為優化認購而有效採樣有價證券的方法和系統的製作方法

2023-05-01 14:48:51

專利名稱：為優化認購而有效採樣有價證券的方法和系統的製作方法
相關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的權利，其全部結合在這裡作為參考。
諸如貸款，例如一萬的貸款或其它金融證券的大量資產，有時由於經濟條件、計劃的或未計劃的資產剝奪或作為法律賠償可變得用來出售。數千商業貸款或其它有時包括等價於數十億美元資產的金融證券的出售有時必須在幾個月內發生。當然，資產的出售者希望使其有價證券的價值最優，有時把資產分組成「一部分或一批債券」(tranch)(以下簡稱「批」)。這裡所用的「批」這一術語不限於外國票據，而還包括資產和金融證券分組，而不管國家或管轄權。
投標商對所有批或僅一些批投標。為贏得一批，投標商通常必須為該批遞交最高的投標。關於決定對一特定批遞交的投標量，投標商常常僱傭證券認購者在一批內並在可用的有限時間內評估儘可能多的資產。當遞交投標的時間快要到期時，投標商將估價在此時認購(underwritten)的資產，然後嘗試外推尚未由證券認購者分析的資產的價值。
作為這一過程的結果，投標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或者比認購值高的投標並承擔未量化風險。當然，因為目的是以能使一個投標商獲得回報的價格贏的每一批，所以由於顯著低估該批表示喪失了機會。因此希望提供一個系統，該系統能夠便利在短的時期內準確評估大量金融證券並理解對於一個給定投標的回報和風險的相關概率。
隨著處理進行和更多的資產被認購，在第一和第二部分中具有建立起的價值的資產的數目增加，而在第三部分中的資產的數目減少，並且在第三部分中的資產的估值的變化越來越確定。更具體說，通過根據對在第一和第二部分中的資產的估值的相似性把資產分組為具有價值概率的類來評估第三部分中的資產。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。使用估值產生假設投標以決定在由投標商確定的參數內的一個最優投標。通過一個反覆的投標產生過程確定最優投標。


圖14是一個計算機網絡原理圖。
發明的詳細描述圖1是一個示意圖10，表示估值一個大資產有價證券12的已知方法，它通過一個認購周期和通過為例如在拍賣中購買資產有價證券12而投標實現這一估值。圖1是一個典型的認購和外推過程10的高層略圖，它不是重複的和自動的。在示意圖10中，認購者認購14有價證券12中的一些單個資產，產生一個認購的第一部分16和一個未接觸的剩餘部分18。在任何資產被認購前，第一部分16的百分比是零，而剩餘部分18是有價證券12的百分之百。隨著認購過程進行，第一部分16增加，而剩餘部分18減少。目的是為在購買資產有價證券的投標遞交之前認購儘可能多的資產。認購者小組繼續單個認購14直到必須要遞交投標之前。進行一個粗略的外推20來評估剩餘部分18。外推的價值20成為未認購的推斷價值24。粗略外推為剩餘部分18產生一個估值24。估值22隻是在第一部分16中的各個資產價值的總和。然而，估值24是由外推產生的一個組估值，可以相應打折。然後把估值22和24相加，產生有價證券資產價值26。對有價證券的每一批執行估值過程。
圖2是一個示意圖，表示用於快速資產評估的一個系統28的一個實施例。在圖2中包括的是由系統28在估價資產有價證券12中採取的處理步驟的表示。系統28分別估價(「接觸」)每一資產，除了從統計上考慮不重要或金融上無形的非常少量的未接觸資產30。具體說，有價證券12中的所有資產除了數量30外都經歷反覆的和適應性評估32，其中有價證券12中的資產分別估值，分別列在表中，然後從表中選擇，為投標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，認購者開始對有價證券12中的各個資產完全認購14，產生資產的一個完全認購的第一部分16。認購者還認購34有價證券12的第二部分36中的資產樣本，計算機38統計推斷40有價證券12的第三部分42的價值。計算機38還重複產生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配置為一個通過網絡(在圖14中表示和說明)連接到至少一個客戶系統的伺服器，所述網絡可以是廣域網(WAN)或者是區域網(LAN)。
例如，仍然參考圖2，有價證券12的第三部分42的一個未採樣的和未認購的部分46使用模糊C方法聚類(FCM)和一個組合的高/期望/低/定時/風險(HELTR)分數而經歷統計推斷過程40以產生兩個類目48和50。HELTR定義為H-高現金流量，E-期望的現金流量，L-低現金流量，T-現金流量的定時(例如以月0-6，7-18，19-36，37-60)，R-用借方的風險評估(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。然後把這些各個資產價值為投標的目的重新分組為批70、72和74。銷售者可以把任何數目的批組合到任何安排的集合中。
把為有價證券12中的每個資產的各個資產數據(未示出)輸入資料庫76，從這裡根據一個給定的判據80為重複和適應處理32檢索選擇的數據78。當為評估任何資產建立判據80後，把建立起來的判據80存儲到資料庫76中為評估資料庫76中其它共享這種建立的判據的資產數據使用。於是重複和適應評估過程32產生82估值(下面描述)並把它們分組84為在投標中使用。
圖3和圖4結合形成表示用於評估一個大的資產有價證券12的系統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28中以下面說明的方式同時和順序使用。如上所述，完全認購14是第一類估值過程。具有樣本完全認購的分組和採樣認購34是第二類估值過程。統計推斷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基於如下說明建立的目標判據。
這裡使用的「認購」指的是一個過程，其中，某人(「認購者」)根據已建立的原則審查一個資產並決定為購買該資產的當前購買價格。在認購期間，認購者使用為評估而預先存在的或建立起來的判據80。「判據」指的是與資產價值和根據這種類目的等級相關的規則。例如，作為一個判據，某個認購者可能決定用借方(borrower)三年的現金流量歷史作為與資產評估相關的信息類目，並可能給出對各種現金流量級別一定的等級。
完全認購14以兩種方式進行，完全現金基礎方式86和部分現金基礎方式88。完全現金基礎方式86和部分現金基礎方式88兩者都以經過完全單個審查14(見圖2)的資產集90和92開始。這種完全審查14通常由於大美元(large dollar)或者其它適合的貨幣、相對於有價證券中的其它資產被審查的資產量、或者由於用借方如此出名或者如此可靠，以致該資產可以很快而可靠地被完全認購，或者在市場上標價，使得與所述資產的價值很少差別。資產集90由認購人94評估，並且在資產集90中的每一個資產接收一個差別很小的估值，諸如用現金或具有完全現金價值的可貿易商品支持的資產，並放在一個完全價值表96中。存儲為表96中的資產選擇的各個價值作為完全認購的組價值98。
集92由一個認購者小組100評估，它可與小組94相同，但是每一資產接受一個折扣的或部分價值並放入一個部分價值表102中。存儲為在表102中的一批中的資產所選擇的各個價值作為部分價值完全認購的組價值104。用於完全現金基礎方式86和部分現金基礎方式88的判據80(在圖2中表示)存儲在計算機38(在圖2中表示)的數字存儲存儲器(未示出)中的資料庫76(在圖2中表示)中，為在自動評估40的指導學習206和不指導學習208中使用。
使用兩個過程，完全採樣106過程和部分採樣108過程，實現採樣認購34。完全採樣106為大資產類目使用，並且包括被採樣的資產類目中的樣本組的百分之百採樣110。完全採樣106中的資產不單獨認購，而是在完全採樣組112中根據一個決定的共同特性認購。產生一個作為結果的完全採樣組估值(未示出)，然後根據規則114取消分隔以產生一個單個完全樣本資產價值表116。然後以電子方式上載在表116中的各個完全樣本資產價值到為投標所需要的任何完全採樣組估值118中，其由分組一批中的資產所建議。在一個認購樣本分組中的資產數目可以少到為1至任何資產數目。部分採樣108用於中等資產類目，包括由從正被採樣的組的一個類中百分之百採樣一個代表組並隨機採樣在該類中的其它組形成一個類樣本組120。在部分採樣108中，所有組均被採樣，但是一些從類樣本組120中通過外推而部分估值。部分採樣108包括具有手工數據項125的資產級重認購122以產生一個α信用分析者表126，給該表一個資產類調整128以產生一個經對每一類估值的認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識符，說明性屬性是關於一個資產的事實，熟悉評估的人使用它來評估一個資產的價值。說明性屬性的例子包括但不限於支付狀態、資產類型、以得分表示的用借方的信用信任度，申領的位置和資歷。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。
說明性屬性是用於產生資產價值的事實、維數或向量。使用計算機邏輯來檢查重複的類，如果有的話，提醒分析者或認購人。
因為每一個資產可以用說明性屬性的多種組合說明，因此可能發生為同一資產不同級的價值。概率回收值或信用得分或者資產價值的任何數字指示都是在離散的資產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。這裡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。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間。例如，如果任何資產被說明為是具有高度等於2.5」為和寬度等於5」的綠色紙張的話，則人們可能認為其值在0到1000美元之間並給該評估非常小的可信度。如果該同一資產以更多細節或屬性或向量說明為是一個實際的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。
及時決定並記錄類的估值和可信度。有時，新的信息變得可用，分析者願意改變這些值。這些值使用數據欄位和決策規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，並了解到具有在該類中準確說明性屬性的一個不同的資產剛剛以超過預測的「最可能」的值售出。規則這樣生效，即如果這一事件發生，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的多個得分一致，控制與評估的每一維數的估值的每一來源關聯的可信度。使用HELTR作為具有對一個特定資產的採樣數據點的說明性例子過調整的信用分析者表130。如上所述，從經過調整的信用分析者表130中按照批分組選擇單個資產以產生一個部分採樣信用值132用於對批70(在圖2中表示)進行投標。
自動評估過程40使用指導學習過程206、不指導學習過程208和從一個統計推斷算法134的上載來產生一個認購類表136，它存儲在一個數字存儲設備中。在指導學習過程206中，一個知道要問什麼問題來建立價值的有經驗的認購人幫助計算機決定某個資產是否是一個好的投資和如何估值該資產。在不指導學習過程208中，計算機分段和分類資產並根據從數據來的反饋有目的地自評估資產。認購人周期地審查不指導學習過程208以決定計算機是否在做明智的認購結論。計算機使用統計算法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和使用的Design For Six Sigma(「DFSS」)的質量範例，並應用在使用一個多代產品開發(「MGPD」)方式的Due Diligence(「DD」)資產估值過程以增加的準確度估值資產數據。學習過程206和208在進行的、實時基礎上將隨著評估的進展積累的知識結合到現金流量回收和回收概率的計算中。指導學習過程206使用商業規則為評估的目的來識別具有公共特徵的資產類。不指導學習過程208使用從先前由過程40執行的數據評估來的反饋來決定相對於增加的評估可信度是否有進步。由於使用高速計算機，識別所有可用的原始數據和發現這些可用原始數據類的相互關係是可能的，這在下面說明。
在一個示例實施例中，使用採取HELTR打分技術不指導組織原始數據的模糊聚類方法(「FCM」)過程來推斷有價證券中的資產的信用得分的估值，這在下面說明。這種聚類技術是響應更複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評定的資產和高資產計數開發的。
一個示例方法首先在一個計算機化的系統中組織評估得分(靜態的和/或概率回收的)。然後為特殊的因素和商業決策調整該評估得分。然後對說明同一資產的多個評估得分執行一致處理和對審查/推翻推斷的估值進行總調整。
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)和基於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。可以應用不同的邏輯來操作任何加權因子。
在總體假定的意義上產生一致得分。如果總體假定改變的話，則在該方法中包括處理步驟128、138來加權該一致得分。說明的例子是在某些評估因素中的虛假髮現、宏觀經濟改變、為一個資產類建立的可代替的市場值、以及相對於正在使用的其它方法的推斷資產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與在一個資產的有價證券中的其它變量相關。該工具快速識別在兩個屬性變量和該響應變量之間的想不到的高或低相關。屬性變量有兩類，連續的和範疇的。用相關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並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的趨勢。
首先，交叉相關工具識別資產的有價證券中的屬性變量是連續的還是範疇的。為每一變量計算聚合值，對於連續變量用段(bin)計算，而對於範疇變量用價值。
試圖使用該工具識別相關的用戶將選擇一個響應變量，Yr，例如一個期望的回收或計數。對屬性變量對(x1和x2)和它們的級(a和b)的所有組合，計算響應變量Yr的平均值，根據Yr＝sum(Y(x1＝a和x2＝b))/count(x1＝a和x2＝b)。
根據下式計算響應變量的一個期望值YexpectYexpect＝(sum(Y(x1＝a))*count(x1＝a)+sum(Y(x2＝b))*count(x2＝b)))/(count(x1＝a)*count(x2＝b))。
所選擇的響應變量Yr從期望值Yexpect的偏差Yerror，分別使用x1＝a和x2＝b出現的加權值，由下式計算Yerror＝Yr-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據為最終投標價格的傳遞函數過程，其在下面說明。使用在過程14、34和40中產生的經修改的係數以電子方式調整表136，以便為資產的信用得分138進行係數調整以產生推斷的各個資產信用價值的一個經調整的信用分析者表140。如批分組所需要的，各個資產價值從表140中取出以產生一個推斷的信用估值142。最後對「未接觸」資產的可忽略剩餘部分30進行外推以產生一個未接觸資產的表144。選擇表144中的值以產生一個未接觸資產估值。
完全現金估值98、部分現金估值104、完全採樣信用估值118、部分信用價值132、推斷信用價值142和從未接觸資產表144指定的任何值累積起來，並以從完全現金估值98到推斷的信用價值142連續的優先級互相排斥。這些估值的和表示有價證券的價值。
圖4是由系統28(在圖2中表示)執行的一個投標準備階段168的流程圖。累積的估值98、104、118、132、142和144在一個風險優選項借貸級評估步驟146中組合。使用一個現金流量定時表150產生一個確定的現金流量橋148來產生一個隨機現金流量橋152。建立和使用隨機或概率性的現金流量橋152以決定一個建議的批投標價格154，對該批投標價格反覆應用一個批模型156直到達到一個一定的閾值158。閾值158例如是大於某價值的一個內部回報率(「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。基本思想是今天的一美元比明天的一美元更有價值。
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是如何產生作為利潤和加權的期望風險的差的純收入。注意，總和是對在一個特定段內所有保險單相加。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打過折扣。作為結果，產生一個可獲利潤分數。
如果滿足閾值條件160，則投標154接受一個模擬的開標分析161以預測該投標是否可以期望得標。密封投標拍賣的結果取決於從每一個投標人接收的投標的大小。拍賣的執行包括打開所有投標和把拍賣的項目賣給最高的投標者。在傳統的密封投標拍賣中，一旦投標人的投標被遞交就不允許投標人改變他們的投標，投標人在開標前也不知道由其他投標人投的標，使拍賣的結果不確定。通過投較高的標，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。
模擬競爭投標增加獲取更高可獲利潤率的可能性，它通過設定一個具有傾向的投標/銷售價格的範圍，在人們擁有資金前耗盡任何競爭的投標人的資金，使得最希望的資產事務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判斷可以由不受限於隱藏的日程、個性或片面的知識的數據驅動方法放大。
每一個可能的投標商都具有一個可以遞交給一個密封投標拍賣的可能的投標範圍。該投標範圍可以表示為一個統計分布。通過從投標值的分布隨機採樣，可以模擬一個可能的拍賣方案。另外通過使用重複採樣技術，例如Monte Carlo分析，可以模擬許多方案來產生一個結果分布。該結果分布包括贏得拍賣項目和價值增益的可能性。通過改變人們自己的投標價值，可以決定相對人們自己的投標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收益，編篡市場規則和合同為計算機化的商業規則，編篡可能的競爭/市場力，預見預算和優先級到一個優選項陣列中，某人自己的投標能力、優選項、與編篡進一個優選項陣列一致的風險/回報權衡，和計算機化的隨機優化。
分析160模擬與具有相對於由系統28計算的投標不同的各種金融能力投標的其它公司的一個競爭環境。在一個實施例中，分析160，作為一個例子但不作為限制，包括一個總投標限制，諸如在資產的總價值超過使用系統28的實體的金融能力的場合。在一個實施例中，在這種對投標有有限資源的場合，分析160可以估價對不同批組合投標的可獲利潤率。分析160還考慮過去對已知競爭者的投標歷史和競爭投標商喜歡的不同類型資產的信息。在分析160中，批投標然後被評估和由管理162設定，並決定最終批投標164。在進行投標164之前的所有評估可以根據意願重複。另外，因為該過程是自調節的和重複的，因此，隨著通過由系統28執行重複發現越來越多的價值，批投標價格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)和一個投標準備階段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持續運行直到停止，以自動評估過程40和採樣過程34試圖在各種資產或資產類目中發現額外的價值。
再次參考圖2，並按照迅速資產評估，就每一資產識別在有價證券12的資產內的數據類目170、172和174並存儲在資料庫76中。重複和適應性評估過程取選擇的數據部分78並以統計方式應用判據80到選擇的數據部分78以增加已知的資產價值而不是作為一個粗略外推20的資產價值。按照方法28把資產分成至少第一部分16、第二部分36和第三部分或剩餘42。使用過程14，在部分16中的資產被完全認購以決定估值98和部分價值完全認購估值104和建立為這種估值的判據80。使用過程34，過程28從第二部分36中採樣第二部分36中的組的代表的一定數量的資產以決定為第二部分36的完全採樣組估值118和部分採樣信用值132，並為這種估值建立另外的判據80。使用過程40，部分指導學習過程206和部分不指導學習過程208由諸如圖2的計算機38這樣的自動分析器執行。為了學習，自動分析器抽取建立的判據80和關於第三部分或剩餘42的所選擇的數據78，並把第三部分42分成多個部分46，然後使用從資料庫76和過程206和208每一個中引入的判據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。通過統計推斷為在子類56、58、60、62和64中的資產建立各個資產估值。
各個資產估值列在類表136中(見圖3)並在調整138後列在信用分析者表140中。建立的判據80是有目標的，因為判據80來自資料庫76，它們在完全認購過程14和採樣認購過程34期間已經被放在那裡。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、經調整的信用分析者表130、經調整的信用分析者表140和對於所有資產的未接觸資產表144中獲得的信息放在諸如計算機38的硬碟存儲器的數字存儲設備中的資料庫76中，並由過程40用來自過程14和34的判據80進行相關。在過程40執行期間，輸入判據80，它們具有帶一個可接受的可信度的統計意義。也就是說，過程40在其估值和建立判據80時重複學習。指導學習過程206和不指導學習過程208增加統計推斷估值142的準確度，這通過與在資料庫76中建立起來的關於在完全認購的第一部分16中的資產和在樣本認購的第二部分36中的資產的判據相關而實現。在資料庫76中定位類似關於在部分16和/或36中的資產選擇的數據78而與在第三部分42中的一個或者多個資產相關的選擇的數據78，然後通過統計推斷，從定位的信息中決定為在第三部分42中的每一資產的價值。
在執行由流程圖85說明的過程期間，在單個資產的級上估值資產，並把各個資產值列表或以一種或多種組合分組。為對不同的投標方案有最大靈活性，估值有價證券12的任何子集並分別在一個特定的時間範圍內定價。在已知的過程10中，如果資產的銷售者重新分組資產，例如從按資產公司的分組到按用借方的地理位置的分組，則投標的重新估值可能是不適當的，因為需要執行粗略外推20。在使用系統28時，因為單個資產價值被產生並列在表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」選擇判據互相排斥，並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，然後容易根據銷售者組或批進行分組並為該批產生一個適當的估值146。這樣，各個資產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價值。取決於評估的目的，不同評估方法的相對的優點建立為一個特定資產的評估技術的滿意性。一種方法類似一個「食物鏈」，它保存假設發展方法，但是選擇具有最高可信區間的區間。
在食物鏈的一個介紹性的說明例子中，某人可能相對於個人的觀點更喜歡通過在公開的市場上的相似的資產貿易來估值一個金融資產。在等級順序中，優於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評估具有預測現金流量回收的有價證券中的資產。典型的目的是以儘可能高的可用概率建立將來的現金流量。以準確定量現金流量或現金等價物的能力排序評估方法，以最小的下差和/或最大的上差預測。使用具有優點或可能具有為消除重複工作的商業邏輯規則的所有可用的方法估值資產，同時知道，一旦使用最好的方法，更準確的方法將不需評估資產的估價。
為對資產價值提供最好的預測，在食物鏈內使用每一種方法評估資產，直到為每一特定資產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)，並發送到完成狀態。
作為一個例子，使用食物鏈評估資產的一個有價證券。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確度的價值(最緊的可信度區間)。一旦用為對於該唯一資產建立了一個價值的方法估值該資產，就將其送往估值表並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表保存在未接觸資產表中。目的是驅動這一未接觸表為零資產。
食物鏈的一個例子如下，以優選項的順序。(a)手中有為資產的100％的現金，(b)手中有為該資產的部分現金，(c)為相似資產的易變賣市場價值，(d)直接認購，(e)推斷認購。
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，和提供為在發現過程中任何一點提供最好的價值評估的能力。
如圖4所示，投標準備階段168的一般框架是類似選項評估範例給投標164定價，這裡獲贏的投資者將有權，但不是責任，回收投資。該價值對於每一批取消分隔為3部分，錢的時間價值分量，固有價值分量，可攜帶現金流量分量。錢的時間價值和固有價值按確定性地計算，並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用期間的投資計算，這一另外可選擇的投資為了當前的投資而已經過去。固有值公知是可變賣資產價值，它超過購買價格並在控制資產後立即可用。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於市場價值購買。可能的現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據為一個現金流量回收流過程的函數。配置這裡說明的系統以減少負偏差和找到價值。
圖5是為一個典型的最小3點資產評估180的三角概率分布圖。根據過程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為邊界的矩形的區域202保持記數資產值，它是面值188可以歸於由曲線200表示的資產的那部分的測量。點186、196和190和線188和204，從而面積198和202將依賴於為所討論的資產選擇的選擇數據78和應用於該資產的判據和資產值回收的說明的概率而變化。橫軸184可以以現金單位(例如美元)表示而不用面值的百分比。當使用現金單位時，曲線200下為不同資產的面積198將以現金單位，從而面積198在大小上彼此相關，因此顯著與總投標70、72和74相關。對該資產知道的越多，越可以精細地繪製曲線200。當判據80建立時對曲線200應用統計以幫助建立點186、196和190的位置因此面積198的位置，從而建立資產的期望值。影響價值的現金流量的定時可以基於定時屬性的直方圖結果。
例如，可以把現金流量回收定時細分為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可以根據對定時的靈敏度研究權衡選擇段(bin)寬度，來相對於可能由認購人決定的估計回收和回收率估值。在一個示例實施例中，當折扣係數大於25％時應該使用最少4個段(bin)。對於折扣係數在10到25之間時，應該使用最少6個段(bin)以覆蓋可能的回收期間。
根據過程40，選擇某個認購人能夠使用評估金融證券價值的其它數據源。由在過程14和34中的認購小組94、100、114、122和140建立的判據80在這一方面十分有用。根據由流程圖85說明的過程，原始數據轉變為回收，並選擇一個規則組以把一個估值應用於該原始數據，這一規則組以判據80的形式編碼到估值資料庫中。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，產生一個一致的預測並應用於該類。按照系統28，現金流量的概率分布和在批一級的定時通過在該資產級產生評估傳遞函數146決定，該評估傳遞函數146將取原始數據，使數據將產生和聚集該批中的單個資產的估值的假定合理化。
因為所有的回收並不均勻，提供一種建立現金流量回收可變性的方法。通過組公開聚類各個資產。在允許的時間內儘可能多地以傳統方法認購面值，承認留有一個相當大的樣本用於聚類。使用等於145加上面計數的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100的資產產生大小為30的樣本，為面計數1000的資產產生150、為面計數5000的資產產生400、為面計數10000的資產產生500、為面計數20000的資產產生600大小的樣本。
在統計推斷過程40中，在有價證券12的第三部分42中剩餘的資產由說明性認購屬性或判據80聚類並從每一類和認購的樣本中隨機採樣。在一個實施例中，當資產級平均偏差低於10％時停止從在過程40中的類採樣。在另一個實施例中，當批級平均偏差低於15％時停止採樣。如果可能的銷售單位小於整個有價證券則不使用有價證券平均偏差作為停止點。根據過程40，類採樣的回收估值對相應的類總體推斷。在使用系統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估值。在執行過程40期間，加權一個類的認購可信度和說明性屬性的相關性。
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購每一證券都準確，在0和1之間的數值指示估值的部分可信度。這些值的一致在調整的信用分析者表130中發生。在過程40中，位於資產級的現金流量然後通過在調整過的信用分析者表140中的宏觀經濟係數調整。在一個實施例中，宏觀經濟係數與主要資產類相關，例如(不作為限制)不動產居住貸款或商業設備貸款。該係數可以全局應用，例如(不作為限制)法律社會趨勢，國內生產總值(「GDP」)預測，擔保人社會趨勢，收集係數，用借方組代碼等。
一種用於採樣一個有價證券的方法包括在關鍵資產、用借方和擔保品的屬性特徵中間檢索嚴重影響/產生風險的屬性。下面的表A提供在一個資產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
資產屬性的分段通過編碼屬性為「啞變量」實現。例如，一個公共的資產屬性是「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」。為其它資產屬性使用相似的「啞變量」。
通過使用任何統計過程完成分段過程，這些統計過程以這種方式編碼資產屬性，使得把有價證券分段為相似資產的組。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，範圍從0到1；和安全得分，使用由不動產抵押品為安全的概率，資產可以被分類為具有相似屬性的5個組。
一旦資產分組完成，則計算要取的和為進一步認購審查而遞交的樣本數目，這通過建立可以以之作出關於在每一段(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係的估計和作為總未付資本平衡(UPB) (R)的百分比的回收範圍、按照下式計算Var(Y^R)=n[1-nN][lNxi]2[lnxi]2lN(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 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 規定計算的樣本大小，n，以及相關的認購價值將估計總的類回收在誤差h內，假定使用等式D決定總的段回收的估計。
在實際中，很難沒有可用數據來估計總回收的可變性。一種電子表格工具通過以Monte Carlo模擬產生數據並指導用戶通過結果的分析直到導出喜歡的樣本大小實現上述這一點。
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的範圍在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，可信度為75％。
表B樣本大小電子表格嚮導
為每一個資產進行適當的偏差調整預測並建立估值表以包括在該有價證券中的每一個資產。使用連續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28時，然後評估內部回報率(「IRR」)和偏差。優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值(「NPV」)的概率。從資本的機會成本，加上FX交換成本，加上在預測的現金流量回收的差異中固有的不確定性中的風險來決定折扣率。如果出現多於5％的不確定性，該項目將有一個負的VPN，則不進行投標。以批進行交易評估，使用下面的決策判據IRR，在一批中的IRR的風險差異，該批估計的付款意願和能力，獲益時間(「TPP」)和在以批歸還中的風險差異，以折扣到無風險率的批的期望現金流量的VPN。
在資產有價證券的內容不可以談判的競爭投標環境下，投資者或銷售者具有強烈的金融動機僅選擇可用於事務交易的總資產的一部分，這部分可以給他們聚集的金融結構，最好的風險/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滿足最小風險/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測的現金流量概率分布和時間持續期間。然後給這些批一個試驗價格。把新的資產與賣或買方的現有資產性能組合，並進行Monte Carlo情況生成(以所考慮的相關的交叉關聯)。
批選擇過程包括隨機選擇不買的批。一旦有價證券效果採取某種模式，則由隨機優化找到要購買的批的最好的選擇，以什麼價格視限制而定。
使用NPV可以誤導，因為與雙重折扣關聯的效果，雙重折扣發生在對悲觀事例方案打折扣以獲得PV的場合。使用獲益時間用於克服這一限制，和在折扣中使用邊際資本費用或無風險率，其由進行評估的分析者決定。
推斷評估過程40的指導學習過程206和部分採樣過程108的步驟120、122和126在認購人被積極地捲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自動認購的一個過程210。首先用公共的屬性定義212金融證券的類。為從基於屬性定義的類中選擇的樣本給一個關於價值的專家意見214。在樣本認購過程216中使用這一意見，並為屬性的組合檢查價值並使其一致218。然後過程210選擇和設定220要使用的單個屬性，然後分類222單個資產到類中。給每一類資產應用224類評估。使用類評估，通過規則226取消這些價值的分離以產生信用分析者表228。
圖7是不指導學習208的一個示例實施例的流程圖，它包括幾個模塊。數據獲取模塊230收集相關數據78，只要可用的話。變量選擇模塊232識別與資產相關的變量，這些變量被信用審查視為關鍵的或具有為分開不同資產組的最大區別能力。層次分段模塊234根據由分析選擇的關鍵變量把資產的整個有價證券分段為多個段(bin)。FCM模塊236根據資產數據的自然結構進一步把每一段分為類。認購審查模塊238指定計劃的現金流量和風險得分138(在圖3中表示)給每一類。然後把這一得分提供給在為在過程40中正被調整的類中的資產的信用分析者表136中的單個資產價值以產生調整後的信用分析者表140。該過程被重複和繼續，並可以由計算機執行，使得在別處正執行標準認購時它也能繼續。
圖8表示另外可選擇的示例推斷估值過程240，其用於代替在圖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貸款有價證券，使用完全認購、部分認購和推斷評估的組合。首先，按照風險採樣242資產。第二，認購資產244，並記錄估值。第三，形成246市場價值類，諸如通過FCM，下面說明。第四，為認購的資產建立248回歸模塊。從前面建立248的那些中為被認購的資產選擇一個最好的模型250。第六，計算為所選擇的模型的計數252。第七，給有價證券12的未認購的或推斷估值部分42應用在250選擇的模型254，以用計數加權的方式為每一個未認購資產預測單個價值。然後把根據過程240產生的單個資產價值放在調整的信用分析者表140中(參見圖3)。
在採樣資產242時，認購人使用分層的隨機採樣為詳細審查選擇資產。從抵押品屬性構造層。為不動產有價證券的抵押品屬性的例子包括抵押品的使用(商業的或者與居住有關的)，先前評價的量，市場價值類(從先前評價的數量、土地面積、建築物面積、當前評價數量、法庭拍賣實現的價格、財產類型和財產位置)。通常，以相反方式採樣資產，亦即有目的地從以遞減的未付資本平衡(「UPB」-UnpaidPrincipal Balance)或先前評估數量(「PAA」-Previous ApprasialAmount)排序的表中選擇。
認購244是一個大半是手工的過程。其中認購專家把價值的概念歸於抵押的資產。認購的估值存儲在諸如資料庫76(在圖2中表示)的主資料庫表中。估值根據貨幣單位(例如100,000KRW)以那時的現行市價相加。
圖9是由系統28使用的過程的自動部分的一個高級略圖290。認購人使用自動過程幫助基於過程34(仍然參見圖3)的完全認購。把在過程34中獲取的知識應用到推斷評估過程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。這些估值經受一個現金流量模型，它包括資產級評估146，決定性的現金流量橋148，隨機現金流量橋152和現金流量表150。結果的投標估值154經受賭博策略160和管理調整162以產生最後的投標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，認購人藉助算法，例如算法134(在圖3中表示)，使用一個基於分類和回歸樹(「CART」-Classification And Regression Tree)模型執行分析，這將產生由抵押品使用和市場值(「CUMV」-CollateralUsage and Market Value)組決定的認購資產的分組，使用先前評價數量(「PAA」)作為驅動變量。
下面概括說明評價基於CART的模型的性能的兩種方法。一種方法使用基於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指定一個平均資產價格的模型。第二種方法計算決定係數，表示為R2，並定義為R2＝1-(SSE/SST)，式中SST是總平方和。
R2是在每一段內的單一資產相對於整體的貢獻，為在一個特定段內的一個資產的R2越高，則貢獻越大。根據這兩種方法排列不同的有價證券段給出該模型的預測能力在每一有價證券段內多好的指示，對例如給每一批定價給投標人一個舒適的級別。
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的有價證券分段。該分段可以是預先定義的批，例如根據工業、未付平衡(UPB)量、區域或顧客風險。上面的表C是根據批和資產分等(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，也為在每一段內的類型C的資產計算為每一資產的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。用基於簡單模型的SSE除以基於CART模型的SSE計算誤差率。如果該誤差率小於1，則基於CART的模型是比簡單模型更好的預測。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，通過根據誤差率度量標準，選擇在每一段執行最好的模型。
第三步驟是為在每一有價證券段內的每一資產計算R2值。每一資產的R2作為(每段的SST-每段的SSE)/(所有資產的總SST X在每段內的資產數目)計算。
最後，把所有段根據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準，誤差率和R2，中都是高等級的段預測價格值時很準確，使用這些度量標準組合高級模型。
表D表示根據這兩個性能度量標準為類型C(從表C來)的資產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)通過取選擇的數據78和執行FCM分析產生類而形成類246。
圖11表示建立模型248，選擇最好的模型250和計算計數252，其中使用資料庫76建立6個模型。計算機38(在圖3中表示)執行這一過程。使用模型建立248幫助認購人為完全認購14和基於樣本的認購34以及為推斷估值給資產區分優先級。
圖11下面的部分是一個表，表示從根據建立模型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(對於所有資產這些是存在的)。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)使用其它的模型預測其它值。
在選擇最好模型250中，在考慮(這裡，K＝6)下選擇K回歸模型的最好模型。根據下面的度量標準 為每一認購資產選擇最好模型，式中y是要預測的認購值， 是從第k個回歸模型的預測，k＝1，2，…，K。
在計算計數252中，計數每一K模型在每一CUMV類中被選擇的次數。圖11包含為CAV和MAV模型建立方案的這些計數。在其它實施例中使用其它模型建立方案。
當應用模型254時，使用從為每一非認購資產產生一個預測的所有模型加權的平均預測。權重從計算的計數252的頻率中構造，預測來自模型建立過程。在一個實施例中，使用商業統計分析軟體(SAS)系統產生模型。使用SAS系統的人工產物是每一個非認購資產將從每一模型得到一個預測的認購值，對所述模型非認購資產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徵。)下面的等式E詳述該過程。 在等式C中，如果模型k為資產l產生一個預測，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， ＝為yl從模型k中選擇的預測。注意，從每一個模型建立方法中只有一個貢獻，對該方法一個資產有一個預測，每一個用該模型建立方法為同一CUMV類的所有認購資產選擇的次數加權。
也使用過程240來估計為平均預測的可信度下限(「LCL」-LowerConfidence Limit)和可信度上限(「UCL」-Upper ConfidenceLimit)，用相應的統計代替等式E中的 返回來參考圖3，指導學習過程206和不學習過程208使用聚類。「聚類」是一個工具，它試圖評價數據集的模式之間的關係，它通過把這些模式組織成組或類，使得在一類內的模式比屬於不同類的模式彼此更相似來實現。也就是說，聚類的目的是從一個大的數據集中提取數據的自然分組，產生系統行為的一個精確表示。不指導學習步驟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分組。FCM是一個公知的方法，它在統計模型建立中廣泛使用。該方法的目標是使類內距離最小化和使類間距離最大化。通常使用歐幾裡德距離。
同時FCM 248(見圖10)使類內距離最小而使類間距離最大。通常使用歐幾裡德距離。FCM是一個反覆優化算法，它使成本函數 最小，式中，n是數據點的數目，c是類的數目，Xk是第k個數據點，Vi是第i個類質心，μik是在第i個類中的第k個數據的成員關係的程度，m是大於1的常數(通常m＝2)。注意，μik是實數，以
為界。μik＝1意味著第i個數據確定在第k個類中，而μik＝0意味著第i個數據確定不在第k個類中。如果μik＝0.5，則意味著第i個數據部分在第k個類中，程度為0.5。直覺地，如果每一個數據點確切屬於一個特定的類並且對任何其它類無部分程度的成員關係的話，則成本函數將最小。也就是說，在指定每一數據點給它屬於的類時沒有二義性。
用下式定義成員關係的程度μik 直覺上，在類質心Vi中的數據點Xk的成員關係隨Xk接近Vi而增加。同時，當Xk更遠離開Vj(其它類)時μik將變小。
第i個類質心Vi由下式定義 直覺上，第i個類質心Vi是Xk的坐標的加權和，式中k是數據點的數目。
以希望的類數c和為每一類中心Vi開始，i＝1，2，…，c，FCM將收斂於為Vi的一個解，它表示要麼是一個局部最小值，或者是成本函數的一個鞍點。FCM解的質量，就像大多數非線性優化問題一樣，強烈依賴於初始值- 數目c和初始類質心Vi-的選擇。
在一個示例實施例中，整個有價證券12由不指導模糊聚類分段，並且每一段由認購專家審查，從而幫助認購人為完全認購14和採樣認購34選擇金融證券。另外可選的方案為，可以把這一FCM只應用於部分42。作為結果，每一類得到一個為調整138(見圖3)的目的指定的HELTR複合得分。基本上，HELTR複合得分獲取了期望的現金流量及其範圍，以及與每一類關聯的定時和風險。
現在參考圖2，完全認購部分16對總有價證券12的比率在一個示例實施例中是資產的25％和所有資產面值的60％。這些資產的完全認購由於它們的大小和價值而被保證。然而，這一認購對所有認購者相當一致，所以該認購不可能產生有意義的投標差異。然而，包括在一個示例實施例中組成資產75％和僅40％面值的部分36和42的剩餘的40％到認購前是高度冒險的。例如但不作為限制，可以在部分36和42中發現的價值對於粗略外推可達到另外的百分之五的程度，這一差別意味著在贏得和輸掉整個有價證券投標或者整個批投標之間的差別，意味著利潤中數百萬的美元差。
在保險單的場合，按照過程40，使用統計試圖回答3個基本問題(a)我們應該怎樣收集數據？(b)我們應該怎樣總結我們收集的數據？(c)我們的數據總結的準確性如何？算法134回答問題(c)，它是一個基於計算機的方法，不需要複雜的理論證明。用於保險單推斷估值的算法134適合回答對於常規統計分析過於複雜的統計推斷。用於保險單估值的算法134通過以重複的重置採樣模擬統計估值的分布。該算法一般由3個主要步驟組成(I)重置採樣(sampling wichreplacement)，(II)利益的評估統計，(III)估計標準偏差。
按照保險算法134，如下執行NPV標準誤差估計。對於每一風險模型和為模型中的每一段，假定在該段中有N個保險單，使用重置採樣選擇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。對於每一樣本，和對所有的歷史保險單 接著，用 (等式J)為最近的保險單產生純現值。為n個NPV值計算樣本標準偏差。在等式I中，Act是實際要求，Wtdexp是為每一單個保險單的加權的期望要求。
圖12是為信用得分138的示例判據80和示例規則集合的一個表。可以選擇其它的判據，取決於金融證券的類型和特定投標條件或投標商的任何其它希望或優選項。
圖13是一個更詳細的樹圖260，它相似於樹圖66(見圖2的下部)。在圖13中，通過(a)是否安全，(b)是否周轉，(c)最後的付款是否是零進行分段。其結果是6個類262、264、266、268、270、272，偶然也稱為「篩選樹」(shaker tree)。
圖14表示按照本發明的一個實施例的示例系統300。系統300包括至少一個配置作為伺服器302的計算機和連接到伺服器302的多個其它的計算機304以形成一個網絡。在一個實施例中，計算機304是包括一個全球資訊網流覽器的客戶機系統，伺服器302對計算機304可通過網際網路訪問。另外，伺服器302是一個計算機。計算機304通過包括一個網絡的多種接口互連到網際網路，所述網絡包括諸如區域網(LAN)或廣域網(WAN)，撥號連接，電纜數據機和特殊的高速ISDN線路。計算機304可以是任何能夠互連到網際網路上的設備，包括基於全球資訊網的電話或其它基於全球資訊網的可連接設備，包括無線全球資訊網和衛星。伺服器302包括一個連接到一個集中資料庫76(也在圖2中表示)的資料庫伺服器306，資料庫76包含有說明資產有價證券集的數據。在一個實施例中，中心資料庫76存儲在資料庫伺服器306中，由在一個計算機304上的用戶通過登錄到伺服器子系統302使用一個計算機304訪問。在另一個可選擇的實施例中，中心資料庫76存儲在遠離伺服器302的地方。另外配置伺服器302以接收和存儲用於上面說明的資產評估方法的信息。
雖然系統300作為一個網絡系統說明，但是這裡為說明的用於檢查和操作資產有價證券的方法和算法能夠以不與其它計算機聯網的獨立的計算機系統實現。
雖然本發明根據各種特定的實施例說明，但是熟悉本技術領域的人理解，本發明可以在權利要求的精神和範圍內加以修改實現。
權利要求
1.一種在僅對資產的一部分進行認購時為了優化認購保險總額而用於採樣在該資產有價證券(12)中的資產的方法(32)，所述方法包括步驟確定在該有價證券中的資產的說明性屬性；編碼各個屬性；以及根據該說明性屬性的出現情況對該認購的資產進行分類(120)。
2.根據權利要求1的方法(32)，其特徵在於還包括確定要提交的用於進一步認購(122)檢查的多個樣本的步驟。
3.根據權利要求2的方法(32)，其特徵在於所述確定要提交的用於進一步認購(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於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範圍的評估。
4.根據權利要求3的方法(32)，其特徵在於所述建立關於該總的回收概率的可信度的步驟還包括根據下列公式對於資產的類(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.根據權利要求4的方法(32)，其特徵在於所述提供對回收的程度和範圍的評估的步驟還包括根據下列公式評估回收的程度和範圍的步驟 k＝Tchebyshev公式中的常數 其中概率
6.根據權利要求1的方法(32)，其特徵在於所述對認購資產進行分類(120)的步驟還包括使用指導分類過程(206)分類該資產的步驟。
7.根據權利要求1的方法(32)，其特徵在於所述對認購資產進行分類(120)的步驟還包括使用不指導分類過程(208)分類該資產的步驟。
8.根據權利要求1的方法(32)，其特徵在於所述對認購資產進行分類(120)的步驟還包括使用Monte Carlo過程分類該資產的步驟。
9.一種配置成為了優化認購保險總額而用於採樣在資產有價證券(12)中的資產的系統(300)，所述系統包括一個配置為一個伺服器(302)並且還配置有一個資產有價證券的資料庫(76)的計算機，其用於啟動價值過程分析；至少一個通過網絡連接到所述伺服器的客戶系統(304)，所述伺服器還配置成用於確定在該有價證券中的資產的說明性屬性；編碼各個屬性；以及根據該說明性屬性的出現情況對該認購的資產進行分類(120)。
10.根據權利要求9的系統(300)，其特徵在於還配置成確定要提交的用於進一步認購(122)檢查的多個樣本。
11.根據權利要求10的系統(300)，其特徵在於所述伺服器(302)配置成在該有價證券(12)的每一段中建立關於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範圍的評估。
12.根據權利要求11的系統(300)，其特徵在於所述伺服器(302)配置成根據下列公式對於資產的類通過求解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.根據權利要求12的系統(300)，其特徵在於所述伺服器(302)配置成根據下列公式評估回收的程度和範圍 k＝Tchebyshev公式中的常數 其中概率
14.根據權利要求9的系統(300)，其特徵在於所述伺服器(302)配置成使用指導分類過程(206)分類(120)該資產。
15.根據權利要求9的系統(300)，其特徵在於所述伺服器(302)配置成使用不指導分類過程(208)分類(120)該資產。
16.根據權利要求9的系統(300)，其特徵在於所述伺服器(302)配置成使用Monte Carlo過程分類(120)該資產。
17.一種為了優化認購保險總額而用於採樣在資產有價證券(12)中的資產的計算機(38)，所述計算機包括一個資產有價證券和價值過程分析的資料庫，所述計算機被編程以確定在該有價證券中的資產的說明性屬性；編碼各個屬性；以及根據該說明性屬性的出現情況對該認購的資產進行分類(120)。
18.根據權利要求17的計算機(38)，其特徵在於所述計算機被編程以確定要提交的用於進一步認購(122)檢查的多個樣本。
19.根據權利要求18的計算機(38)，其特徵在於所述計算機被編程以在該有價證券(12)的每一段中建立關於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範圍的評估。
20.根據權利要求19的計算機(38)，其特徵在於所述計算機被編程以根據下列公式對於資產的類通過求解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.根據權利要求20的計算機(38)，其特徵在於所述計算機被編程以根據下列公式評估回收的程度和範圍 k＝Tchebyshev公式中的常數 其中概率
22.根據權利要求17的計算機(38)，其特徵在於所述計算機被編程以使用指導分類過程(206)分類(120)該資產。
23.根據權利要求17的計算機(38)，其特徵在於所述計算機被編程以使用不指導分類過程(208)分類(120)該資產。
24.根據權利要求17的計算機(38)，其特徵在於所述計算機被編程以使用Monte Carlo過程分類(120)該資產。
全文摘要
一種通過部分完全認購(14)、部分採樣認購(34)和對剩餘部分的推斷評估(40)評估大宗資產(12)的方法(32),它使用所有資產的一種重複和適應的指導(206)和不指導(208)的統計評估和從該評估中抽取的統計推斷並加以應用以產生推斷的資產價值。以關係表產生和開列各個資產價值,使得各個資產價值可以為投標的目的被迅速從表中取出並以任何希望的或者要求的方式迅速分組。資產被收集到資料庫(76)中,根據信用變量分成類目(48,50),相對於這些變量通過分等細分,然後各個分級。然後根據投標分組以及通過累積各個估值建立的集體的估值把資產重新分組。
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 優先權日1999年12月30日
發明者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資本商業財務公司