(tǒng)計分布。通過從出價的值的分布中隨機抽樣，一種可能的拍賣情景就可以被模擬出來。進一步通過使用某種迭代抽樣技術(shù)，例如蒙特卡羅(MonteCarlo)分析，可以模擬許多情景，以產(chǎn)生一個結(jié)局分布。結(jié)局分布包括贏得拍賣物的概率和贏利值。通過改變自己出價的值，就能確定在競買者自己的出價下贏得拍賣的概率。以下的核心成分(elements)被用來模擬一個競爭性遞價收益(biddingyield)，市場規(guī)則和契約代碼化成計算機化的商業(yè)規(guī)則，潛在競爭/市場力量、預(yù)測的預(yù)算和優(yōu)先權(quán)代碼化成一個偏好矩陣(preferencematrix)，同意要代碼化成一個偏好矩陣的競買者自己的出價能力、偏好、風險/回報權(quán)衡，以及一個計算機化的隨機優(yōu)化。分析160模擬一個競爭性環(huán)境，環(huán)境中其他公司有各種針對系統(tǒng)28所計算的遞盤價進行競價的財務(wù)能力。在一個實施例中，分析160，例如——但不限于——包括一個總出價限額，如果資產(chǎn)的總值超過使用系統(tǒng)28的單位的財務(wù)能力時就要這樣。在一個實施例中，在這種可供遞盤的資源有限的情況下，分析160可以對針對份額的各種組合的遞盤的獲利能力進行評估。分析160也會考慮過去針對已知競爭者競價的歷史和競買對手偏好的各種類型的資產(chǎn)的信息。在分析160中，對份額的出價(tranchebid)會在隨后被估算，并由管理人員162設(shè)定，作出最終的份額遞盤164。在作出遞盤164之前的所有估價均可以任意重復。此外，由于該過程是自我調(diào)節(jié)和迭代的，隨著越來越多的值被系統(tǒng)28執(zhí)行的迭代所發(fā)現(xiàn)，份額遞盤價(tranchebidprice)164隨著每次迭代而趨于攀升。流程圖85所描述的過程包括一個估價階段166(圖3所示)和一個遞盤準備階段168(圖4所示)。估價階段166包括程序14、34和40。估價階段166持續(xù)地運行，直至停止，運行過程中自動估價程序40和抽樣程序34試圖在各種資產(chǎn)或資產(chǎn)類別中發(fā)現(xiàn)額外的價值。再次參看圖2，按照快速資產(chǎn)評估，資產(chǎn)組合12中的資產(chǎn)里面的數(shù)據(jù)類別170、172和174被按每項資產(chǎn)確定，并存儲在數(shù)據(jù)庫76中。迭代的自適應(yīng)過程32選取部分選定數(shù)據(jù)78并以統(tǒng)計的方式對該部分選定數(shù)據(jù)78應(yīng)用基準80以增加已知的資產(chǎn)價值，而不是增加粗略外推的資產(chǎn)值20。根據(jù)方法28，資產(chǎn)被劃分成至少第一部分16、第二部分36和第三部分或其余部分42。采用程序14將部分16中的資產(chǎn)全部評估，以確定估價98和部分值全部評估的評價104并為這種估價建立基準80。利用程序34，過程28從第二部分36中抽取代表第二部分中各分組的若干資產(chǎn)作為樣本，以確定第二部分36的全部抽樣分組估價118和部分抽樣信用值132并為這種估價建立另外的基準80。利用程序40，由諸如圖2的計算機38的自動分析程序執(zhí)行部分監(jiān)管學習過程206和部分無監(jiān)管學習過程208。為了學習，自動分析程序提取關(guān)于第三部分或其余部分42的已確立基準80和已選定數(shù)據(jù)78并將第三部分42劃分成多個部分46，然后利用從數(shù)據(jù)庫76輸入的基準80和每個過程206和208，進一步將各部分46劃分為類別48和50，將類別50劃分成聚類52、54，將聚類52、54劃分為子聚類56、58、60和62。通過統(tǒng)計推斷確立子聚類56、58、60和64的各個資產(chǎn)估價。將各個資產(chǎn)估價列于聚類表136(見圖3)中，修正138后，列于信用分析人表140中。所確立的基準80是客觀的，因為基準80來自數(shù)據(jù)庫76，它們是在全部評估程序14和抽樣評估程序34運行期間被放入數(shù)據(jù)庫的。換言之，從全價值表96、部分價值表102、表116、α信用分析人表126、調(diào)整的信用分析人表130、調(diào)整的信用分析人表140和未觸及資產(chǎn)表144中獲得的所有資產(chǎn)的信息被放入數(shù)據(jù)存儲裝置(諸如計算機38的硬盤存儲器178)中的數(shù)據(jù)庫76，并由程序40用程序14和34中的基準80生成相關(guān)性。程序40運行期間，具有統(tǒng)計顯著性，并且具有可接受的可靠性的準則80被輸入。就是說，程序40在估價期間反復地學習，并建立準則80。監(jiān)管學習過程206和無監(jiān)管學習過程208通過與在數(shù)據(jù)庫76中的關(guān)于全部評估的第一部分16中的資產(chǎn)和樣本評估的第二部分36中的資產(chǎn)的已確立基準80建立相關(guān)性而提高統(tǒng)計推斷估價142的準確性。與第三部分42中的一項或多項資產(chǎn)相關(guān)的已選數(shù)據(jù)與從部分16與/或36中已選出的數(shù)據(jù)類似，被放置在數(shù)據(jù)庫76中，之后通過統(tǒng)計推斷，第三部分42中的每項資產(chǎn)的價值就被查找出的信息所確定了。在流程圖85所描述的過程中，各資產(chǎn)是在個別資產(chǎn)水平上評估的，各個資產(chǎn)值被列表顯示或被劃分至一個或多個組合。為了對各種遞盤情景有最大的適應(yīng)性，資產(chǎn)組合12中的任何子集都在特定的時間段內(nèi)被分別地評估和定價。在已知的過程10中，若某資產(chǎn)出售者重新劃分資產(chǎn)，例如從按資產(chǎn)公司劃分到按照借款人的地理位置劃分，對遞價(bids)重新評估則可能是不夠的，因為需要進行粗略外推20。在使用系統(tǒng)28時，由于各個資產(chǎn)值被算出并列于表96、102、116、130、140和144中，這些值可以被電子化地重新劃分為不同的估價98、104、118、132、142，它們的“食物鏈”選擇基準是互不相容的，并且是從事估價的分析人能選擇的，該選擇基準將在下文進一步說明。如果出售者對資產(chǎn)分組，則按出售者分組或份額進行劃分是很容易的，為該份額的一個適當?shù)墓纼r146也被計算出來。這樣，各個資產(chǎn)價值很容易為第三部分42重新劃分，以客觀地獲得該分組或份額的一個推斷估價142許多方法都可被用來確立資產(chǎn)值。根據(jù)評估的目的，不同評估方法的相對優(yōu)點決定著對特定資產(chǎn)應(yīng)采用的評估技術(shù)。一個方法類似于“食物鏈”，它在保留假設(shè)發(fā)展方法(assumptiondevelopmentmethods)的同時還選擇具有最高置信度區(qū)間的區(qū)間。在食物鏈的一個介紹性示例中，與個人意見相比，人們可能更愿意按公開市場中類似資產(chǎn)交易價值的多少來評估金融資產(chǎn)。按照等級順序，市場對市場值的選擇高于個人意見。按照相同方式，組合中具有預(yù)測的現(xiàn)金流回收的資產(chǎn)可以用許多估價技術(shù)進行估價。一般的目的是以可能有的高概率確立未來現(xiàn)金流是什么。評估方法被按照它們準確量化現(xiàn)金流或現(xiàn)金等價物預(yù)測的能力的順序，用最小負偏差(downsidevariances)和/或最大正偏差(upsidevariances)排序。當?shù)弥坏┎捎昧俗顑?yōu)的方法，更精確的方法將阻止對資產(chǎn)價值的評估時，資產(chǎn)被以所有可用的，有準則或可能有商業(yè)邏輯來消除重復工作的方法估價。為了提供最佳的資產(chǎn)價值預(yù)測，資產(chǎn)在一個食物鏈中被每一種方法估價，直至它們被針對每種資產(chǎn)的最優(yōu)可用方法估計為止。一旦找到這個最佳值，該資產(chǎn)就可以說有了它的價值，而不管食物鏈中更低的(具有更大偏差的)其他價值，并被發(fā)送到完成狀態(tài)(completedstate)。舉例來說，用食物鏈來對一個資產(chǎn)組合估價。食物鏈中的第一種估價方法是與評估目的最匹配的方法，即以最高的準確程度(最小的置信區(qū)間)找到該值的方法。一旦資產(chǎn)被某個僅為這一種資產(chǎn)確定了一個價值的方法估價，它就被送到估價表，并從食物鏈中的任何進一步的步驟中去除。將原始資產(chǎn)組合中沒有匹配任何評估方法的一系列資產(chǎn)保留在未觸及資產(chǎn)表中。最終目的是使這個未觸及資產(chǎn)表中減至零個資產(chǎn)。以下一個是按照優(yōu)先順序的食物鏈的例子。(a)資產(chǎn)的100％的現(xiàn)有現(xiàn)金，(b)資產(chǎn)的部分現(xiàn)有現(xiàn)金，(c)類似資產(chǎn)的流動市場價值，(d)直接評估，和(e)推斷評估。食物鏈方法能發(fā)現(xiàn)最佳概率分布形態(tài)，減少概率分布方差(尤其在負尾部)，能在保留要素(constituencies)中的所有可用已知信息的同時迅速建立概率分布，并在價值發(fā)現(xiàn)過程中提供作出對價值最佳估計的能力。如圖4中所示，遞盤準備階段168的總架構(gòu)是確定遞盤價(pricebid)164，類似于期權(quán)估價范式(optionvaluationparadigms)中，獲勝的投資人有權(quán)利，但沒有義務(wù)回收該投資。對于每個份額，價值被分解成三個部分——貨幣的時間價值、固有價值和可能的現(xiàn)金流。貨幣的時間價值和固有價值是確定性地計算出來的，一旦確定，就基本不變。貨幣時間價值的計算方法是，將公司低風險投資的資本成本乘以代表為了進行當前的投資而失去的其他投資的機會的適用時期。內(nèi)在價值是一種已知的流動資產(chǎn)價值，它高于購買價格，并且在得到資產(chǎn)控制權(quán)后立即可用。一個實施例是成功地以低于市場價值的價格買入，作為資產(chǎn)組合一部分的證券。可能現(xiàn)金流偏差是關(guān)于一個勤勉盡責的團隊作出的假設(shè)以及它選擇的，將原始數(shù)據(jù)轉(zhuǎn)換成現(xiàn)金流回收流的過程的函數(shù)。本文所述的系統(tǒng)經(jīng)過設(shè)置，以減少負偏差和發(fā)現(xiàn)價值。圖5表示一個典型的最小三點資產(chǎn)評估的三角形概率分布圖180。按照過程40，每個金融工具被在至少三種情況下估價?？v軸182代表遞增的概率，橫軸184代表遞增的回收部分。圖中顯示了面值線(facevalueline)188的一個清算或最壞情況百分數(shù)186、面值188的最好情況百分數(shù)190和面值188的最大似然情況百分數(shù)和回收價值192。最壞情況百分數(shù)186的概率是零，最好情況190的概率是零，回收的最大似然百分數(shù)192的概率194是由點196表示的值。在由連接點186、196和190的連線定義的曲線200以下的面積198的大小，代表資產(chǎn)的價值。標記出的資產(chǎn)價值由矩形202表示，它由100％回收面值188的100％概率線204圍成，是可以歸因于由曲線200代表的資產(chǎn)的那部分面值188的一個度量。點186、196和190以及線188和204，以及由此形成的區(qū)域198和202，將視所涉及的為被評估的資產(chǎn)選擇的數(shù)據(jù)78和應(yīng)用于該資產(chǎn)的基準80和所認為的資產(chǎn)價值回收的概率而變。橫軸184可以用貨幣單位(例如美元)而不是面值百分數(shù)來表示。采用貨幣單位時，不同資產(chǎn)的曲線200以下的面積198將以貨幣單位計，這樣，各區(qū)域198的大小彼此相關(guān)，因而對總體出價70、72和74具有意義。對資產(chǎn)情況了解越多，就能使曲線200越精確。確立了基準80后統(tǒng)計方法便應(yīng)用于曲線200，以幫助確定點186、196和190的位置，并因此確定區(qū)域198也即資產(chǎn)的期望值。影響價值的現(xiàn)金流的發(fā)生時刻(timing)可以建立在發(fā)生時刻特征的直方圖結(jié)果上。例如，可以將現(xiàn)金流回收的發(fā)生時刻分解成0——6個月、7——12個月、13——18個月等等的3個區(qū)段。使用算法134的自動分析器38能以對估算估計回收(gaugerecovery)的發(fā)生時刻和被評估人確定為可能的利率(rate)的敏感性分析權(quán)衡為基礎(chǔ)，選擇區(qū)段寬度。在示例性實施例中，當折現(xiàn)因子大于25％時，應(yīng)當采用最少4個區(qū)段。對10至25之間的折現(xiàn)因子，至少應(yīng)用6個區(qū)段來包含各個可能的回收期(recoveryperiods)。按照程序40選擇出其他數(shù)據(jù)源，評估人能用來評估金融工具的價值。由評估團隊94、100、114和140在程序14和34中確立的基準80在這方面是有用的。按照由流程圖85所描述的過程，原始數(shù)據(jù)被轉(zhuǎn)變?yōu)橐粋€回收，同時一個規(guī)則集被選來對該原始數(shù)據(jù)應(yīng)用一個評估，這個規(guī)則集被以基準80的形式編碼到評估數(shù)據(jù)庫中。在程序14、34或40中的評估期間，每次某聚類被多個采樣數(shù)觸及，一個一致預(yù)測就被得出并應(yīng)用于該聚類。按照系統(tǒng)28，份額水平下的現(xiàn)金流和發(fā)生時刻的概率分布是通過在資產(chǎn)水平上得出估價轉(zhuǎn)移函數(shù)146而確定的，它將占用原始數(shù)據(jù)，使數(shù)據(jù)將生成和積累份額中各個資產(chǎn)的估價的假設(shè)合理化。由于不是所有回收都是同類的，所以提供一種確定現(xiàn)金流回收的可變性的方法。各個資產(chǎn)被按分組暴露而聚集。傳統(tǒng)上在允許的時間內(nèi)評估盡可能多的面值，因為認識到有可觀的樣本依然要聚集。對聚類儲備(reserves)的估計采用一個等于145加面值計數(shù)(facecount)的2.65％的樣本大小和一個方差回歸分析。這對面值計數(shù)100的資產(chǎn)產(chǎn)生30的樣本大小，面值計數(shù)1000的資產(chǎn)產(chǎn)生150的樣本大小，面值計數(shù)5000的資產(chǎn)產(chǎn)生400的樣本大小，面值計數(shù)10000的資產(chǎn)產(chǎn)生500的樣本大小，面值計數(shù)20000的資產(chǎn)產(chǎn)生600的樣本大小。在統(tǒng)計推斷程序40期間，留在資產(chǎn)組合12的第三部分42中的資產(chǎn)按描述性評估特征或基準80被聚集，隨機樣本從每個聚類和被評估的樣本中被抽取。在一個實施例中，當在資產(chǎn)水平上的平均方差降到10％以下時停止程序40中的從聚類中抽樣。在另一個實施例中，當在份額水平上的平均方差降到15％以下時停止抽樣。如果潛在的出售單元小于整個資產(chǎn)組合，則資產(chǎn)組合平均方差不被當作停止點。按照程序40，聚類抽樣的回收評估被推斷到對應(yīng)的聚類總體上。在使用系統(tǒng)28時，目標是經(jīng)三個或更多的唯一性聚類觸及每個推斷出的資產(chǎn)估價。在程序40期間，聚類的評估置信度和描述性特征的相關(guān)性被加權(quán)。舉例來說——但不是限定——0＝這個聚類的描述性特征將提供有意義的估價這件事沒有置信度；1＝這個聚類的描述性特征將提供與個別地評估每個工具一樣準確的估價這件事有完全的置信度；1和0之間的數(shù)字表示評估中有部分置信度。這些值的一致出現(xiàn)在調(diào)整的信用分析人表130中。然后在程序40中，資產(chǎn)水平上的現(xiàn)金流被調(diào)整的信用分析人表140中的宏觀經(jīng)濟系數(shù)加以調(diào)整。宏觀經(jīng)濟系數(shù)在一個實施例中是與主要資產(chǎn)類相關(guān)聯(lián)的，例如——但不限于——房地產(chǎn)住宅貸款或商業(yè)設(shè)備貸款。這些系數(shù)可能是全球適用的，例如——但不限于——法律環(huán)境、國內(nèi)生產(chǎn)總值(GDP)預(yù)測、擔保人環(huán)境、收款效率、債務(wù)人組碼等等。一種從資產(chǎn)組合抽樣的方法包括在關(guān)鍵資產(chǎn)、債務(wù)人和抵押品特性之間尋找非常影響/產(chǎn)生風險的特征。下面的表A提供一個資產(chǎn)評估情形中的一例資產(chǎn)組合特征列表。表A資產(chǎn)組合特征資產(chǎn)特征的細分(segmentation)是通過把特征編碼成“虛擬變量”而完成的。例如，一個常用的資產(chǎn)特征是“債務(wù)人在過去12個月中付過款嗎？”，如果回答是肯定的，則將其在變量中編碼為“1”，否則編碼為“0”。類似的“虛擬變量”被用于其他資產(chǎn)特征。細分過程通過以能將資產(chǎn)組合中相似的資產(chǎn)各自分組的方式處理經(jīng)編碼的資產(chǎn)特征的任何統(tǒng)計程序來完成。K方式聚類(K-meansclustering)便是一種這樣的算法。在一個采用三個資產(chǎn)特征——未支付本金余額(UPB)；取值0-1的支付概率；和抵押評分，即以房地產(chǎn)抵押品作抵押的概率——的例子中，資產(chǎn)可以分成五個有類似特征的分組。對資產(chǎn)分組后，準備為進一步評估審查而抽取并提交的樣本的數(shù)量會被計算出來，計算方法是確定能說明每個細份額(segment)中的總回收的置信度水平(k)，確定希望估算每個細份額中的總回收的精確度(h)，以及提供對回收水平和范圍的以總未支付本金余額(UPB)的百分數(shù)表示的一個先驗估計(R)，所依據(jù)的公式為Var(Y^R)=n[1-nN]×[Σ1Nxi]2[Σ1nxi]2×Σ1N(yi-Rxi)2N-1]]>n＝樣本規(guī)模N＝聚類大小xi＝樣本i的UPByi＝樣本i的回收h2=k2×n[1-nN]×[Σ1Nxi]2[Σ1nxi]2×Σ1N(yi-Rxi)2N-1]]>(方程C)h＝用YR估算Y＝∑Yi的容錯率Y^R=R^×Σi=1Nxi=Σi=1nyiΣi=1nxi×Σi=1Nxi=Σi=1nρixiΣi=1nxi×Σi=1Nxi]]>(方程D)k＝契比雪夫不等式(TchebyshevFormula)中的常數(shù)|Y^R-μY^R|≤kVar(Y^R)]]>概率≥1-1k2]]>對n解方程C，獲得對給定聚類要求的樣本規(guī)模。解方程C進一步讓用戶能以1-(1/k2)的概率聲明所計算的樣本規(guī)模n，并且相關(guān)聯(lián)的被評估值將把總聚類回收估算到殘差比率h內(nèi)，假設(shè)全部細份額回收的估算是用方程D計算的。在實踐中，在沒有可用數(shù)據(jù)的條件下估算總回收中的可變性是困難的。一個電子表單工具通過在蒙特卡羅模擬中生成數(shù)據(jù)而實現(xiàn)以上計算，并通過對結(jié)果的分析引導用戶，直到得出理想的樣本規(guī)模。表B提供一例對一組20個貸款的研究結(jié)果，估算的(期望的)回收在UPB的20％至30％之間，UPB的范圍在1MM至2MM之間。需要8個樣本來以75％的置信度對總回收至實際的10％以內(nèi)的這20個貸款進行估算。表B樣本規(guī)模表單向?qū)?SpreadsheetWizard)對每個資產(chǎn)作出經(jīng)過適當?shù)姆讲钫{(diào)整的預(yù)測并構(gòu)造包括資產(chǎn)組合中每一個資產(chǎn)的估價表。用按出售單位(attheunitofsale)的連續(xù)概率評估回收，出售單位在一個實施例中是個份額。在系統(tǒng)28的使用中，內(nèi)部收益率(“IRR”)和方差然后要被評估。較好的份額對給定的IRR有較低的方差。每個份額的凈現(xiàn)值(“NPV”)高于0的概率是用項目的折現(xiàn)率來評估的。確定折現(xiàn)率的方法是資本的機會成本加上固定轉(zhuǎn)換成本加上預(yù)測的現(xiàn)金流回收的差異中內(nèi)在的固有不確定的風險報酬率。如果看起來項目肯定有負的凈現(xiàn)值的概率大于5％，則不遞盤。交易評估是按份額的，其決策標準是IRR、份額中IRR的風險差異、對份額付款的意愿和能力的估算、盈利時間(“TPP”)和按份額的回報中的風險差異、以及按無風險折現(xiàn)率折算的按份額的期望現(xiàn)金流的凈現(xiàn)值。在競爭性遞價的情況中，當資產(chǎn)組合的內(nèi)容不是可轉(zhuǎn)讓的時，投資人或出售者有強烈的財務(wù)動機只選擇可用于交易的總資產(chǎn)中將給予他們的總體財務(wù)結(jié)構(gòu)最佳的風險/回報的各部分。用具有更高可能性的最大正概率的資產(chǎn)實現(xiàn)最低的風險/收益要求，對投資人來說更有吸引力。將總資產(chǎn)組合劃分成可單獨交易的分資產(chǎn)組合或份額(subportfolioorranches)。每個份額有一個從先前分析中得出的預(yù)測現(xiàn)金流概率分布和時間區(qū)段，然后給予這些份額一個試行價格。新資產(chǎn)要與已有資產(chǎn)的賣方或買方的表現(xiàn)(performance)相結(jié)合并經(jīng)過蒙特卡羅事件生成(casegeneration)(并說明有關(guān)的交叉相關(guān)性)。份額選擇過程包括隨機選擇不購買的份額。當資產(chǎn)組合影響呈現(xiàn)某種模式時，對按什么價格購買的份額的最佳選擇要受由隨機優(yōu)化找到的約束條件的限制。使用凈現(xiàn)值可能會因為與雙重折現(xiàn)關(guān)聯(lián)的影響而產(chǎn)生誤導，雙重折現(xiàn)發(fā)生于將悲觀情形折現(xiàn)以獲得現(xiàn)值(PV)時。盈利時間被用來克服這個局限，邊際資本成本和無風險利率也被用在折現(xiàn)過程中，就像進行估價的分析者確定的那樣。推斷估價程序40的監(jiān)管學習過程206和部分抽樣程序108的步驟120、122和126有相當?shù)念愃菩?，因為評估人積極參與該過程，但是該過程是自動化的。圖6是表示用于可細分的金融工具資產(chǎn)的自動化評估的過程210的流程圖。金融工具的第一組聚類按共同特征定義。專家對于價值的意見214從根據(jù)特征定義的樣本中給出。這個意見被用于一個樣本評估過程216，各特征組合的值被檢查并成為一致218。過程210然后選擇并設(shè)定220各個要被使用的特征，然后將各個資產(chǎn)劃分222成聚類。對每個聚類資產(chǎn)應(yīng)用聚類估價224。用聚類估價將各值按規(guī)則分解226，以生成一個信用分析人表228。圖7是一個包括幾個模塊的無監(jiān)管學習208的示例性實施例的流程圖。數(shù)據(jù)采集模塊230從任何可能的渠道收集相關(guān)數(shù)據(jù)78。變量選擇模塊232識別被信用審查視為關(guān)鍵的、或在分離各個資產(chǎn)組時具有最大區(qū)分力的有關(guān)資產(chǎn)的變量。分層細分模塊234根據(jù)由分析人選擇的關(guān)鍵變量將整個資產(chǎn)組合細分成區(qū)段。FCM模塊236根據(jù)資產(chǎn)數(shù)據(jù)的自然結(jié)構(gòu)進一步把每個區(qū)段分類成聚類。評估審查模塊238將預(yù)計的現(xiàn)金流和風險評分138(如圖3所示)分配至每個聚類。這個評分隨后為了從正在程序40中被調(diào)整以產(chǎn)生調(diào)整的資產(chǎn)被提供到信用分析表136的各個資產(chǎn)中，以生成調(diào)整后的信用分析人表140。這個過程是重復的、連續(xù)的，能由計算機執(zhí)行，使得它能在其他地方正在執(zhí)行標準評估的同時繼續(xù)。圖8表示一個備選的示例性推斷估價過程240，用以替代圖3和4中所描述的過程。在備選過程240中，采用一個全部評估、部分評估和推斷評估相結(jié)合的七步驟過程來為房地產(chǎn)貸款資產(chǎn)組合快速估價。第一步，根據(jù)風險對資產(chǎn)抽樣242。第二步，資產(chǎn)被評估244，估價被記錄。第三步，市場價值聚類被構(gòu)造246，例如如下文所述的那樣由FCM構(gòu)造。第四步，為被評估資產(chǎn)建立248回歸模型。第五步，從早先建立248的模型中為被評估資產(chǎn)選擇一個最佳模型250。第六步，計算252被選擇的模型的計數(shù)。第七步，將所選擇的模型以按計數(shù)加權(quán)的方式應(yīng)用254到未被評估的或被推斷地評估的資產(chǎn)組合12的部分42，以預(yù)測每個未被評估的資產(chǎn)的各個值。然后將按照過程240所產(chǎn)生的各個資產(chǎn)價值放到調(diào)整的信用分析人表140中(見圖3)。在抽樣資產(chǎn)242中，評估人用層次化隨機抽樣來選擇供詳細審查的資產(chǎn)。各層次是根據(jù)抵押品特征構(gòu)造的。房地產(chǎn)資產(chǎn)組合的抵押品特征包括抵押品用途(商業(yè)的還是住宅的)、以前的評估額、市場值聚類(根據(jù)以前的評估額、土地面積、建筑面積、當前評估額、法庭拍賣實現(xiàn)的價格、地產(chǎn)類型和地產(chǎn)位置預(yù)測)。通常資產(chǎn)是按逆向方式抽樣的，即是有意地從未付本金余額(“UPB”)或先前評估額(“PAA”)降序排列的列表中選擇的。評估244在很大程度上是個人工過程，其中專家評估人對抵押資產(chǎn)的價值給出一個看法。評估后的估價被存儲在一個主數(shù)據(jù)庫表中，比如數(shù)據(jù)庫76(圖2所示)中。估價通常是按現(xiàn)行市場價格以貨幣單位(例如100,000KRW)合計的。圖9是系統(tǒng)28所采用的過程的自動化部分的高級概覽290。自動化程序被評估人用來輔助根據(jù)程序34(也見圖3)的全部評估。從程序34中獲得的知識用于推斷估價程序40，以降低金融工具的勤勉盡責估價(duediligencevaluations)中的成本和不確定性，以及降低適當勤奮評估之間的成本和易變性(variablity)。評估要經(jīng)過一個包括資產(chǎn)水平評估146、確定性現(xiàn)金流橋148、隨機性現(xiàn)金流橋152和現(xiàn)金流表150的現(xiàn)金流模型。結(jié)果的估計遞盤價154要經(jīng)過博弈策略160和管理調(diào)整162，以產(chǎn)生最后的遞盤價164。圖10是一個構(gòu)造聚類的示例性實施例的流程圖246。在構(gòu)造聚類246時，評估人借助諸如(圖3中所示的)算法134之類的算法，用一個以分類和回歸樹(“CART”)為基礎(chǔ)的模型進行分析，分析的結(jié)果是將UW資產(chǎn)按抵押品用途和市場價值(“CUMV”)分組，以先前評估額(“PAA”)作為主導變量。下面概述兩種評價基于CART的模型的方法。一種方法采用基于CART的方法的殘差平方和(SSE-thesumofsquarederror)與一個簡單模型的SSE的比率，稱作殘差比率(errorratio)。簡單模型是把一個平均資產(chǎn)價格賦予所有資產(chǎn)的模型。第二種方法計算確定系數(shù)(coefficientofdetermination)，記為R2，其定義為R2＝1-(SSE/SST)，其中SST是加總平方和(asumofsquarestotal)。R2是每個細份額內(nèi)的一個資產(chǎn)相對于整個總體的貢獻，特定細份額內(nèi)某資產(chǎn)的R2值越高，則貢獻越高。將不同資產(chǎn)組合的細份額根據(jù)這兩種方法排定次序，給出一個表示該模型在每個資產(chǎn)組合細份額內(nèi)的預(yù)測能力有多好的指示，就例如對每個份額的定價給予競買者一定的舒適水平。R2(CART)71.4％88.9％77.5％R2(簡單)55.4％88.6％57.5％表C按資產(chǎn)的評定殘差比率和R2值第一步是定義相關(guān)資產(chǎn)組合的細份額(portfoliosegmentations)。細份額可以是根據(jù)例如產(chǎn)業(yè)、未付余額(UPB)、區(qū)域或顧客風險預(yù)先定義的份額。以上的表C是一例根據(jù)份額和資產(chǎn)評級(B或C)定義的細份額。表C提供一例對具有5個份額和兩種不同資產(chǎn)類型(B和C)的資產(chǎn)組合的研究的輸出。該表顯示了如何對不同細份額的殘差比率排序。同樣，每個細份額內(nèi)C類資產(chǎn)中的每項資產(chǎn)的R2值也被計算出來。第二步是為CART模型和簡單模型(平均價格的外推)計算所感興趣的每個資產(chǎn)組合細份額的SSE。殘差比率通過用基于CART模型的SSE除以基于簡單模型的SSE而計算出來。如果殘差比率小于1，則CART模型是比簡單模型好的預(yù)測工具。作為附加的好處，可以通過按照殘差比率尺度選擇在每個細份額中表現(xiàn)最佳的模型，以CART和簡單模型的“混合”組合的形式構(gòu)建一個高級模型。第三步是計算每個資產(chǎn)組合細份額內(nèi)每個資產(chǎn)的R2值。每個資產(chǎn)的R2值的計算方法是(每個細份額的SST——每個細份額的SSE)/(所有資產(chǎn)的總SST×每個細份額內(nèi)的資產(chǎn)數(shù))。最后按照在第二步中計算的殘差比率和在第三步中計算的R2值排定所有細份額的等級。該模型在預(yù)測按殘差比率和R2值這兩個尺度等級都較高的細份額的價格數(shù)值時是準確的，高級模型是用這些尺度構(gòu)建的。表D表示根據(jù)這兩個性能尺度對(表C中的)類型C的資產(chǎn)的5個份額的相對排序。圖10是表示用FCM為構(gòu)造模型而選擇的聚類而構(gòu)造聚類246的一個實施例的流程圖。(圖2中所示的)計算機38通過采用已選數(shù)據(jù)78和執(zhí)行用以生成聚類的FCM分析的方法來構(gòu)造聚類246。圖11表示建立模型248、選擇最佳模型250和計算計數(shù)252，其中用數(shù)據(jù)庫76建立6個模型。(圖3中所示的)計算機38執(zhí)行這個過程。模型建立248被用來輔助評估人排定資產(chǎn)的優(yōu)先順序，以進行全部評估14和基于樣本的評估24以及推斷評估。圖11中的下面是一個表，表示一個從按照模型建立248d而建立的6個模型中選擇最佳模型250的示例性實施例。各模型按照用哪些變量作為X而不同。所有模型都使用CUMV聚類(這些對所有資產(chǎn)都存在)。來自建立模型248的模型除了被用來預(yù)測市場價值(“MAV”)258外還被用來預(yù)測法庭拍賣值(“CAV”)256。其他實施例(未予示出)使用其他模型來預(yù)測其他值。在選擇最佳模型250時，選擇所考察的K個回歸模型(這里的K＝6)的最佳模型。每個UW資產(chǎn)的最佳模型是按照以下尺度選擇的min{abs(y-yk)，1E99}，其中y是要預(yù)測的UW值，yk是根據(jù)第k個回歸模型的的預(yù)測，k＝1，2，…，K。在計算計數(shù)252時，計算這K個模型各自在每個CUMV內(nèi)被選擇的次數(shù)。圖11含有對應(yīng)于CAV和MAV模擬情景的這些計數(shù)。其他模擬情景在其他實施例中使用。在應(yīng)用模型254時，用到了所有對每個非UW資產(chǎn)產(chǎn)生一個預(yù)測的模型的加權(quán)平均預(yù)測。權(quán)重是根據(jù)頻率計數(shù)252而構(gòu)造的，預(yù)測來自建模過程。在一個實施例中，用一個商業(yè)統(tǒng)計分析軟件(SAS)系統(tǒng)來產(chǎn)生模型。使用SAS系統(tǒng)的一個作用是，每個使每個輸入變量，比如X變量，在模型中出現(xiàn)的非UW資產(chǎn)將從每個模型得到一個預(yù)測的UW值。其他模型軟件包也有這個特點。下面的方程E詳細說明了該程序。y‾^1=Σi,j,kIlkfijky^lkΣi,j,kIlkfijk]]>(方程E)方程E中，如果模型k為資產(chǎn)l產(chǎn)生過一個預(yù)測，I1k等于1，否則等于零；fijk＝模型k為第i個CUMV類(i＝1，2)以及第j個CUMV聚類(j＝1，2，3)中的UW資產(chǎn)被選擇的次數(shù)；ylk＝對模型k中的yl的預(yù)測。注意每一種對一個資產(chǎn)有一個預(yù)測的建模方法只有一個貢獻，每個都被該建模方法被選擇用于同一個CUMV聚類的所有UW資產(chǎn)的次數(shù)加權(quán)。過程240也被用于估算均值預(yù)測的置信度下限(“LCL”)和置信度上限(“UCL”)，只是把方程E中的yik換成相應(yīng)的統(tǒng)計值?；仡^再參看圖3，監(jiān)管學習過程206和無監(jiān)管學習過程208使用聚類方法。“聚類”(c1ustering)是一種試圖評估數(shù)據(jù)集的模式(patterns)之間的關(guān)系的工具，它把模式組織成分組或聚類(clusters)，每個聚類內(nèi)的模式彼此比屬于不同聚類的模式更相似。就是說，聚類的目的是從大的數(shù)據(jù)集中提取自然的分組，產(chǎn)生某系統(tǒng)的行為的簡潔的表示。無監(jiān)管學習步驟208采用一種模糊聚類方法(“FCM”)和知識工程來為估價自動地分組。FCM是一種在統(tǒng)計建模中廣泛應(yīng)用廣為人知的方法。該方法的目的是最小化聚類內(nèi)距離(intra-clusterdistance)和最大化聚類間(inter-cluster)距離。通常使用歐幾里得(Euclidean)距離。FCM248(見圖10)同時最小化聚類內(nèi)距離和最大化聚類間距離。通常使用Euclidean距離。FCM是一種迭代優(yōu)化算法，它最小化成本函數(shù)J=Σk=1nΣi=1cμikm||Xk-Vi||2]]>(方程F)其中n為數(shù)據(jù)點數(shù)；c是聚類數(shù)，Xk是第k個數(shù)據(jù)點；Vi是第i個聚類中心(clustercentroid)；μik＝1是第i個聚類中第k個數(shù)據(jù)的成員程度(degreeofmembership)；m是大于1的常數(shù)(通常m＝2)。注意μik是個實數(shù)，范圍是。μik＝1的意思是第i個數(shù)據(jù)絕對在第k個聚類中，μik＝0的意思是第i個數(shù)據(jù)絕對不在第k個聚類中。如果μik＝0.5，則意味著第i個數(shù)據(jù)部分地在第k個聚類中的程度是0.5。從直觀上講，如果每個數(shù)據(jù)點只屬于特定聚類并且沒有對任何其他聚類的部分成員程度，則成本函數(shù)將被最小化。就是說，在把每個數(shù)據(jù)分配給其屬于的聚類時沒有含糊。成員程度μik被定義為μik=1Σj=1c(||Xk-Vi||2||Xk-Vj||2)1m-1]]>(方程G)從直觀上講，當Xk向Vi接近時，聚類中心Vi中的數(shù)據(jù)Xk的成員程度μik會增加。同時，μik在Xk遠離Vj(其他聚類)時變小。第i個聚類中心Vi被定義為Vi=Σk=1n(μik)mXkΣk=1n(μik)m]]>(方程H)從直觀上講，第i個聚類中心Vi是Xk的坐標的加權(quán)和，其中k是數(shù)據(jù)點數(shù)。從希望的聚類數(shù)c和對每個聚類中心Vi(i＝1，2，…，c)的初始估算開始，F(xiàn)CM將收斂到一個對Vi的解，它或者代表成本函數(shù)的一個局部最小點或者代表它的一個鞍點。FCM解的質(zhì)量，同多數(shù)非線性優(yōu)化算法的質(zhì)量一樣，在很大程度上取決于對初始值(數(shù)c和初始聚類中心Vi)的選擇。在一個示例性實施例中，整個資產(chǎn)組合12被無監(jiān)管模糊聚類細分，每個聚類被評估專家審查，由此輔助評估人為全部評估14和樣本評估34選擇金融工具。備選方案是，可以將這個FCM只應(yīng)用到部分42。結(jié)果，每個聚類都得到一個為調(diào)整138的目的(見圖3)而分配的HELTR綜合評分。實質(zhì)上，HELTR綜合評分捕獲的是現(xiàn)金流期望值和其范圍、其發(fā)生時刻(timing)以及與每個聚類相關(guān)聯(lián)的風險的期望值和范圍?，F(xiàn)在參看圖2，全部評估部分16與總資產(chǎn)組合12的比率在一個實施例中是資產(chǎn)的25％和所有資產(chǎn)的面值的60％。這些資產(chǎn)的全部評估由于他們的規(guī)模和值而得到保障。然而，這個評估對所有評估人都是相當一致的，所以評估不可能產(chǎn)生一種顯著的遞盤差異。然而，在示例性實施例中構(gòu)成資產(chǎn)75％、但是是資產(chǎn)面值的40％的、包含部分36和42的其余40％，在被評估之前是高度投機性的。在值可以在部分36和42f中找到的程度上，例如——但不限于——粗略外推的額外5％，該差別意味著贏得或喪失對整個資產(chǎn)組合遞盤或?qū)φ麄€份額遞盤的差別，這意味著千百萬美元的利潤差別。就保險單而言，按照程序40，統(tǒng)計學被用來試圖回答三個基本問題(a)應(yīng)如何收集數(shù)據(jù)？(b)應(yīng)如何總結(jié)所收集的數(shù)據(jù)？(c)數(shù)據(jù)總結(jié)的準確度如何？算法134回答問題(c)，是一種沒有理論證明的基于計算機的方法。用于保險單推斷估價的算法134適合于回答對傳統(tǒng)統(tǒng)計分析來說過于復雜的統(tǒng)計推斷。用于保險單估價的算法134通過反復地有替換的抽樣而模擬統(tǒng)計估計的分布。該算法總體上由三個步驟構(gòu)成(I)有替換地抽樣(samplingwithreplacement)，(II)估計感興趣的統(tǒng)計值，和(III)估算標準差。按照保險算法134，NPV標準誤的估算是按下列方式執(zhí)行的。對于每個風險模型和對于模型中的每個細份額，假設(shè)該細份額中有N個保險單，用有替換地抽樣來選擇n個樣本(例如n＝100)。在本例中，每個樣本也含有N個保險單。對于每個樣本以及對于所有歷史保險單AEw=Σ(Act)Σ(Wtdexp)0.72858]]>(方程I)下一步通過NPV=ΣP-ΣE-(ΣC)×AEw]]>(方程J)為最近的保險單生成凈現(xiàn)值。計算n個凈現(xiàn)值的樣本標準差。在方程I中，Act是每個個別保險單的實際的理賠額，Wtexp是加權(quán)的期望理賠額。圖12是用于信用計分的示例性基準80和指令性規(guī)則集的表。其他基準可以根據(jù)金融工具的類型和特定遞盤條件或競買者的任何其他需要或偏好而選擇。圖13一個更詳細的樹型圖260，類似于樹狀圖66(見圖2的下面)。在圖13中，分叉的條件是(a)是否是擔保的(secured)，(b)是否是循環(huán)的(revolving)，(c)上一次付款是否為零。結(jié)果是六個聚類262、264、268、270、272，非正式地稱該樹為“搖動樹”(shakertree)。圖14表示一個按照本發(fā)明的一個實施例的示例性系統(tǒng)300。系統(tǒng)300包括至少一個配置為服務(wù)器的計算機302和多個與服務(wù)器302相連以形成網(wǎng)絡(luò)的計算機304。在一個實施例中，計算機304是包括網(wǎng)絡(luò)瀏覽器的客戶機系統(tǒng)，服務(wù)器302是計算機304能通過因特網(wǎng)訪問的。此外，服務(wù)器302是一個計算機。計算機304通過許多接口互連到因特網(wǎng)，這些接口包括諸如局域網(wǎng)(LAN)或廣域網(wǎng)(WAN)等網(wǎng)絡(luò)、撥號連接、有線調(diào)制解調(diào)器和專用高速ISDN線路。計算機304可以是任何能夠互連到因特網(wǎng)的裝置，包括基于網(wǎng)絡(luò)(web)的電話或其他基于網(wǎng)絡(luò)的可連接設(shè)備，包括無線網(wǎng)絡(luò)和衛(wèi)星。服務(wù)器302包括一個連接到集中的數(shù)據(jù)庫76(也在圖2示出)的數(shù)據(jù)庫服務(wù)器306，數(shù)據(jù)庫76是一個含有描述資產(chǎn)組合的集合的數(shù)據(jù)庫。在一個實施例中，中央數(shù)據(jù)庫76被存儲在數(shù)據(jù)庫服務(wù)器306上，由計算機群304之一的用戶通過計算機304群之一向服務(wù)器子系統(tǒng)302登錄而訪問。在一個備選實施例中，中央數(shù)據(jù)庫76被存儲在遠離服務(wù)器302的地方。服務(wù)器302被進一步設(shè)置得能接收和存儲用于以上所述資產(chǎn)評估方法的信息。盡管系統(tǒng)300被描述為一個連網(wǎng)的系統(tǒng)，但預(yù)期本文所述的用于審查和處置資產(chǎn)組合的方法和算法能在不與其他計算機連網(wǎng)的獨立計算機系統(tǒng)中實現(xiàn)。盡管就各種特定實施例描述了本發(fā)明，本領(lǐng)域的熟練人員會知道，本發(fā)明能在權(quán)利要求的精神和范圍內(nèi)的修改的情況下實施。權(quán)利要求1.為限制風險而為資產(chǎn)估價選擇最低差異假設(shè)的方法(32)，所述方法包含下列步驟用對特定資產(chǎn)有優(yōu)點的多個估價方法估價資產(chǎn)；為正被估價的資產(chǎn)選擇一個最精確的估價方法；和用所選擇的方法對資產(chǎn)賦值。2.按照權(quán)利要求1的方法(32)，其中，所述選擇估價方法的步驟進一步包含按照量化諸如現(xiàn)金流預(yù)測值的對象的精確度的順序為各種估價方法排序的步驟。3.按照權(quán)利要求2的方法(32)，進一步包含選擇一個具有最小下邊差異和最大上邊差異的至少之一的估價的步驟。4.按照權(quán)利要求1的方法(32)，其中，選擇估價方法的步驟進一步包含當找到最佳估價方法時中斷選擇其余估價方法的備選估價的步驟。5.按照權(quán)利要求1的方法(32)，其中，所述向資產(chǎn)賦值的步驟進一步包含為資產(chǎn)估價找出最佳概率分布形態(tài)的步驟。6.按照權(quán)利要求5的方法(32)，其中，所述為資產(chǎn)估價找出最佳概率分布形態(tài)的步驟進一步包含減少概率分布差異的步驟。7.按照權(quán)利要求5的方法(32)，其中，所述為資產(chǎn)估價找出最佳概率分布形態(tài)的步驟進一步包含提供確定概率分布的能力的步驟。8.按照權(quán)利要求5的方法(32)，其中，所述為資產(chǎn)估價找出最佳概率分布形態(tài)的步驟進一步包含提供估價過程中任何時刻的最佳值概念的步驟。9.按照權(quán)利要求1的方法(32)，其中，所述用對特定資產(chǎn)有優(yōu)點的已知估價方法估價資產(chǎn)的步驟進一步包含的步驟是，按照掌握中的100％現(xiàn)金的資產(chǎn)估價、部分現(xiàn)金的資產(chǎn)估價、資產(chǎn)的直接評估和資產(chǎn)的推斷評估的至少之一估價資產(chǎn)。10.用于為限制風險而為資產(chǎn)估價選擇最低差異假設(shè)的投資組合估價系統(tǒng)(300)，所述系統(tǒng)包含配置成服務(wù)器(302)的計算機(304)，該計算機進一步配置有資產(chǎn)組合(12)的數(shù)據(jù)庫(76)；至少一個通過網(wǎng)絡(luò)連接到所述服務(wù)器的客戶機系統(tǒng)，所述服務(wù)器被設(shè)置得能用對特定資產(chǎn)有優(yōu)點的多個估價方法估價資產(chǎn)，為正被估價的資產(chǎn)選擇一個最精確的估價方法并對資產(chǎn)賦值。11.按照權(quán)利要求10的系統(tǒng)(300)，其中，所述服務(wù)器(302)被設(shè)置得能按照量化現(xiàn)金流精確度的順序為各種估價方法排序。12.按照權(quán)利要求11的系統(tǒng)(300)，其中，所述服務(wù)器(302)被設(shè)置得能選擇一個具有最小下邊差異和最大上邊差異的至少之一的估價。13.按照權(quán)利要求10的系統(tǒng)(300)，其中，所述服務(wù)器(302)被設(shè)置得能在找到最佳估價方法時停止選擇其余估價方法。14.按照權(quán)利要求10的系統(tǒng)(300)，其中，所述服務(wù)器(302)被設(shè)置得能為資產(chǎn)估價找出最佳概率分布形態(tài)。15.按照權(quán)利要求14的系統(tǒng)(300)，其中，所述服務(wù)器(302)被設(shè)置得能減少概率分布差異。16.按照權(quán)利要求14的系統(tǒng)(300)，其中，所述服務(wù)器(302)被設(shè)置得能提供確定概率分布的能力。17.按照權(quán)利要求14的系統(tǒng)(300)，其中，所述服務(wù)器(302)被設(shè)置得能提供估價過程中任何時刻的最佳值概念。18.按照權(quán)利要求10的系統(tǒng)(300)，其中，所述服務(wù)器(302)被設(shè)置得能按照掌握中的100％現(xiàn)金的資產(chǎn)估價、部分現(xiàn)金的資產(chǎn)估價、資產(chǎn)的直接評估和資產(chǎn)的推斷評估的至少之一估價資產(chǎn)。19.用于為限制風險而為資產(chǎn)估價選擇最低差異假設(shè)的計算機(38)，所述計算機包括有資產(chǎn)組合(12)的數(shù)據(jù)庫(76)，所述計算機被程序設(shè)置得能用對特定資產(chǎn)有優(yōu)點的多個估價方法估價資產(chǎn)；為正被估價的資產(chǎn)選擇一個最精確的估價方法；和對資產(chǎn)賦值。20.按照權(quán)利要求19的計算機(38)，被程序設(shè)置得能按照量化現(xiàn)金流精確度的順序為各種估價方法排序。21.按照權(quán)利要求20的計算機(38)，被程序設(shè)置得能選擇一個具有最小下邊差異和最大上邊差異的至少之一的估價。22.按照權(quán)利要求19的計算機(38)，被程序設(shè)置得能在找到最佳估價方法時停止選擇其余估價方法。23.按照權(quán)利要求19的計算機(38)，被程序設(shè)置得能為資產(chǎn)估價找出最佳概率分布形態(tài)。24.按照權(quán)利要求23的計算機(38)，被程序設(shè)置得能減少概率分布差異。25.按照權(quán)利要求23的計算機(38)，被程序設(shè)置得能提供確定概率分布的能力。26.按照權(quán)利要求23的計算機(38)，被程序設(shè)置得能提供估價過程中任何時刻的最佳值概念。27.按照權(quán)利要求19的計算機(38)，被程序設(shè)置得能按照掌握中的100％現(xiàn)金的資產(chǎn)估價、部分現(xiàn)金的資產(chǎn)估價、資產(chǎn)的直接評估和資產(chǎn)的推斷評估的至少之一估價資產(chǎn)。全文摘要一種為限制風險而通過選擇資產(chǎn)估價的最低變化假設(shè)來估價大型資產(chǎn)分組的方法(32)，包括下述步驟通過所有對估價特定資產(chǎn)具有優(yōu)點的已知方法來估價資產(chǎn)，選擇對正被估價的資產(chǎn)最準確的估價方法，對資產(chǎn)賦值。得出各個資產(chǎn)值，并將各個資產(chǎn)值列于表中，以便能從表中提取各個資產(chǎn)值，將它們以任何希望的方式分組。將資產(chǎn)按信用變量劃分成各類，然后個別地評定。文檔編號G06Q40/00GK1437736SQ00819262公開日2003年8月20日申請日期2000年12月20日優(yōu)先權(quán)日1999年12月30日發(fā)明者C·D·約翰森,T·K·凱耶斯,D·J·斯潘塞,C·L·米德基夫,R·P·梅斯默,C·皮蘇帕蒂,Y-T·陳申請人:Ge資本商業(yè)財務(wù)公司