CN1372667A - 在有缺失输入的情形中的评价预测模型 - Google Patents

Abstract

大型资产组合的评价的方法(240),资产是按部分完全认购(14)、部分样本认购(34)和剩余的推断价值(40)分组的,该方法用对所有资产的循环和自适应的监控(206)和无监控(208)统计评价,和从该评价中得出的统计推论,并用来生成推断值。将各个资产值列在表中,使得资产值能被快速地提取出来,为了投标的目的被快速地以期望的方式或预定的方式分组。将资产收集到数据库(76)中,按信用变量划分成各个类别(48、50),再按这些变量的等级细分,然后逐个地排定等级。然后按照投标分组和通过累积各个估定价格所确定的集合估定价格将资产重新组合。

Description

在有缺失输入的情形中的评价预测模型

相关申请的交叉引用

本申请主张美国临时申请号60/173,875的权益，后者申请日是1999年12月30日，特此全部引用作为参考。

发明背景

本发明总体涉及金融工具的评价方法，特别是涉及大量金融工具的快速评价。

大量的诸如贷款的资产，例如上万的贷款和其它金融工具，有时由于各种经济状况、计划的和无计划的资产剥夺或因为法律补救，而变得可供销售。数以千计的商业贷款或其它金融工具的销售，有时涉及到相当于数十亿美元的资产，有时在数月内就必须发生。当然，资产的卖方想要使投资组合的价值最优化，有时要按“部分”(tranche)来对资产进行分组。术语“部分”在这里不仅仅限于外国票据，而是也包括不论国家和管辖区域的资产和金融工具。

投标人可以对所有部分投标，或者仅对有些部分投标。为了赢得某部分，投标人一般必须为该部分投最高的标。在确定要对特定部分投的标的量时，投标人通常将雇佣认购人(underwriters)在部分内并且在可能利用的有限时间内尽可能多地评价资产。在投标的期限将至时，投标人将评价当时被认购的(underwritten)资产，然后试图对资产推算(extrapolate)一个尚未由认购人分析出来的价值。

这个过程的结果可能是，投标人严重低估了某部分，所投的标要么没有竞争性，要么高于被认购的价值，为此承担无量化的风险。当然，因为目标是以使投标人挣取收益的价格赢得每个部分，所以，由于对部分的严重低估而丧失一个部分，就表明丧失一次机会。需要提供一种系统，它便于在短时间内精确评价大量的金融工具并明白给定投标的收益的相关概率。

发明简述

在典型实施例中，提供一种循环的自适应的方法，其中将投资组合划分成三种主要估价(valuations)。根据不利的样本(adversesample)进行对资产投资组合的第一类估价的完全认购(fullunderwriting)。从普通的描述性属性的类别中对第二种估价类型有效地取样，将有选择的随机样本中的资产全部认购。第三种估价类型，需以统计方法来推断出估价-这是采用认购价格(underwritingvalues)和第一与第二部分的方差(variances)并应用统计推理来个别地评价第三部分中的每个资产。评价第三部分时使用分类(clustering)和数据扣除(data reduction)。

随着过程的进行和更多的资产被认购，具有在第一和第二部分中确定的价格的资产的数量增加，第三部分中的资产的估价的方差变得越来越确定。更具体来说，对第三部分中的资产进行评估的方法是，根据第一和第二部分中的资产的估价的相似性将这些资产组合成具有价格概率的群集(clusters)。

公开一种用于通过将来自完全被认购的资产、带有完整数据表示的其它未被认购的资产和可从带有具有类似的可识别特征的部分或不完整数据表示的未被认购的资产得到的数据中的至少之一的价值投射到其数据表示是部分的或不完整的的未被认购的资产上而预测该未被认购的资产的价值的方法。该方法包含以下步骤：按照风险对资产采样，认购资产并记录估定价格，构成市场价值群集，为被认购的资产建立回归模型，为被认购的资产选择最佳模型，计算模型被选择的次数，使用所选择的模型来对未被认购的资产的认购价值进行预测。

附图简介

图1是表示一个用于评价资产的投资组合的已知过程的流程图；

图2是表示按照本发明的一个实施例评价资产的投资组合的流程图；

图3的流程图更详细地表示把大型资产投资组合分解成差异的类别的快速评价过程的第一部分的实施例；

图4的流程图表示从一个基础到一个部分或投资组合基础聚集的大型资产投资组合的快速评价过程的第一部分；

图5表示其回收价值被推断的典型资产的概率分布；

图6是图3的过程的监控学习步骤的流程图；

图7是图3的过程的无监控学习步骤的流程图；

图8是无监控学习的过程的实施例；

图9是第一代(第一回合)快速资产评价过程的实施例；

图10是在图8的无监控学习中使用的模糊分类(fuzzyclustering)方法；

图11的一对表表示的是快速资产评价过程的模型选择和模型加权的例子；

图12是表示快速资产评价过程的典型属性的表；

图13是用于快速资产评价过程的示例性群集方法的群集图；

图14是计算机网络示意图。

发明详述

图1的示意图10，表示一个例如在拍卖中经过一个认购周期(underwriting cycle)和经过为购买资产投资组合12而投标的评价大型资产投资组合12的已知过程。图1高度地概括了既非循环也非自动化的典型的认购和推算过程10。在示意图10中，认购人认购14投资组合12中的许多个别资产，产生被认购的第一部分16和未动过的剩余部分18。在任何资产被认购之前，第一部分16是投资组合12的0％，剩余部分18是100％。随着认购过程的进展，第一部分16增加，剩余部分18减少。目标是先尽可能多地认购资产，再为购买资产投资组合投标。认购人队伍继续个别地认购14，直到马上就必须投标。作出粗略的推算20以评估剩余部分18。推算20变成无认购的推断值24。粗略的推算20生成对剩余部分18的估价24。估价22就是第一部分18中各个资产值的总数。然而，估价24是通过推算生成的组估价(group valuation)，可以相应地打折扣。然后将估价22和24加总，得出投资组合资产值26。对投资组合的每个部分执行评价过程。

图2是表示快速资产评价的系统28的一个实施例的示意图。图2中包括系统28在评价资产投资组合12中所采取的过程步骤的表示。系统28个别地评价(“接触”)每一项资产，除非是被认为是无统计意义或者财务上无关紧要的未动过的少数30资产。具体来说，投资组合12中除数量30以外的所有资产，都经历一个循环的和自适应的评价，其中，投资组合12中的资产被个别地评价，个别地列在表中，然后从表中选择出来，组合成用于投标目的的任何预期的或要求的组(如下文所述)。如示意图10所示，认购人开始完全认购14投资组合12中的个别资产，产生被完全认购的第一资产部分16。认购人也认购34投资组合12中的资产的样本，计算机38用统计方法推断40投资组合12的第三部分42的值。计算机38也重复地生成44表(下文作说明)，如下文所述，该表表示分配给部分16、36和42中各资产的值。在一个实施例中，将计算机38配置成独立的计算机。在另一个实施例中，将计算机38配置成服务器，通过诸如宽域网(WAN)或局域网(LAN)的网络(在图14中表示并说明)与至少一个客户系统相连。

例如，仍然参看图2，投资组合12的第三部分的未采样和未认购部分46须经过一个统计推理过程40，用模糊-C方法群集(FCM)和综合的高/期望/低/计时/风险(HELTR)评分来生成两个类别48和50。HELTR被定义为H-高现金流，E-期望现金流，L-低现金流，T-现金流的计时(例如按月计：0-6，7-18，19-36，37-60)，R-借方的风险评估值(信用分析者使用的9-boxer)。类别48整体上注定有足够的用于评价的共性。将类别50进一步划分成群集52和54，然后再进一步划分。将群集52划分成子群集56和58，同时将群集54划分成子群集60、62和64。各群集和子群集在“树状”图66中表示，也在评价框68中以方框的形式表示。然后为投标的目的将这些单个的资产值重新分组成部分70、72和72。在卖方设定的任何安排中可能设置任何数量的部分。

将投资组合12中每个资产的各个资产数据(未予示出)输入数据库76，为循环和自适应过程32选择的数据78是根据给定的标准80从该数据库检索出来的。在任何资产的评价标准80被确立后，将所确立的标准80存储在数据库76中，用于评价数据库76中共同采用这种确立的标准的其它资产数据。循环和自适应评价过程32然后得出82各估价(下文作说明)并将它们分组，用于投标。

图3和4一起构成的流程图85表示用于大型资产投资组合12的评价的系统28(参看图2)的一个实施例的功能概况。评价程序14、34和40(也参看图2)按下文所述的方式在系统28中同时地顺序地被使用。如上所述，完全认购14是第一类的评价程序。分组和完全认购样本的采样认购34是第二类的评价程序。统计推断40是第三类的评价程序，它是自动化的分组和自动化的评价。程序14、34和40根据的是按下文所述方式确立的客观标准。

本文中所用的“认购”，意思是这样一个过程-在该过程中，某人(认购人)按确定的原则审查资产并确定购买该资产的当前购买价格。在认购期间，认购人用预先存在的或确定的标准80来进行评价。“标准”指的是有关资产价值和基于这种类别的等级的规则。例如，作为标准，认购人可能确定借方的三年的现金流历史为一个有关资产评价的信息类别并可能给予各种程度的现金流以一定的等级。

完全认购14以两种方式进行，即完全现金基础方式86和部分现金基础方式88。完全现金基础方式86和部分现金基础方式88都始于对资产集合90和92进行完全、个别的审查(参看图2)。这种完全审查14通常是由于正在被审查的资产相对于投资组合中的其它资产来说以美元或其它适当的货币计算的数额巨大，或者由于借方非常有名或非常可靠，以至于资产能迅速地可靠地被认购，或者资产是面对市场定价的，所述资产的价值的偏差很小。资产集合90由认购人94评估，集合90中的每项资产都接收一个偏差非常小的估价(诸如以现金支持的资产或具有完全的现金价值的可交换商品)并被置于完全价值表96中。将表96中的资产的各个选定价值存储起来作为完全认购的组价值98。

集合92由认购人团队100评价，该团队可能与团队94是同一个团队，但是每项资产接收一个折扣价值或部分价值并被置于部分价值表102中。将表102中某部分的资产的选定的各个价值存储起来作为部分价值被完全认购的组价值104。完全现金基础方式86和部分现金基础方式88的标准80(未予示出)被存储在(图2中所示的)计算机38的数字存储器(未予示出)中的(图2中所示的)数据库76中，用于自动化评价40的监控学习206和无监控学习208。

采样认购34是用两个程序完成的，即完全采样106程序和部分采样108程序。完全采样106被用于大型资产的类别，包括被采样资产的类别中各样本组的百分之百采样110。完全采样106中的资产不是被单个地认购的，而是根据确定的共性在完全采样组112中被认购的。结果的完全采样组估价(未予示出)被生成后，根据规则114被细分，以生成单个的完全样本资产价值表116。然后将表116中的各个完全样本资产价值，以电方式加载到由某部分中的资产的组合所建议的投标所要求的任何完全采样组估价118中。认购样本组中的资产的数目，可以小至一，多至任何资产数目。部分采样108用于中型资产类别，包括由从正被采样的组的群集内的代表性的组的百分之百的采样和该群集中的其它组的随机采样构成群集样本组120。在部分采样108中，所有组都被采样，但是有些是通过根据群集样本组120进行推断而部分地评价的。部分采样108包括资产水平再认购122，通过人工数据输入125，生成阿尔法信用分析表126，给予该表一个资产等级调整128，以生成一个调整的信用分析表130。如上所述，各个资产被按照部分分组从调整的信用分析表130中选择出来，以产生一个部分采样信用值132，用于对部分70(未予示出)的投标。

自动化评价程序40利用监控学习过程206、无监控学习过程208和来自统计推断算法134的一个加载来生成一个认购群集表136，将其存储在数字存储器中。在监控学习过程206中，知道要问什么问题才能确定值的有经验的认购人帮助计算机确定某资产是否是个良好的投资品，以及如何评价该资产。在无监控学习过程208中，计算机将资产划分并分类，根据来自数据的反馈，客观地自我进行对这些资产的评价。认购人定期地审查无监控学习过程208，以确定计算机在作出合理的认购结论。计算机用统计算法134来作出它的推断。例如-但不仅限于，一个实施例用六西格玛设计(Design For SixSigma-DFSS)质量范例来以不断增加的精确性来评价资产数据-该范例是由通用电器公司开发并使用的，应用于采用多代产品开发(MGPD)方式的预期努力(DD-Due Diligence)资产评价过程。学习过程206和208把随着评价的进展而积累的知识，持续地实时地融入现金流回收率(recovery)计算和回收率概率计算中。监控学习过程206用商业规则来确定具有用于评价目的的共同方面的资产群集。无监控学习过程208用来自由程序40进行的以前的数据计算的反馈来确定是否在增加估价可信度(confidence)方面正在取得进展。正如下文所述的那样，由于使用高速计算机，所以确定所有可用的原始数据和发现这些可用的原始数据的群集的相互关系是有可能的。

在一个示例性实施例中，用一个采用HELTR计分技术的原始数据的无监控组织的模糊群集方法(FCM)过程来将信用积分的估价推断到投资组合中的资产上，如下文所述的那样。这种群集技术已经被开发出来，以响应更复杂的分类片断，以描述必须在不允许手工处理的时期中被评估的投资组合中的资产和高资产计数。

一个示例性方法首先在计算机化的系统中组织估价积分(静态的和/或随机的回收率)。然后为特殊的因素和商业决策对估价积分进行调整。然后进行对描述相同资产的多个估价积分的调和和总体调整，以探询/替代推断的估价。

进行组织估价积分的方法是，以电子形式，对比群集名、群集的描述性属性、随机回收率值(示例性的例子是HELTR积分)和认购人根据每个群集的描述性属性的实力对每个群集的估价的可信度。群集号是作为熟练的评价人员用来评估资产的价值的关于资产的事实的描述性属性的特定集合的唯一标识符。描述性属性的例子包括但不限于支付状态、资产类型、以积分表达的借方的信用值、权利主张的位置和资历。在一个实施例中，群集名是个字母数字名，描述群集的描述性属性或源。描述性属性的一个例子在图2中，下文将作说明。

描述性属性是被用来开发资产的价值的事实或维或向量。计算机逻辑被用来查找任何重复的群集并提醒分析者或认购人。

因为每项资产都能由描述性属性的许多组合来描述，同一项资产会出现各种水平的值。随机回收率值或信用积分或资产价值的数字指示都是在分立的资产水平上指定的价值的标志。将来自各种描述性属性的所有信息合成起来，使得能以确定值或随机值的形式确定购买价或销售价。本文中所用的一个示意性实施例是HELTR积分。每个群集都有独有的描述性属性集合和指定的HELTR积分。

每一个群集的独有属性对群集值的评价作贡献。属性的不同组合提供特定群集的积分的更高可信度或置信区间。例如，如果任何资产被描述成是高度等于2.5英寸、宽度等于5英寸的一张绿纸-人们可能赋予0到1000美元的价值而不认为这个评估有多少可信度。如果这同一项资产被再用一个事实或属性或向量描述成是真正的20元美钞，人们会对这个20美元的群集值有非常高的可信度。

群集的估价和可信度在某时刻被确定并记录下来。有时，有了新的信息后，分析者就要改变该值。该值是通过计算机代码以自动化的方式借助数据域和决策规则而手工或自动被改变的。对以前的值进行操作，以反映新的信息。举例来说，假设以前的群集可信度被记录为0.1，然后知道一个有与该群集完全相同的描述性属性的不同资产刚刚以高于预测的“最可能”值被售出。实际的规则是，如果发生该事件，就将群集可信度乘以10。0.1×10＝1是修改后的群集可信度。

这样一个过程的目的是调和相同资产的多个积分，对与估价的每个维的估价的每个源相关联的可信度进行控制。用HELTR作为示意性的例子，特定资产上的样本数据点为：

群集号	群集名	高	期望	低	时间	评估可信度	高	期望	低	时间
											1	抵押权位置-追索权	.85	.62	.15	3	.3	(.3/1.65)(.85)	(.3/1.65)(.62)	(.3/1.65)(.15)	(.3/1.65)(3)
2	资产分类-产业-年龄	.45	.4	.31	3	.7	(.7/1.65)(.45)	(.7/1.65)(.4)	(.7/1.65)(.31)	(.7/1.65)(3)
											3	坐标-使用借方	.9	.5	.2	2	.65	(.65/1.65)(.9)	(.65/1.65)(.5)	(.65/1.54)(.2)	(.65/1.65)(2)
n	x
																	1.65	.6999	.4792	.2374	2.6059

群集一致估价是高值.6999，最可能值.4792，低值2.6059。可以应用不同的逻辑来操作任何权重。

一致积分(consensus scores)是在全局假设(globalassumptions)的上下文中得出的。如果发生全局假设变化，就将过程步骤28、138包含在权衡一致积分的方法中。解释性的例子是某些估价因素中的欺诈发现、宏观经济变化、对某资产类确立的可代替的市场价值和相对于其它正在使用的方法的推断资产估价方法的损失或增加。

在另一个实施例中，用一种互相关(cross correlation)工具来快速地理解和描述投资组合的构成。一般来说，该工具被用来将资产投资组合中的用户选择的变量的响应与其它变量相关联。该工具快速地确定这两个属性变量与响应变量之间的出乎意料地高或低的相关性。属性变量的两种类型是连续型的和绝对型的。互相关是由该关联工具在感兴趣的所有变量与它们的时间段(bin)或水平(level)之间计算出来的，并且，在一个实施例中，它们被呈现在一个二维矩阵中，用于容易地在投资组合中资产识别趋势。

首先，互相关工具确定资产的投资组合中的属性变量为连续型和绝对型的其中之一。对于每个变量，由连续型变量的时间段以及由绝对型变量的值计算出总水平。

要用该工具确定关联性的用户将选择一个响应变量-例如Y_r，期望的回收率或计数。对于所有的属性变量对(x1和x2)和它们的水平(a和b)，按照下列公式计算响应变量Y_r的平均值：

Y_r＝sum(Y(x1＝a and x2＝b))/count(x1＝a and x2＝b)。

按照下列公式计算响应变量的期望值Y_expected：

Y_expected＝(sum(Y(x1＝a))*count(x1＝a)+sum(Y(x2＝b))*count(x2＝b)))/(count(x1＝a)*count(x2＝b))。

选定响应变量Y_r的与单独地使用x1＝a和x2＝b的出现的加权值的期望值Y_expected偏差Y_error，由下式计算：

Y_error＝Y_r-Y_expected。

在一个实施例中，将期望值和偏差展示在多维显示中，以易于识别与期望值的偏差。

在另一个示例性实施例中，采用如下文所述的转换函数过程，将原始数据转换成最终的标价。用在程序14、34和40中得出的修改的系数以电方式调整表136，以对资产的信用积分138作系数调整并生成所推断的各个资产信用值的调整信用分析表140。各个资产值被部分分组按需要从表140提取出来，以生成推断信用估价142。最后对“未动过的”资产的可忽略的剩余部分30进行推断，以生成一个未动过的资产表144。从表144选择值来生成未动过的资产的估价。

完全现金估价98、部分现金估价104、完全采样信用估价118、部分采样信用估价132、推断信用值142和从未动过的资产表144分配的任何值被累加起来，互相排斥，优先次序从完全现金估价98到推断信用值142依次排列。估价的和代表投资组合的价值。

图4是由系统28(图2中所示的)执行的标准备阶段168的流程图。在风险偏好贷款水平估价步骤146中，将累积的估价98、104、118、132、142和144组合起来。用现金流计时表150产生一个确定现金流桥152，以得出一个随机现金流桥152。随机现金流桥152被创建并用来确定提议的部分标价154，对后者循环地应用部分模型156，直到达到某个阀值158为止。阀值158例如是一个大于某值的内部收益率(IRR)、某个盈利时间(TTP)和正净现值(NPV)。

一般来说，NPV的定义为：

其中c0是在时间0的投资，c1是在时间1的期望收益，r是贴现率。基本的意思是今天的1美元比明天的1美元更有价值。

就保险单的情形而言，NPV的定义为：

其中P是保险费，E是期望的名义费用，C是理赔费用。实际上，方程B指出了作为利润和加权的期望风险的差的净收入是如何产生的。注意，求和是对特定分割部分中的所有保险单求和。也要注意，所有的保险费、名义费用和理赔费用在输入方程之前都已经作了折现处理。这样，就生成了获利性积分。

如果满足了阀值条件160，则要对标154进行模拟开标分析161，以预测是否能预计该标是赢标。密封标书式拍卖的结局取决于从每个投标人接收的标的大小。拍卖的执行要打开所有的标书，将拍卖的项目卖给出价最高的投标人。在传统的密封标书式拍卖中，投标人一旦递交了标书就不允许改变标书，并且投标人不知道其它投标人投的标，直到标书被打开，这些都使拍卖的结局具有不确定性。投的标越高，赢得拍卖的概率就越大，但是，如果不能以较低的价格赢得拍卖，价值增益就降低。

模拟竞标能提高获得获利性的最高上段，其方法是设置标/销售价格的范围，该范围倾向于在自己的钱包掏空之前耗空任何竞标人的钱包，使得最希望要的资产与最高的资本储备交易。由于具有分析能力的有力过程而将定价决策引为焦点，因为用不受隐藏的时间表、个性或单方面的经验影响的数据驱动的方法，能加强纯粹经验性的商业判断。

每个潜在的投标人都有可能向密封标书式拍卖递交的可能标的范围。标的范围可以以一个统计分布来表达。通过从标值的分布进行随机采样，可以模拟一个可能的拍卖情形。进一步通过使用一种循环采样技术，例如蒙特卡洛分析，就可以模拟许多情形，以产生各种结局的分布。结局的分布包括赢得拍卖项目的概率和价值增益。通过改变自己的标的值，就能对比自己的标价确定赢得拍卖的概率。

以下的核心元素被用来模拟竞争性的投标收益，将市场规则和合同代码化到计算机化的商业规则中，将潜在的竞争/市场力量、预测的预算和优先级代码化到优先矩阵中，将自己的投标能力、偏好、同意的风险/收益权衡代码化到优先矩阵中；这些元素也被用来模拟计算机化的随机优化。

分析160模拟一个竞争环境，在该环境中，其它有各种财务能力的公司针对由系统28计算的标进行竞标。在一个实施例中，分析160-例如但不限于-包括一个总标价限额，诸如资产总值超过使用系统28的单位的财务能力时的情形。在一个实施例中，分析160可能评估在这种只有有限的资源供投标的情况下对各部分的各种组合投标的获利性。分析160也要考虑到针对已知竞争者投标的过去历史和关于竞争投标人所偏好的各种类型的资产的信息。在分析160中，部分标然后被评估并由管理162设置，作出最后的部分标164。先于标164的作出之前的所有估价都能按需要被重复。此外，由于该过程是自我调整和循环的，部分标价164倾向于随着每次循环有越来越多的价值被系统28所进行的循环发现而向上攀升。

流程图85所描述的过程包括(图3中显示的)评估阶段166和(图4中显示的)标书准备阶段168。评估阶段166包括程序14、34和40。评估阶段166持续地运行，一直到被停止，自动评价持续40和采样程序34试图在各种资产或资产类别中发现额外的价值。

再次参看图2，按照快速资产评价，在每个资产上确定投资组合12的资产内的数据类别170、172和174并将它们存储在数据库76中。循环和自适应的评价过程32提取各部分的选定数据78并以统计的方式对这些部分的选定数据78应用标准80，以增加作为粗略推算20的资产值以外的已知资产值。按照方法28，将资产至少划分成第一部分20、第二部分36和第三部分或剩余部分42。采用程序14，部分16中的资产被全部认购，以确定估价98和部分价值全部认购的估价104，以及为这种评价的建立标准80。用程序34，过程28从第二部分36中采集代表第二部分中各组的多个资产，以为确定第二部分36确定采样组估价118和部分采样信用值132，以及为这种评价的建立额外的标准80。用程序40，部分监控学习过程206和部分无监控学习过程208由诸如图2的计算机的自动化分析器执行。为了学习，自动化分析器析取所建立的标准80和有关第三部分或剩余部分42的选定数据78，并将第三部分划分成各部分46，然后用从数据库76和每个过程206和208输入的标准80，进一步将每个部分46划分成类别48和50，将类别50划分成群集52、54，将群集52、54划分成子群集56、58、60、62和64。通过统计推断为子群集56、58、60、62和64中的资产确定各个资产估价。

将各个资产估价列在群集表136中(见图3)，并在调整后，列在信用分析表140中。所建立的标准80是客观的，因为标准80来自数据库76，这些标准是在完全认购程序14和样本认购程序34期间被放入该数据库中的。换言之，在所有资产的全值表96、部分值表102、表116、阿尔法信用分析表126、调整的信用分析表130、调整的信用分析表140和未动过的资产表114中获得的信息被放入诸如计算机38的硬盘存储器178的数字存储器的数据库76中，并由程序40建立与来自程序14和34的标准80的关联。在程序40期间，有可接受的可靠程度的统计意义的标准80被输入。就是说，程序40循环地一面学习一面评价和建立标准80。监控学习过程206和无监控学习过程208，通过与数据库76所建立的关于在全部认购的第一部分16中的资产和在样本被认购的第二部分36中的资产的标准80的关联，提高统计推断的估价142的精确性。在数据库76中定位类似于关于部分16和/或36中的资产的选定数据78的的有关第三部分42中一项或多项资产的选定数据78，然后通过统计推断，根据所定位的信息确定第三部分42中每项资产的价值。

在流程图85所描述的过程中，资产是在单个资产水平上评价的，各个资产值被制表或分组在一个或多个组合中。为了有适应各种投标情形的最大灵活性，投资组合12的任何资产都被在特定的时间帧中单独地评价和定价。在已知的过程10中，如果资产的卖方例如从按资产公司的组合到借方的地理位置的组合对资产进行重新组合，则重新评价标价可能是不够的，因为需要进行粗略推算20。在使用系统28时，因为各个资产值被推导并列在表96、102、116、130、140和144中，这些值能被重新组合成不同的估价98、104、118、132、142-它们的“食物链”选择标准是互相排斥的并且是进行评估的分析员可选择的，下文将作进一步说明。如果卖方组合资产，则容易按照卖方组或部分进行分组，并为该部分推导适当的估价146。这样就容易为第三部分42重新组合各个资产值，以客观地获得该组或部分的推断估价142。

可以采用许多方法来确定资产值。依照评价的目标而定，不同评价方法的相对优点确定了评价技术对特定资产的适用性。一个技术类似于“食物链”，它保留假设推导方法，还选择具有最高置信区间的区间。

在一个介绍性的示范性食物链的例子中，人们可能宁愿更多地按照类似资产在公开市场中的交易价值而不是个人的观点来评价金融资产。按照评定顺序，选择市场对市场价值，个人观点则不予以优先地考虑。

同样地，投资组合中具有预测的现金流回收率的资产，可以用许多评价技术来评估。一般的目标是以尽可能高的概率确定未来的现金流将是什么。对各评价方法，按照它们精确量化现金流或现金等值、具有最小下侧方差和/或最大上侧方差的预测的能力的顺序来排序。通过所有可用的有优点的方法来评价资产，或者在已知更精确的方法将排除评估资产的估价的需要时可以有商业逻辑规，以便在一旦采用了最佳的方法后能减除重复的工作。

未来提供对资产价值的最佳预测，将资产由食物链中的每个方法进行评估，直到它们被对应每个特定资产的最佳可用方法评价后为止。一旦找到该最佳值，就说该资产有其价值，而不管食物链中其它值是否更低(方差更大)，并将其发送到完成状态。

举例来说，用食物链来评估资产的投资组合。食物链中的第一个评价方法是最接近匹配评价目标的的方法-即发现精度最高(置信区间最小)的值。一旦某方法对资产进行了评价，确定了该特有资产的价值，就将其发送到估价表中并从食物链中的任何进一步的步骤中撤出。将原始投资组合中的不匹配任何评价方法的一系列资产保留在未动过的资产表中。目的是要驱使该未动过的资产表至零资产。

以下是按照优先顺序的一例食物链：(a)资产的100％现有的现金、(b)资产的部分现有的现金、(c)类似资产的流动市场价值、(d)直接认购、(e)推断认购。

食物链方法提供一种发现最佳概率分布形态的功能，降低概率分布方差(特别是在下侧尾)、提供在保留各要素中的可用知识的同时快速确定概率分布的功能，并且提供在发现过程中的任何点的最佳价值估计。

如图4中所示，投标准备阶段168的总框架对价格标164来说类似于选择评价范例，其中取胜的投资人有权利但没有义务收回投资。将每个部分的值细分成三个部分：货币的时间值成分、固有值成分、可能现金流成分。货币的时间值成分和固有值成分是确定地计算出来的，一旦确定，就没有多少变化。货币的时间值成分的计算方法是，把公司的作为低风险投资的资本的成本乘以代表为了进行当前的投资而失去的替代投资的机会的适用时期的投资。内在值是已知的流动资产值，它是超过购买价格的部分，在控制了资产后立即就能变现。一个实施例是作为投资组合的一部分以低于市场价购买的价格便宜的证券。可能现金流方差是预期努力团队作出的假设与其选择用来将原始数据转换成现金流回收率的过程的函数。这里所描述的系统被设置得能减少负方差和发现价值。

图5是典型的最小三点资产评估180的三角形概率分布图。按照过程40，按金融工具评估三种情况的最小值。纵轴182代表增加概率，横轴184代表增加回收率部分。图中显示了面值线188的清算(liquidation)或最坏情况百分比186、面值188的最佳情况百分比190、面值188的回收率值的最可能情况百分比192。最坏情况百分比186的概率是0，最佳情况百分比190的概率是0，回收率的最可能情况百分比192是点196所表示的值。曲线200下的由点186、196和190的连线构成面积198的大小代表资产中的值。标志资产值依附于由面值188的100％回收率的100％概率线204为边界的矩形的面积202，是能被归于由曲线200所代表的资产的面值188的部分的一个测量。点186、196和190和先188和204以及由此形成的面积198和202，将因为该资产选定的数据78和应用于该资产的标准以及所具有的资产价值回收率的概率而异。横轴184能以货币单位(例如美元)而不是面值的百分比来表达。如果采用货币单位，曲线200下方代表不同资产的面积198将以货币为单位，因此面积198大小上互相相关，因此对总标70、72和74有重要意义。对资产了解得越多，越能使曲线200精确。统计学方法随着标准80的确立而被应用到曲线200，以帮助确定点186、196和190的位置，由此确定面积198，进而确定资产的期望值。影响值的现金流的定时可以以定时属性的直方图结果为基础。

例如，可以将现金流回收率定时分解成0-6个月、7-12个月13-18个月的时间段(bins)，如此等等。采用算法134的自动化分析器38能根据对照标准回收率的定时对估价的敏感度学习权衡以及可能由认购人确定的价格而选择时间段宽度。在示例性例子中，当贴现率大于25％时应当采用最小4个时间段(bins)。对于10与25之间的贴现率，应当用最小6个时间段(bins)来表示可能的回收期。

按照程序40，选择认购人能用来评估金融工具中的价值的其它数据源。在程序14和34中由认购团队94、100、114、122和140确定的标准80，在这一点上是有用的。按照由流程图85所描述的过程，原始数据被转换成回收率，并选择一个规则集来应用对原始数据的评价，并将该规则集编码成以标准80为形式的评价数据库。在程序14、34或40中的评价期间，每当某群集被多次命中，一个一致预测就被推导出来并应用于该群集。按照系统28，在部分水平上的现金流和定时的概率分布，是通过在资产水平上推导估价转换函数146而确定的，后者将采用原始数据，合理化数据将生成和汇集部分中的各个资产的估价的假设。

由于并不是所有回收率都是同类的，所以提供一种确定现金流回收率的可变性的方法。各个资产被按组曝光分类。在允许的时间内以传统方式尽可能多地认购面值，因为意识到还留有相当大的样本用于分类。用等于145加面值数的2.65％的样本规模来估计分类储备。这产生的样本规模是，对应100项资产的面值数的30，对应1000项资产的面值数的150，对应5000项资产的面值数的400，对应10000项资产的面值数的500，对应20000项资产的面值数的600。

在统计推理程序40期间，将投资组合12的第三部分42中的资产按描述性认购属性或标准80分类，从每个群集和被认购样本中抽取随机样本。在一个实施例中，当资产水平平均方差降到10％以下时，在程序40中停止从群集中采样。在另一个实施例中，当部分水平平均方差降到15％以下时，停止采样。如果潜在的销售单位小于整个投资组合，则投资组合均方差不被用作停止点。按照程序40，将群集采样的回收率评价推定到相应的群集族上。在使用系统28时，目标是通过三个或更多独特的群集接触每个推断的资产估价。在程序40期间，权衡群集的认购可信度和描述性属性的相关性。

举例来说-但不是限制，0＝下述表述无可信度：这个群集的描述性属性将提供有意义的估价；0＝下述表述有完全的可信度：这个群集的描述性属性将提供像个别认购每个工具一样精确的估价；1与0之间的数表明估价有部分可信度。这些值的调和发生在调整的信用分析表130中。在程序40中，在资产水平上的现金流然后被调整的信用分析表140内的宏观经济系数调整。在一个实施例中，宏观经济系数是与主要资产类相关联的，主要资产类例如是-但不限于-不动产住房贷款或商业设备贷款。这些系数可能是全球都适用的，例如是-但不限于-法律气候，国内生产总值(GDP)预测，担保人气候，征收效率、借方组代码等等。

一个对投资组合采样的方法包括在主要资产、借方和抵押品特征中检索严重影响/产生风险的属性。下面的表A提供一例在资产评估情形中的投资组合属性的列表。表A：投资组合属性

借方规模(按借方组UPB)有担保的处于联合管理下的有保证的贷款类型(期限、循环的、等等)第一位置中抵押品的％UPB征收积分(0＝不良，1＝良好)UPB的12-月征收％本金的上一次付款的％#借方贷款贷款的借方UPB部分单一家庭住宅住宅的零售工业的医院适宜(hospitality)多家庭开发的土地/未开发的/其它办公室股票/边际贷款(margin loan)

资产属性的分割(segmentation)是通过将属性编码成“哑变量”而完成的。例如，一个普通的资产属性是“借方在过去的12个月中付过款吗？”，如果回答是肯定的，则该属性在变量中被编码为“1”，否则为“0”。对其它资产属性使用类似的“哑变量”。

完成分割程序的方法是，用任何处理编码的资产属性统计程序，将投资组合分割成类似资产的分组。一种这样的算法是K-方法分类(K-means clustering)。在一个例子中，使用三个资产属性：未付本金余额(UPB)、支付的概率-范围在0至1、和担保的积分-由房地产抵押作担保的概率，这些资产可能被分类成5个具有类似属性的组。

一旦对资产进行了分组，就计算为了进一步的认购审查而要采集并提交的样本的数量，计算方法是，确定能作出关于每个分割部分(k)中的总回收率的论断的可信度，确定希望具有的估计每个分割部分(h)中的总回收率的精确度，以及按照下列公式提供回收率的水平和范围的以未付本金余额(UPB)总数的百分比计的先验估计： $\mathrm{Var}\left({\hat{Y}}_R\right)=n[1-\frac{n}{N}]\×\frac{{\left[\underset{l}{\overset{N}{\mathrm{\Σ}}}{x}_i\right]}^2}{{\left[\underset{l}{\overset{n}{\mathrm{\Σ}}}{x}_i\right]}^2}\×\frac{\underset{l}{\overset{N}{\mathrm{\Σ}}}{{(y}_i-{\mathrm{Rx}}_i)}^2}{N-1}$ 采样大小N＝群集大小x_i＝采样i的UPBy_i＝采样i的回收

带

的估值

的错误容许量

k＝Tchebyshev公式中的常数：

通过对n解方程C，就能获得对给定群集所要求的样本规模。接方程C进一步使用户能以1-1/k²的概率声明所计算的样本规模n，并且相关联的被认购值将在误差h内估计总的群集回收率-假设总的分割部分回收率的估计值是用方程D确定的。

实际上，如果没有可用的数据，则估计总回收率中的可变性是困难的。一种电子表格工具实现以上计算，方法是在蒙特卡洛模拟中生成数据，引导用户分析结果，直到推导出有益的样本规模。

表B提供一例来自20个贷款的组的学习的输出，其估计的(期望的)回收率在UPB的20％-30％之间，UPB的范围在1MM和2MM之间。需要8个样本才能以75％的可信度估计20个贷款的总回收率。

             表B：样本规模电子表格向导

对每项资产作出适当地调整方差的预测，构造估价表，以包括投资组合中的每一项资产。在销售的单位上以连续的概率评价回收率，在一个实施例中，销售的单位是一个部分。在系统28的使用中，内部收益率(IRR)和方差然后将被评估。最佳的部分对于给定的IRR有较低的方差。用项目的贴现率评估每个部分的净现值(NPV)高于0的概率。贴现率的确定根据是，资本的机会成本，加上FX交易成本，加上所预测的现金流回收率的方差中内在的总体不确定性中的风险。如果表明项目将有负的NPV的确定性大于百分之五，则不投标。交易评估是通过部分，其决策标准是IRR、某一部分中的IRR的风险方差、估计该部分付款的愿意程度和能力，盈利的时间(TPP)和按部分回报中的风险方差，以及折扣到无风险利率的部分的期望现金流的NPV。

在竞争性投标环境中，当资产投资组合的内容是不可谈判的时，投资人或卖方有强烈的经济动力来只选择总资产中可用来进行给予它们的总的财务结构以最佳的风险/回报的交易的那部分。以将有最大上侧概率中的更高的概率的资产满足最小的风险/收益期望值对投资人来说更有吸引力。

将总投资组合环成分可以单独出售的子投资组合或部分。每个部分有根据以前的分析预测的现金流概率分布和时间周期。这些部分然后被给予一个试行价。将新的资产与卖方或买方的现有资产绩效结合起来，并结果蒙特卡洛案例生成(具有所考虑到的相关联的互相关)。

部分选择过程包括对不买的部分的随机选择。一旦投资组合效应呈现某个模式，对要购买的部分的最佳选择、购买价格、约束因素就被随机优化找到。

用NPV可能会误导，这是由于与双折扣相关联的效应，当为了获得PV而对悲观情形打折扣时，将发生双折扣。用盈利时间，被用来克服这个局限，边际资本成本或无风险比率被用于由进行评估的分析者确定的折扣中。

推断评价程序40的监控学习过程206和部分采样程序108的步骤120、122和126有实质性的相似，因为认购人积极地参与该过程，但是该过程是自动化的。图6是表示用于可分割金融工具资产的自动化认购的过程210的流程图。金融工具的第一群集被公共属性定义212。对根据属性从所定义的群集中选择的样本赋予值的专家意见214。这个意见被用于样本认购过程216，各值被查验属性的组合并被调和218。过程210然后选择并设置220将被使用的各个属性，然后把各个资产分类222划入各群集。对每个群集资产应用224群集评价。用群集评价，通过规则226将各值细分，以创建信用分析表228。

图7是一个包括几个模块的无监控学习208的典型实施例的流程图。数据采集模块收集任何地方能获得的相关数据。变量选择模块232确定被信用审查认为是关键的、或者在划分各种资产组时最具有区分功能的资产相关变量。分层的分割模块234根据分析者所选择的关键变量将资产的整个投资组合分割成bins。FCM模块236进一步根据资产数据的自然结构每个bin分类划入各个群集。认购审查模块238对每个群集分配计划的现金流和风险积分138(图3中所示的)。这个积分然后被提供到信用分析表136中的对应正在程序40中被调整的群集中的资产的各个资产值，以产生调整的信用分析表140。该过程是连续循环的，可由计算机执行，所以能在其它地方进行标准认购的同时继续。

图8表示用于代替图3和4中所描述的过程的替代性的典型推理评价过程240。在替代性过程240中，采用一个七步骤的过程，用完全认购、部分认购和推理评价的组合来快速地评价房地产贷款。第一，按照风险对资产采样242。第二，资产被认购244，估价被记录。第三，市场值群集例如由FCM形成246，如下文所述的那样。第四，为被认购资产建立248回归模型。为更早的时候被建立248的那些被认购资产中的被认购资产选择250一个最佳模型。第六，计算252所选择的模型的个数。第七，将所选择250的模型，以按个数加权的方式，应用到投资组合12的未被认购的或推断评价的部分42，以预测每项未被认购部分的资产的各值。按照过程240产生的各个资产值然后被放到调整的信用分析表140中(见图3)。

在对资产采样242时，认购人用分层随机采样的方法来选择用于详细审查的资产。从抵押品属性构造各个层次。房地产投资组合的抵押品属性的例子包括，抵押品用途(商业的或居住的)、以前的评估额、市场值群集(根据以前的评估额、土地面积、建筑面积、当前的评估额、法庭拍卖实现的价格、财产类型和财产位置预测出来的)。通常，以逆向的方式对资产采样，就是说，有意地按未付本金余额(UBP)或以前评估额(PAA)的降序从列表中选择。

认购244是个大型的手工过程，在这个过程中，专家认购人将价值符号归于抵押品资产。将被认购的估价存储在主数据库表中，诸如(图2中所示的)数据库76中。估价通常是以现行市场价格的货币单位合计的(例如100,000KRW)。

图9是由系统28采用的过程的自动化部分的高级概览290。自动化的程序被认购人用来辅助根据程序34(也见图3)进行完全认购。在程序34中捕获到的知识，被应用于推断评价过程40，以减少金融工具的预期努力(due diligence)估价中的费用和不确定性，并降低预期努力估价之间的费用和可变性。估价要经过一个现金流模型检验，该现金流模型包括资产水平评价146、确定性现金流桥148、随机性现金流桥152和现金流表150。结果的标估价154要经过博彩策略160和管理调整162的检验，以产生最后的表164。

图10是形成群集246的典型实施例的流程图。在形成群集246时，认购人借助各种算法，诸如(图3中所示的)算法134，用以前评估额(PAA)作为驱动变量，用基于分类和回归树(CART)的模型进行分析，产生按抵押品用途和市场价值(CUMV)组的UW资产的分组。

下面简述两种评估基于CART的模型的性能的方法。一个方法使用基于CART的方法的均方误差和(SSE)与简单模型的均方误差和的比率，该比率被称作误差比率。简单模型是向所有资产分配一个平均资产价格的模型。第二个方法计算一个确定系数，该系数记为R²，定义为R²＝1-(SSE/SST)，其中SST是平方总额的和(sum of squarestotal)。

R²是每个分割部分(segment)内的某单一资产相对于全体资产的贡献。特定分割部分内某资产的R²值越高，贡献就越高。根据这两个方法将不同的投资组合分割部分排序，给出模型在每个投资组合分割部分内的预测功能如何良好，在例如为每个部分定价方面给投标人一定程度的舒适性。

R-均方的(基于CART的模型)            71.4％            83.9％         77.5％

R-均方的(简单模型)                  55.4％            88.6％         67.0％

            表C：按资产的排序误差比率和R²值

第一步是定义有关投资组合的分割部分(segmentation)。这些分割部分可以是例如基于行业、未付余额(UPB)量、地区或客户风险的预先定义的部分。上面的表C是一例根据各部分和资产排序(B或C)定义的分割部分。

表C提供一例来自对具有五个部分和两个不同资产类型(B和C)的投资组合的研究的输出。该表显示出不同的分割部分的误差比率是如何排序的。对每个分割部分内的类型C的资产也计算了每个资产的R²值。

第二步是计算CART模型感兴趣的每个投资组合分割部分的SSE值(平均价格的推算)。误差比率是通过将根据CART模型的SSE除以根据简单模型的SSE而计算的。如果误差比率小于1，则基于CART的模型就是比简单模型更好的预测工具。作为附加的好处，通过按照误差比率尺度选择在每个分割部分中性能最好的模型，可以以CART和简单模型的“混合”组合的形式形成一个优越的模型。

第三个步骤是为每个投资组合分割部分内的每项资产计算R²值。每个资产的R²的计算方法是(每个分割部分的SST-每个分割部分的SSE)/(所有资产的总SST×每个分割部分内的资产数量)。

最后根据在第二步骤中计算的误差比率和在第四步骤中计算的R²值，将所有的分割部分排定次序。该模型对在这两种测量尺度上排名高的分割部分预测价格值时是精确的，误差比率和R²和优越模型是用这些测量尺度建立的。

表D表示(来自表C的)类型C的资产的五个部分根据这两个性能尺度的相对排序。

表D：投资组合分割部分排序

部分CO	C	R-均方的	排序误差比率	排序R-均方的
					CO 01	0.73	0.18％	2	2
CO 02	0.61	0.06％	1	5
					CO 03	1.58	0.46％	5	1
CO 04	1.47	0.11％	4	4
					CO 05	1.20	0.14％	3	3

图10是表示用FCM来选择群集做模型的构成群集246的一个典型实施例。(图2中所示的)计算机38通过采用选定的数据78和进行FCM分析来产生群集的方法来构成群集246。

图11表示建立模型248、选择最佳模型250和计算个数252，其中用数据库76建立6个模型。(图2中所示的)计算机38执行这个过程。模型建立248被用来辅助认购人为了完全认购14和基于样本的认购34以及推理评价而对资产进行优先排序。

图11的下面的部分是一个表，表示从按照建立模型248d建立的6个模型中选择最佳模型250的一个典型实施例。这些模型按哪些变量被用作X而不同。所有模型都使用CUMV群集(这些对所有资产都存在)。这些来自建立模型248的模型被用来除了市场价值(MAV)258外还预测法庭拍卖价值(CAV)256。其它实施例(未予示出)使用其它模型来预测其它值。

在选择最佳模型250时，被选择的是所考虑的K个回归模型(这里的K＝6)中的最佳模型。按照以下尺度为每个UW资产选择最佳模型：

其中y是待预测的UW值， 是来自第k个回归模型的预测，k＝1，2，...，K。

在计算计数252时，计算在每个CUMV群集内K个模型的每个被选择的次数。图11含有对应CAV和MAV模型化情形的这些计数。其它模型化情形被用在其它实施例中。

在应用模型254时，使用为每个非UW资产产生一个预测的所有模型得出的加权平均预测。权重是从所计算252的计数的频率构造的，预测来自模型建立过程。在一个实施例中，用一个商业统计分析软件(SAS)系统来产生模型。使用SAS系统产生的结果是，每个非UW资产将从该非UW资产有与之对应的每个输入变量(即出现的“X变量)的每个模型中得到一个预测的UW值。其它模型建立包共享该特性。下面的方程E详细说明了该程序。

在方程E中，如果模型k为资产l生成了预测，则I_lk＝1，否则是0；f_ijk＝模型k为第i个CUMV类型(i＝1，2)和第j个CUMV群集(j＝1，2，3)中的UW资产而被选择的次数； ＝对模型k中的y_l的预测。注意，从资产有预测的每个模型建立方法中只有一个贡献，每个贡献是以该模型建立方法同一个CUMV群集中的所有UW资产而被选择的次数加权的。

过程240也被用来通过以对应的统计量替代方程E中的

估计平均预测的可信度下限(LCL)和可信度上限(HCL)，

回头参看图3，监控学习过程206和无监控学习过程208采用分类。“分类”是一种工具，它试图通过将数据集的模式组织成组或群集来评估模式中的关系，一个群集内的各模式之间的相似程度比属于不同群集的模式的更高。就是说，分类的目的是从大型数据集中提取数据的自然分组，产生系统行为的精确表示。无监控学习过程208采用模糊分类方法(FCM)和知识工程来自动地对财产分组，用于评价。FCM是一种已知方法，使用广泛，并被应用于统计模拟中。该方法的目的是最小化群集内距离，最大化群集间距离。通常使用欧氏(Euclidean)距离。

FCM248(见图10)同时地最小化群集内距离，最大化群集间距离。通常使用欧氏距离。FCM是一种循环优化算法，它最小化成本函数

其中n是数据点的个数；c是群集的个数，X_k是第k个数据点；V_i是第i个群集中心；μ_ik是第i个群集中第k个数据的成员关系的程度；m是大于1的常数(通常m＝2)。注意μ_ik是范围在[0，1]的实数。μ_ik＝1的意思是第i个数据绝对在第k个群集中，而μ_ik＝0的意思是第i个数据绝对不在第k个群集中。如果μ_ik＝0.5的意思是，第i个数据部分地在第k个群集中，部分程度在0.5。显然，如果每个数据点都只属于一个特定的群集，没有对任何其它群集的部分程度的成员关系，则成本函数就是最小化的。就是说，在把每个数据点分配到其所属的群集时没有歧义性。

成员关系的程度μ_ik由下列方程定义：

显然，群集中心V_i中的数据点X_k的成员关系的程度μ_ik，随X_k接近V_i而增加。同时，μ_ik会随X_k远离V_j(其它群集)而变小。

第i个群集中心V_i被定义为

显然，第i个群集中心V_i是X_k的坐标的加权总和，其中k是数据点的个数。

以期望的群集个数c和对每个群集中心V_i(i＝1，2，...，c)的初始估计为开始，FCM将汇聚到对V_i的解答，它代表成本函数的局部最小点或马鞍点。该FCM解答如同大多数非线性优化问题一样，非常依赖对初始值(即个数c和初始的群集中心的V_I)的选择。

在一个典型实施例中，通过无监控的模糊分类方法将整个投资组合12分割，由认购专家审查每个群集，由此帮助认购人选择金融工具进行完全认购14和部分认购34。作为替代方法，可以将这个FCM只应用于局部42。结果，每个群集都被分配到用于调整138目的的HELTR综合积分(见图3)。实际上，HELTR综合积分捕获期望的现金流和现金流范围、其计时以及与每个群集相关联的风险。

现在参看图2，在一个实施例中，完全认购部分16与总投资组合12的比率是资产的25％和全部资产的面值的60％。这些资产的完全认购有保障的原因是它们的规模和价值。然而，这个认购对于所有认购人来说是相当一致的，所以认购不会产生严重的投标差异。然而，剩余的包含部分36和42的40％，在该典型实施例中构成资产的75％，只是面值的40％在被认购之前是高度投机的。在能找出部分36和42f的价值的程度上，例如-但不限于，超过粗略推算的额外的百分之五，该差异指的是赢得和失去整个投资组合投标或整个部分投标的差异，意味着数亿美元的利润差异。

就保险单的情形而言，按照程序40，用统计方法来试图回答三个基本问题：(a)我们应如何收集数据？(b)我们应如何总结我们收集的数据？(c)我们的数据总结有多么准确？算法134回答问题(c)，是一种基于计算机的方法，没有复杂的理论证据。用于保险单推理评价的算法134，适于回答对于传统统计分析来说过于复杂的统计推理。用于保险单推理评价的算法134，通过反复地进行带替换的采样，模拟统计估计的分布。该算法总体上由三个步骤组成：(I)带替换的采样，(II)兴趣的评估统计，(III)估计标准偏差。

按照保险算法134，NPV标准误差的估计是按下列方法进行的。对于每个风险模型以及对于模型中的每个分割部分，假设分割部分中有N个保险单，用带替换的采样选择n个样本(例如n＝100)。本例中每个样本也含有N个保险单。对于每个样本，对于所有的历史保险单：下一步，通过 (方程J)为近来的保险单生成净现值。计算这n个NPV值的样本标准偏差。在方程I中，Act是实际的索赔，wtdexp是每个单项保险单的加权的期望索赔。

图12的表中是用于信用积分138的示例性标准80和示例性规则集。也可以根据金融工具的类型和特定的投标条件或投标人的任何其它要求或偏好，选择其它的标准。

图13是类似于树形图66(见图2的下半部分)的树形图260。在图13中，分离的标准是(a)是否安全(安全)，(b)是否循环(revolving)，(c)最后的付款是否是零。结果是6个群集262、264、268、270、272，随便地称作“摇动树”。

图14表示按照本发明的一个实施例的典型系统300。系统300包括至少一个配置成服务器302的计算机和多个计算机304，它们与服务器302相连，形成网络。在一个实施例中，计算机304是包括网络浏览器的客户系统，服务器302是计算机304通过因特网可接入的。此外，服务器302是一个计算机。计算机304通过许多接口互连到因特网，这些接口包括诸如局域网(LAN)或宽域网(WAN)的网络、拨号连接、电缆调制解调器和专用高速ISDN线路。计算机304可以是任何能连接到因特网(包括基于网络的电话或其它基于网络的可连接设备-包括无线网和卫星)的设备。服务器302包括一个与含有描述资产投资组合的集合的中央数据库76(也在图2中显示)连接的数据库服务器306。在一个实施例中，中央数据库306存储在数据库服务器306上，由计算机304之一上的用户通过用计算机304之一登录到服务器子系统302而访问。在一个替代性实施例中，中央数据库76远程地存储在服务器302以外。服务器302进一步被配置成能为以上所述的资产评价方法接收和存储信息。

尽管系统300被描述成一个连网系统，可以设想这里描述的用于资产投资组合的审查和操作的方法和算法也可以在不与其它计算机连网的独立计算机上执行。

尽管以各种特定实施例说明了本发明，本领域的那些熟练人员知道，在本发明的精神和范围内在实践中可以对本发明作出修改。

Claims (30)

1.一种用于通过将来自完全被认购的资产、带有完整数据表示的其它未被认购的资产和可从带有具有类似的可识别特征的部分或不完整数据表示的未被认购的资产得到的数据中的至少之一的价值投射到其数据表示是部分的或不完整的的未被认购的资产上而预测该未被认购的资产的价值的方法(300)，所述方法包含以下步骤：

按照风险对资产采样(242)；

认购(244)资产并记录估定价格；

构成(246)市场价值群集；

为被认购的资产建立(248)回归模型；

为被认购的资产选择(250)最佳模型；

计算(252)模型被选择的次数；和

使用(254)所选择的模型来对未被认购的资产的认购价值进行预测。

2.按照权利要求1的方法(240)，其中，所述按照风险对资产采样(242)的步骤进一步包含从一个按递减的未支付本金余额和以前的评估额的至少之一为顺序的列表中选择资产的步骤。

3.按照权利要求1的方法(240)，其中，所述认购(244)资产并记录估定价格的步骤进一步包含的步骤是在主数据库(76)中存储估定价格，估定价格是以现行市场价格的货币单位合计的。

4.按照权利要求1的方法(240)，其中，所述构成(246)市场价值群集的步骤进一步包含的步骤是，用以前评估额作为驱动变量，进行分类和回归树分析，产生按抵押品用途和市场价值组的资产的分组。

5.按照权利要求1的方法(240)，其中，所述为被认购的资产建立(248)回归模型的步骤进一步包含用数据表示的不同分组建立模型的步骤。

6.按照权利要求5的方法(240)，其中，所述为被认购的资产选择(250)最佳模型的步骤进一步包含的步骤是，按照

选择模型，其中y是待预测的认购值，

是来自第k个回归模型的预测，k=1，2，...，K，其中K是所建立(248)的模型的个数。

7.按照权利要求1的方法(240)，其中，所述计算(252)模型被选择的次数的步骤进一步包含计算每个模型为资产的认购产生过最佳预测的次数的步骤。

8.按照权利要求1的方法(240)，其中，所述使用(254)所选择的模型来对未被认购的资产的认购价值进行预测的步骤进一步包含按照 ${\stackrel{\widehat{\‾}}{y}}_l=\frac{\underset{i,j,k}{\mathrm{\Σ}}{I}_{\mathrm{lk}}{f}_{\mathrm{ijk}}{\hat{y}}_{\mathrm{lk}}}{\underset{i,j,k}{\mathrm{\Σ}}{I}_{\mathrm{lk}}{f}_{\mathrm{ijk}}}$

预测认购价值的步骤，其中，如果模型k为资产l生成了预测，则I_lk＝1，否则是0；f_ijk＝模型k为第i个抵押品用途和市场价值组类型(i＝1，2)和第j个抵押品用途和市场价值组群集(j＝1，2，3)中的UW资产而被选择的次数；

＝对模型k中的y_l的预测。

9.按照权利要求8的方法(240)，进一步包含为所预测的认购价值估计置信度下限和置信度上限的至少之一的步骤。

10.按照权利要求9的方法(240)，其中，所述估计置信度下限和置信度上限的至少之一的步骤进一步包含以对应的统计量替代的步骤。

11.一种用于通过将来自完全被认购的资产、带有完整数据表示的其它未被认购的资产和可从带有具有类似的可识别特征的部分或不完整数据表示的未被认购的资产得到的数据中的至少之一的价值投射到其数据表示是部分的或不完整的的未被认购的资产上而预测该未被认购的资产的价值的系统(300)，所述系统包含：

一个按服务器(302)进行配置、并且进一步配置有资产投资组合(12)的数据库(76)的计算机(304)；

至少一个通过网络与所述服务器连接的客户系统，所述服务器被配置成按照风险对资产采样(242)，认购(244)资产并记录估定价格，构成(246)市场价值群集，为被认购的资产建立(248)回归模型，为被认购的资产选择(250)最佳模型，计算(252)模型被选择的次数，使用(254)所选择的模型来对未被认购的资产的认购价值进行预测。

12.按照权利要求11的系统(300)，其中，所述服务器(302)被配置成从一个按递减的未支付本金余额和以前的评估额的至少之一为顺序的列表中选择资产。

13.按照权利要求11的系统(300)，其中，所述服务器(302)被配置成在主数据库(76)中存储估定价格，估定价格是以现行市场价格的货币单位合计的。

14.按照权利要求11的系统(300)，其中，所述服务器(302)被配置成用以前评估额作为驱动变量，进行分类和回归树分析，产生按抵押品用途和市场价值组的资产的分组。

15.按照权利要求11的系统(300)，其中，所述服务器(302)被配置成用数据表示的不同分组建立(248)模型。

16.按照权利要求15的系统(300)，其中，所述服务器(302)被配置成按照

选择(250)模型，其中y是待预测的认购值，

是来自第k个回归模型的预测，k＝1，2，...，K，其中K是所建立(248)的模型的个数。

17.按照权利要求11的系统(300)，其中，所述服务器(302)被配置成计算(252)每个模型为资产的认购产生过最佳预测的次数。

18.按照权利要求11的系统(300)，其中，所述服务器(302)被配置成按照 ${\stackrel{\widehat{\‾}}{y}}_l=\frac{\underset{i,j,k}{\mathrm{\Σ}}{I}_{\mathrm{lk}}{f}_{\mathrm{ijk}}{\hat{y}}_{\mathrm{lk}}}{\underset{i,j,k}{\mathrm{\Σ}}{I}_{\mathrm{lk}}{f}_{\mathrm{ijk}}},$

预测认购价值，其中，如果模型k为资产l生成了预测，则I_lk＝1，否则是0；f_ijk＝模型k为第i个抵押品用途和市场价值组类型(i＝1，2)和第j个抵押品用途和市场价值组群集(j＝1，2，3)中的UW资产而被选择的次数； ＝对模型k中的y_l的预测。

19.按照权利要求18的系统(300)，所述服务器(302)被配置成为所预测的认购价值估计置信度下限和置信度上限的至少之一。

20.按照权利要求19的系统(300)，其中，所述服务器(302)被配置成以对应的统计量替代

21.一种用于通过将来自完全被认购的资产、带有完整数据表示的其它未被认购的资产和可从带有具有类似的可识别特征的部分或不完整数据表示的未被认购的资产得到的数据中的至少之一的价值投射到其数据表示是部分的或不完整的的未被认购的资产上而预测该未被认购的资产的价值的计算机(38)，所述计算机包含资产投资组合(12)的数据库(76)，所述计算机被程序设置得能：

按照风险对资产采样；

认购资产并记录估定价格；

构成市场价值群集；

为被认购的资产建立回归模型；

为被认购的资产选择最佳模型；

计算模型被选择的次数；和

用所选择的模型来对未被认购的资产的认购价值进行预测。

22.按照权利要求21的计算机(38)，被程序设置得能从一个按递减的未支付本金余额和以前的评估额的至少之一为顺序的列表中选择资产。

23.按照权利要求21的计算机(38)，被程序设置得能在主数据库(76)中存储估定价格，估定价格是以现行市场价格的货币单位合计的。

24.按照权利要求21的计算机(38)，被程序设置得能用以前评估额作为驱动变量，进行分类和回归树分析，产生按抵押品用途和市场价值组的资产的分组。

25.按照权利要求21的计算机(38)，被程序设置得能用数据表示的不同分组建立(248)模型。

26.按照权利要求25的计算机(38)，被程序设置得能按照选择(250)模型，其中y是待预测的认购值，

是来自第k个回归模型的预测，k＝1，2，...，K，其中K是所建立(248)的模型的个数。

27.按照权利要求21的计算机(38)，被程序设置得能计算(252)每个模型为资产的认购产生过最佳预测的次数。

28.按照权利要求21的计算机(38)，被程序设置得能按照 ${\stackrel{\widehat{\‾}}{y}}_l=\frac{\underset{i,j,k}{\mathrm{\Σ}}{I}_{\mathrm{lk}}{f}_{\mathrm{ijk}}{\hat{y}}_{\mathrm{lk}}}{\underset{i,j,k}{\mathrm{\Σ}}{I}_{\mathrm{lk}}{f}_{\mathrm{ijk}}},$

预测认购价值，其中，如果模型k为资产l生成了预测，则I_lk＝1，否则是0；f_ijk＝模型k为第i个抵押品用途和市场价值组类型(i＝1，2)和第j个抵押品用途和市场价值组群集(j＝1，2，3)中的UW资产而被选择的次数；

＝对模型k中的y_l的预测。

29.按照权利要求28的计算机(38)，所述服务器(302)被配置成为所预测的认购价值估计置信度下限和置信度上限的至少之一。

30.按照权利要求29的计算机(38)，被程序设置得能以对应的统计量替代

Images