CN110383320A - 一种评估的方法和系统 - Google Patents

一种评估的方法和系统 Download PDF

Info

Publication number
CN110383320A
CN110383320A CN201780085947.9A CN201780085947A CN110383320A CN 110383320 A CN110383320 A CN 110383320A CN 201780085947 A CN201780085947 A CN 201780085947A CN 110383320 A CN110383320 A CN 110383320A
Authority
CN
China
Prior art keywords
data
solvency
municipality
municipal
index
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201780085947.9A
Other languages
English (en)
Inventor
D·库根-普什恩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Coogan Pushner Diane
Original Assignee
Coogan Pushner Diane
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Coogan Pushner Diane filed Critical Coogan Pushner Diane
Publication of CN110383320A publication Critical patent/CN110383320A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/18—Legal services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/211—Schema design and management
    • G06F16/212—Schema design and management with details for data modelling support
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Analysis (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一方面包括创建市政偿付能力(MSX)数据库。创建包括收集和编码来自关于多个市政当局的公共来源的数据。基于MSX数据库的内容生成预测模型，该预测模型描述每个市政当局的市政偿付能力的驱动因素和重大金融事件(MFE)的预测因子。估计每个市政当局的一个或多个MFE的概率，该估计基于预测模型。创建反映至少一个市政当局的偿付能力和MFE概率的指数。输出指数。

Description

一种评估的方法和系统
相关申请的交叉引用
本申请要求2016年12月7日提交的序列号为62/431,026的题为“市政偿付能力指数”的美国临时申请的权益，其全部内容通过引用的方式并入本文。
背景技术
本发明的实施例涉及市政偿付能力，更具体地，涉及创建用于预测和跟踪诸如城镇、县和州等市政当局的偿付能力的市政偿付能力指数。
州和市政支出和税收政策越来越受到选民、纳税人、债券市场投资者、公共部门工作人员和养老金计划参与者的质疑。虽然市政债券市场非常多元化并且在很大程度上不受系统性风险影响，但底特律和波多黎各的违约事件、通用电气公司退出康涅狄格州以及资金不足的公共养老金最近引起了众多选民的担忧。
发明内容
本发明的实施例包括用于创建市政偿付能力指数的方法、系统和计算机程序产品。非限制性示例方法包括创建市政偿付能力(municipal solvency，MSX)数据库。创建包括收集和编码关于多个市政当局的公共来源的数据。基于MSX数据库的内容生成预测模型，该预测模型描述每个市政当局的市政偿付能力驱动因素和重大金融事件(materialfinancial event，MFE)的预测因子。针对每个市政当局预测一个或多个MFE的概率，基于预测模型进行估计。创建反映至少一个市政当局的偿付能力和MFE概率的指数。输出指数。
通过本发明的技术实现了附加的特征和优点。本文详细描述了本发明的其他实施例和方面，并将其视为要求保护的发明的一部分。为了更好地理解本发明的优点和特征，请参考说明书和附图。
附图说明
在说明书结尾处的权利要求书中特别指出并清楚地声明了被视为本发明的主题。通过以下结合附图的详细描述，本发明的特征及优点将变得显而易见，其中：
图1描绘了根据一个或多个实施例的用于创建市政偿付能力(MSX)指数的过程的概述；
图2描绘了根据一个或多个实施例的MSX数据库的内容的概述；
图3A和图3B描绘了根据一个或多个实施例的用于生成MSX数据库的数据类型的示例；
图4描绘了根据一个或多个实施例的用于生成MSX数据库的内容的数据收集过程；
图5描绘了根据一个或多个实施例的MSX数据库的内容；
图6描绘了根据一个或多个实施例的用于生成预测模型的过程的概述；
图7描绘了根据一个或多个实施例的用于创建初始模型规范和预测模型的过程；
图8描绘了根据一个或多个实施例的用于执行季度更新的过程；
图9描绘了根据一个或多个实施例的用于估计重大金融事件(MFE)的概率的过程；
图10描绘了根据一个或多个实施例的用于生成MSX指数的过程；
图11描绘了用于为单个实体生成MSX和MFE指数的过程；
图12描绘了用于生成复合MSX和MFE指数的过程；
图13描绘了用于生成BLUE组分的MSX和MFE指数的过程；
图14描绘了根据一个或多个实施例的生成MSX和MFE指数的示例；
图15描绘了根据一个或多个实施例的用于执行债券市场覆盖的过程；
图16描绘了根据一个或多个实施例的系统的框图；以及
图17描绘了根据一个或多个实施例的系统的框图。
具体实施方式
本文描述的实施例涉及创建用于预测和跟踪诸如城镇、县和州等市政当局的偿付能力的一个或多个市政偿付能力(MSX)指数。MSX指数的创建可以为市场中的各种委托人提供一种工具，以对冲他们暴露于市政财政实力的风险或者对市政财政实力持仓。
市政债券难以卖空，并且市政债券的卖空对除了特定债券的持有者之外的任何人提供的保护很少。许多利益相关者接触市政财政，但没有接触市政债券，例如：公共养老金计划(例如，工会)；供应商到市政当局(例如，废物管理)；依靠当地政府提供基本服务的行业，例如可靠的交通基础设施(例如，华尔街)；和公共安全(例如，体育赛事)。从长远来看，诸如养老基金等许多实体可能愿意承担市政信贷风险以换取信用风险溢价。然而，作为税收优惠的市政债券对诸如养老基金等免税实体几乎没有吸引力。本文描述的MSX指数允许各种委托人通过提供独立设置的参考工具来寻求资本市场中的风险转移，该参考工具是交易的关键要素以促进两个交易方之间的交易，一方寻求对冲其暴露于市政偿付能力，一方寻求承担偿付能力风险并收取费用。
MSX指数可以包括跟踪最大州和地方政府的偿付能力位置的一系列指数。根据一个或多个实施例，生成跟踪最大150州和地方政府的指数，并且在本文中称为“MSX150”。MSX150内的子指数可以包括但不限于跟踪按以下属性分组的市政当局的那些子指数：
最有偿付能力的(MSXBLU)
最没有偿付能力的(MSXINS)
最容易受到现金流短缺的影响(MSXFLO)
最容易受到加税的影响(MSXTAX)
最容易受到服务削减的影响(MSXSRV)
最容易受到养老金的影响(MSXPEN)
区域分组(MSXRNE、MSXRSE、MSXRMW、MSXRNW等)
州(MSXSTA)
城镇(MSXTWN)
其他重大金融事件(MFEs)
各个市政当局
更广泛的指数，例如，MSX250。
指数允许感兴趣的各方参与与MSX指数值相关联的交易，该MSX指数值跟踪各个市政当局的财务实力的变化，并且跟踪预定的市政当局分组(例如，最大的150)或者自限定分组的金融事件的可能性。美国最大的150个州和地方政府只是可以包括在MSX指数中的市政当局的一个示例，应该理解，市政当局的任何组合或数量都可以包括在MSX指数或子指数中。另外，上面的子指数旨在是可以由示例性实施例跟踪的属性类型的示例，并且应当理解，还可以生成基于其他属性的其他子指数。
根据一个或多个实施例，可以在付费的基础上提供对各种MSX指数的访问。可以根据用户要求定制指数和数据分析，以提供有关以下各项的预测，例如但不限于：市政偿付能力、财务实力和重大金融事件(MFE)的概率。可以使用诸如区块链的分布式技术向用户提供对定制数据的访问。
现在转向图1，根据一个或多个实施例大体示出了用于创建MSX指数的过程100的概述。图1中所示的MSX数据库104的实施例具有基于法人(例如，政府、政府拥有的企业)组织的超过150,000个数据元素(或变量)。编制信息102以创建MSX数据库104的内容，该信息102包括来自公共可用来源的数据，例如但不限于：州和地方综合年度财务报告(CAFR)；人口普查的人口统计数据；经济分析局的数据；以及来自市政证券规则制定委员会(MSRB)的债券定价和债券市场活动。根据一个或多个实施例，区分MSX数据库104中的数据的一方面是捕获的变量的全面性，编码来自CAFR的市政财务报表中的每个项目，然后元素被重新组合成有意义的经济和金融组。根据一个或多个实施例，在MSX数据库104中限定市政当局之间的标准报告分类和标准法律实体结构，从而允许比较不同格式和内容的财务报表。在与分析这些数据的现代方法相比，这导致统计和财务分析可以生成关于重大金融事件的主要指标的更多有用的信息和见解。
在框106处，对MSX数据库104中的所有数据或数据子集执行统计和计量经济分析，以理解偿付能力的驱动因素和重大金融事件的预测因子，例如税收增加、削减基本服务、现金流不足和养老金现金流不足。框106中的分析结果包括一个或多个预测模型108。根据一个或多个实施例，预测模型108除了提供某些市政债券的违约概率之外还可以提供关于重大金融事件(MFE)的概率的见解。根据一个或多个实施例，采用各种统计模型来理解和推导诸如图1的框110中所示的那些金融事件的可能性或概率。如图1的框110中所示，MFE可以包括但不限于：税收增加；削减开支；服务恶化；现金流不足；和养老金短缺。基于预测模型108导出框110中所示的MFE的估计的概率。
可以对框110中所示的估计的概率进行周期性地反向测试、更新、以及重新校准。
在框112处，基于MFE和计量经济数据114(例如，债券市场信息和其他计量经济模型)的概率导出指数元素和分量权重。根据一个或多个实施例，当在框112处编制指数时，将用于加权指数的分量的附加统计模型覆盖在MSX数据库104中的数据上。如图1所示，生成包括MSX指数和MSX子指数的MSX指数116。根据本文描述的实施例，提供特定市政实体的偿付能力的统计分析以及市政当局自身的MFE的统计分析。
创建MSX数据库。
现在转向图2，根据一个或多个实施例大体示出MSX数据库(诸如MSX数据库104)的内容的概述200。如图2的框202所示，针对MSX数据库中跟踪的每个市政当局，从公共可用来源收集原始数据。处理收集的数据可以包括编码、重估、计算数据值，以及将数据字段(例如，100个数据字段)映射到每个市政记录。如框204所示，在一个或多个实施例中，收集追溯到10年前的数据。如框206所示，为MSX指数中的每个市政当局(在该示例中为150)保留10年的数据。150个市政当局可以包括美国所有50个州、波多黎各、美国最大的49个县以及美国最大的49个市政当局/城镇和华盛顿特区。如框208所示，150个市政当局的数据存储在MSX数据库中。在图2所示的实施例中，MSX数据库包括150,000个数据元素。
现在转向图3A，根据一个或多个实施例大体示出了包括用于生成MSX数据库的原始数据的表300A。表300A包括用于描述数据类型(例如，经济、金融)的类型列302；用于描述收集数据的级别(例如，州、县、前20个市政当局)的级别列304；用于描述数据项(例如，人口、SAT分数、销售税)的数据项列306；用于描述数据来源(例如，CAFR、人口调查)的来源列308；以及用于描述数据源的更新频率(例如，每年、每季度)的频率列310。图3B还描绘了根据一个或多个实施例的包括用于生成MSX数据库的原始数据的表300B。与表300A类似，表300B包括类型列302；级别列304；数据项列306；来源列308；以及频率列310。可以理解的是，图3A和3B中所示的表及其内容本质上是示例性的，并且其他表格内容和配置可以由一个或多个其他实施例实现。
现在转向图4，根据一个或多个实施例大体示出了用于生成MSX数据库(例如，MSX数据库104)的内容的数据收集过程400。如图4的实施例中所示，财务数据的主要来源可以包括用于各个市政当局的CAFR 402，例如，养老金CAFR、其他岗位就业福利(OPEB)CAFR以及组成单元(Comp U)CAFR。
如图4所示，将编码404应用于来自CAFR 402的数据。根据法律实体在哪里组织政府和机构运作，以独特的方式组织每个市政当局。法人实体组织是如何组织和报告财务数据的主要驱动因素。例如，一些市政当局拥有属于基层政府的高等教育；其他市政当局拥有属于政府所有的商业企业的高等教育；还有其他市政当局将高等教育实体作为单独的组成单元，其是不合并的独立法人实体。根据一个或多个实施例，编码从CAFR和其他来源收集的数据以使其独立于特殊的法律组织。这允许识别与政府、企业实体和组成实体资金的来源和使用相关的特定收入、支出、资产和负债，从而能够更有效地在市政当局之间进行比较。在一个示例中，目标是确定高等教育的支出，而无论市政当局是如何合法组织的。根据一个或多个实施例，从业务活动情况表(Statement of Activities)(损益表)和财务状况表(资产负债表)以及分配的唯一代码中收集资产和负债。
返回参考图4，在框406处，根据一个或多个实施例，重估一些资产负债表项目，例如实体资产(例如，房地产)。可以从州和地方养老基金收集数据，这些基金是与基层政府独立的法律实体，并拥有自己的CAFR。养老金负债(预计福利债务(PBOs)和应计福利债务(ABO))以及OPEB负债都可以重估。
如图4所示，从市政报告实体之外的来源收集债券市场数据416(其是财务数据的示例)。根据一个或多个实施例，从诸如市政证券规则制定委员会(MSRB)等外部来源收集数据，以完成每个市政当局的财务状况，例如，每个市政当局的未偿还债务。同样，由于每个市政当局的法律实体结构，总的政府资产负债表(general government balance sheet)不报告组成单元(例如机构)的债务。在市政当局的CAFR中没有报告组成单元的完全披露和报告。例如，在2010年中期，纽约州CAFR报告的未偿还债务约为35亿美元，当时所有纽约州企业和组成单元的总未偿还债务接近900亿美元。还如图4所示，在将债券市场数据用于新变量创建410之前，可以对债券市场数据执行差价分析418(spread analysis)。对差价驱动因素的分析提供什么市场价值对市政债券的信用风险具有最大的相对影响的指示。反过来，差价分析用于将MFE的分量分数加权为每个市政当局的综合偿付能力分数。也从各种来源收集人口统计数据414和经济数据412，例如但不限于：美国人口普查局、联邦住房管理局、经济分析局和美联储。并非所有数据都是针对市政当局、城镇、县和州收集的，因此数据可以映射到最精确的区域。例如，对于由都市统计区域(MSA)提供的人口统计数据，对相关的MSA执行市政当局、城镇和县的映射。对于仅由州提供的数据，将为属于该州的市政当局和县输入州级别信息。
从收集的数据，可以利用一个或多个实施例来执行新变量创建410。可以创建新变量，例如但不限于现金流(CAFR不报告现金流量表)、有形盈余(有形资产总减去总负债)。此外，可以对诸如国内生产总值(GDP)和收入等某些变量、以及诸如养老金净收入等某些现金流项目进行预测。
收集、编码、重估、映射和计算的结果是唯一编制的综合纵向和横截面(面板数据集)MSX数据库104，允许一个或多个实施例对每个市政当局的财务实力进行统计分析。在一个或多个实施例中，每个市政当局在MSX数据库104中具有超过1,000个数据字段(例如，每年100个数据字段)。在一个或多个实施例中，初始数据集具有150个记录(最大的150个市镇)，其生成150个记录×1,000或150,000个元素的数据集尺寸。数据字段的数量每季度增加，因为一些数据每季度更新，并且每个年度报告一次。
图4中所示的源数据库408包括来自唯一编码和输入的CAFR的核心原始数据以及诸如经济数据412、人口统计数据414和债券市场数据416等外部数据。新变量创建410是中间工作产品，MSX数据库104包括季度发布的最终值(“变量”)，其被用作分数等的直接输入。
现在转向图5，根据一个或多个实施例大体示出MSX数据库(诸如MSX数据库104)的内容。如前所述，以粒度级别单独编码来自相关CAFR声明(基层政府、信托或组成单元)的每个数据项。收集政府CAFR和子CAFRS(例如养老基金CAFR)中多个财务报表的数据并将其汇集到一个数据库中，并进行编码以便更容易地分析财务状况。
例如，如图5所示，对于密歇根州，高等教育收取的费用由报告数值的地方(例如，组成单元的损益表)、报表内出现的地方(例如，计划收入项目)、现金流入或流出类型(例如，服务收费)、法律实体(例如，离散呈现的组成单元)、活动(西密歇根大学)、然后是MSX数据库内的分类(例如，高等教育)捕获。通过这种方式，无论如何组织市政当局，都可以捕获和比较与市政当局相关的所有高等教育费用。
相反，如果分析限于基层政府活动和政府的基本财务报表(基层+企业)，则不会捕获密歇根州中的高等教育收取的费用，并且会误导密歇根州和纽约州收取的较高等教育费用之间的比较。
以这种方式捕获和编码数据还导致在所有类型的教育计划中收取的费用的更广泛的状况。例如，如图5所示，佛罗里达州的初级职能教育基本上是K-12，费用为2.36亿美元，收取的高等教育费用为29亿美元，州大学储蓄计划的收费为9.13亿美元。一个或多个实施例不仅可以比较使用MSX数据库的各州的大学储蓄计划，还可以比较针对所有教育计划收取的总费用，包括预付费用。
预测模型。
现在转向图6，根据一个或多个实施例大体示出了用于生成预测模型(诸如预测模型108)的过程600的概述。根据一个或多个实施例，采用统计和计量经济学技术的组合来为每个市政当局的某些MFE(例如但不限于：税收增加、削减支出、服务恶化、现金流不足、以及养老金短缺)的概率生成预测模型。可以基于例如与其公共财务经济学家一起工作的经验丰富的计量经济学家的信息来修改/更新预测模型108的内容，这些公共财务经济学家了解税收和支出政策、人口变化和区域经济增长的动态。
根据一个实施例，MSX数据库104具有1,000个变量，并且预计每年以超过200个变量增长，并按季度和年度更新。因此，可以在预测模型中用于估计MFE概率的1,000个变量的可能组合的数量实际上是不可数的(例如，1,000个变量的可能组合的数量大于2.6e+157(2.6乘10^157，即具有157个零的数字)，这超出了大多数计算机的能力，特别是当需要操纵数据时，需要更多的计算能力。
本文描述的实施例使用迭代方法，在该迭代方法中指定各种统计模型，然后统计测试各种统计模型以测量它们解释观察数据的程度以及它们在反向测试基础上预测MFE的程度。这些统计模型在图6中示出为初始模型规范602。根据一个或多个实施例，选择预测MFE的模型使用各种方法，并且可以涉及随机过程和自回归特征等。一旦确定了基本模型规范，就可以根据测试统计数据进行微调，在试错法中使用算法数值方法和专业判断以找到生成“最佳拟合”的模型规范。通过找到“模型规范”来统计地确定最佳拟合，“模型规范”是同时和滞后的关键解释变量的选择，关键解释变量合在一起是MFE的最佳预测因子。最佳拟合模型的特征还在于具有稳健(稳定)和统计上显著的模型参数，并且其将预测具有高解释力的MFE而没有系统误差。如图6所示，基于初始模型规范602创建预测模型108。
根据一个或多个实施例，关键变量的选择可以基于分析师(例如，计量经济学家、公共财政经济学家等)选择的统计度量，可能生成最佳模型规范。可以使用各种工具来选择测量“最佳拟合”的测试参数，同时知道可能生成良好参数结果的哪些变量和试验变量组合是分析师经验和试错过程的作用。关键变量可以根据当前的经济状况随时间变化。如图6所示，预测模型108随着新季度数据的发布而被重新校准604并且创建MFE更新的预测模型612。新的季度(和年度)数据被输入到指定的预测模型中(例如，预测模型108之一)以生成解释变量的修正参数估计。
根据一个或多个实施例，使用债券市场数据606来开发用于偿付能力加权的标量610，以微调预测模型108，该预测模型108可以主要基于历史模式以及代表市政当局的非当前财务状况的CAFR。债券市场数据606每日可用，并且对定价、流动性、交易量和其他数据进行统计分析，以收集可以反映市场当前对某些市政当局的观点的额外的独立解释力。根据一个或多个实施例，校准/重新校准债券市场信息608以生成偿付能力加权的标量610。根据一个或多个实施例，MFE的更新预测模型612以及偿付能力加权的标量610用于创建MFE和MSX指数。
生成预测模型的示例。
根据一个或多个实施例，计算所有描述性统计数据，并且按照市政、大小、地理位置等类型由分析员(例如，计量经济学家和/或公共财政经济学家)分析公共财务趋势。这有助于理解数据以做出明智的建模选择。例如，分析各州税收增长的总体历史。各州每年都会提高税收吗？多久提高一次？提高多少？分析师收集数据以了解重要性阈值和按规模税收增加的频率分布。
重要性阈值(materiality threshold)的设置是创建预测模型的第一阶段。这些模型旨在预测市政当局违反给定变量阈值的概率。例如，模型不是简单地预测税收增加的可能性，而是预测一定幅度的税收增加。一定幅度是通过估计历史数据并确定什么构成重要变化而建立的阈值。可能但不一定要基于统一惯例(例如历史均值的一个标准偏差)来建立阈值。
接下来，分析师可以分析数据以了解导致各州的所得税税率大幅提高的原因。这可以通过运行包括各种解释变量的各种回归、通过添加和减去回归变量进行试验以及尝试各种组合来执行。在一个或多个实施例中，估计以下内容：
所得税税率的变化＝b0+b1*净收入利润t-1+b2*净收入利润t-2+b3*自上次税收增加以来经过的年数+b4*％D(人口)t-1+b5*％D(人口)t-2，
其中，D表示变化；t-1、t-2等表示与变量相关的时间段；以及b0、b1等表示变量的参数权重。
可以估计回归输出，从而发现R2(拟合优度的度量)较低，并且估计的b4的t统计量(解释变量的统计显著性的度量)太低，因此该规范将被拒绝。
可以运行通过估计过的描述性统计量和试验过的先前规范的结果已经预先选择的数百个规范(等式右边的变量的组合)。候选规范可以缩小到一个小组，以获得最佳模型规范。从那里开始，运行额外的拟合优度和显著性测试(如下所示)，并且分析可以得出以下模型，该模型最能说明州所得税是如何受到影响的：
所得税税率的变化＝b0+b1*净收入利润t-1+b2*净收入利润t-2+b3*(移动的4年人口增长平均值)+b4*％D(个人收入/市政雇员t)。
括号中的估计参数及其t统计量：
b0＝.014(1.53)
b1＝-.121(-2.50)
b2＝-.085(-2.02)
b3＝0.056(3.34)
b4＝-0.022(-1.92)
该初始模型规范602可以提供对驱动税率变化的因素的见解。初始模型规范602提供用于开发预测模型108的基线模型和参考点，以估计驱动MFE的概率的因素，并且如果重要性阈值改变则允许更新预测模型的灵活性。
根据一个或多个实施例，初始模型规范602包括一组明确指定的计量经济模型，该计量经济模型描述公共财务、运营、人口统计、经济和市场数据以及用作预测MFE的基线模型的模型之间的关系。术语“明确指定”意味着模型具有高预测能力，不会系统地过度或过低地预测，具有统计上显著的、彼此具有高度独立性的并且表现出简约性的解释变量，意味着根据需要使用最少量的变量。
随着新数据变得可用，每季度对模型进行反向测试(例如，跟踪现有模型的税收变化的预测能力)。当新的季度和年度数据可用时，将重新运行回归以更新参数估计。如果预测模型显示系统地低于或高于预测税收增加的模式，或者如果实际值与预测值之间的差距变宽，则按照上述过程创建新的模型规范。
根据一个或多个实施例，预测模型108成为计量经济模型库，其描述(i)人口统计学、经济学等与市政财政之间的结构关系(即因果关系)，以及(ii)金融、经济、人口变量之间的“简化形式”关系(即经验上相关而不考虑结构或因果关系)。这可以很好地理解变量如何相互关联以及驱动特定感兴趣变量(例如，市政财务、人口统计和经济环境)的变化的因素。库中预测模型的示例包括但不限于：市政当局人口增长的变化；医疗保健支出的变化；州中的个人收入变化；以及县的净收入利润增长。
预测模型108还可以提供关于市政当局如何反应和适应财务挑战的规则的见解。例如，州的第一道防线可能是停止为养老金计划提供资金。然后，州可能会提高服务费用以弥补现金短缺，直到市场不再承受费用增加为止。然后它可能会提高税收，直到耗尽税收净空(继续提高税收在政治上不可行)。只有在充分利用了其他机制之后，才能削减基本服务。因此，知道状态所利用的机制可以用作模型规范中的先验信息(即，概率的评估)。因此，本文描述的建模的实施例允许以已经发生的先前事件(例如近期和大的销售税增加)为条件生成MFE的概率。
现在转向图7，根据一个或多个实施例大体示出了用于创建初始模型规范(诸如初始模型规范602)和预测模型(诸如预测模型108)的过程700。如框702所示，可以通过利用具有最大似然估计的分对数(logit)回归(逻辑分布)和用于分类变量/迭代试验的阈值设置来生成初始模型规范。如框704所示，通过使用迭代试验执行参数设置来生成预测模型。在框706中示出了可用于建立测试统计的过程的实施例，并且在框708中示出了可用于生成预测模型的过程的实施例。现在转到图8，根据一个或多个实施例大体示出了用于执行季度更新802的过程800。
概率估计。
现在转到图9，根据一个或多个实施例大体示出了用于估计MFE的概率的过程900。如图9的框902-框906所示，来自MSX数据库(例如MSX数据库104)的数据用于创建MFE的预测模型，例如预测模型108，并且预测模型用于生成MFE的概率。如图9的框908-框910所示，将季度和年度MSX更新应用于MSX数据库，并且还用于更新MFE的概率。如图9的实施例中所示，框910中所示的MFE概率的更新独立于框904中的预测模型的重新校准。预测模型中的参数可以用或也可以不用季度新数据重新校准；但新的季度数据将生成MFE的修正概率。
例如，可能希望将税收增加与其驱动因素之间的关系置于研究范围背景中。建立研究范围需要确定重要性阈值。如果所有州每年将税收提高0.5％，那么该统计数据只是一种不需要预测的趋势，因为它可能会发生。相反，一个或多个实施例正在寻找州可能以对居民和企业而言重要的重要方式税收增加的概率。基于对行业/规模/地理位置的公共财务的理解以及对数据的分析，分析师可以限定MFE的重要性阈值。例如，州所得税增加的重要性阈值可以被确定为一个百分点。
一旦创建初始模型规范(例如初始模型规范602)并设置阈值，就可以采用逻辑回归来估计MFE的概率。在州所得税示例中，可以基于阈值将所有州所得税变化转换为类别。因此，如果实际税收增加>1％个点，那么Y＝1；否则Y＝0。可以使用基于具有修正的初始模型规范的普通最小二乘(OLS)方法来运行回归。修正可以包括基于阈值设置添加或减去解释变量，并且由于因变量现在已经被转换为二进制变量[0或1]的事实，这可能导致修正的规范：
税收增加超过1％pt阈值＝b0+b1*净收入利润t-1+b2*净收入利润t-2+b3*(移动6年人口增长平均值)+b4*(每个市政雇员t收入)+b5*(费用收入占总税收收入的百分比)。
括号中的估计参数及其t统计量：
b0＝1.00(1.74)
b1＝-4.20(-2.62)
b2＝-1.61(-2.55)
b3＝4.10(2.60)
b4＝-2.20(-1.98)
b5＝-1.77(-2.99)
基于与之前相同的标准估计模型(例如，诸如R2等拟合优度、似然比、所选解释变量的统计显著性、Wald或其他统计量)。利用β参数的估计，通过使用Logit变换转换预测的税收增加因变量，税收增加的概率可以是解释变量的估计的给定值。
使用州的估计的参数和实际数据来计算Y的估计的值。
例如，给定具有以下2006数据的两个状态，针对每个状态计算估计的Y，然后使用logit变换将其转换为概率：
估计的P(税收增加)＝1/1+exp^-(估计的Y)
因此，状态1在2006年1％或更多的税率增加的可能性为14％，并且状态2在2006年1％或更多的税率增加的可能性为27％。
一旦获得估计的概率，一个或多个实施例使用各种方法再次检查拟合优度。例如，对于每个州，可以根据发生税收增加大于阈值的预测值绘制税收增加大于阈值的实际发生率，然后观察下降接近45度线的点。
如果分析人员不满足于模型如何基于拟合优度测试的组合执行生成预测概率，或者如果结果是反直觉的，则可以使用最大似然法(MLE)重新估计所选择的参数，最大似然法(MLE)使用试错数值方法(例如，牛顿拉普森(Newton Raphson))找到b0、b1...b5参数的值，在试错数值方法中搜索生成概率的预测值的b参数的估计值，该概率的预测值与税收增加阈值量的实际发生率一致。
创建MSX指数。
现在转到图10，根据一个或多个实施例大体示出用于生成MSX指数的过程1000。图10所示的实施例生成MSX150指数1010和子指数1014、1016、1018、1020；然而，应该理解，本文描述的处理可以应用于任何MSX指数和子指数的创建。如图10所示，150个市政当局的偿付能力分数1002被输入到MSX指数创建1006以生成MSX150指数1010。如图10所示，选择的子组1004的偿付能力分数被输入到MSX指数创建1008(其可以与MSX指数创建1006相同)以生成MSX子指数1014、1016、1018、1020。指数可以每季度更新并显示为季度时间序列，例如从2006年6月到当前的图表1022。
现在转向图11，根据一个或多个实施例大体示出了用于为单个实体生成MSX和MFE指数的过程1100。如图11所示，每个(i)实体的(j)MFE的更新的概率1102与债券市场覆盖数据1106一起输入，以生成每一个(j)MFE的MFE权重1104。MFE权重1104用于为每个(i)实体生成偿付能力分数1108。每个实体的偿付能力分数1108用于为每个实体生成MSX指数1110。还如图11所示，输入每个(i)实体的(j)MFE的更新的概率1102，以为每个(i)实体生成(例如，使用拉斯佩尔(Laspeyres)方法)每个(j)MFE的MFE指数1112。根据一个或多个实施例，MSX指数1110和MFE指数1112每季度更新。
现在转向图12，根据一个或多个实施例大体示出使用州作为市政当局的示例的生成复合MSX和MFE指数的过程1200。如图12所示，输入针对州1的(j)MFE的更新的概率1202、针对州2的(j)MFE的更新的概率1204以及实体或市政当局的收入权重1206以生成针对州1和州2的复合MFE 1208。复合MFE 1208与债券市场覆盖数据1210一起输入，以为(j)MFE中的每一个生成复合MFE权重1212。复合MFE权重1212用于生成州1和州2复合的偿付能力分数1214。在框1216处使用偿付能力分数1214来生成州1和州2的复合MSX指数1220。也如图12所示，还输入州1和州2的复合MFE 1208，以为州1和州2生成(例如，使用拉斯佩尔(Laspeyres)方法)每个(j)复合MFE1208的MFE指数1222。根据一个或多个实施例，MSX指数1220和MFE指数1222每季度更新。
现在转向图13，根据一个或多个实施例大体示出用于生成BLUE分量的MSX和MFE指数的过程1300。如本文所用，术语BLU或BLUE是指具有最高偿付能力分数(例如，前5％、前10％、前20％)的市政当局的分组。如图13所示，市政当局1blue的更新的(j)MFE概率1302(其中，市政当局1blue指的是blu子组中的市政当局)和州4blue的更新的(j)MFE概率1304(其中，州4blue指的是blu子组中的州)与实体的收入权重1306一起输入，以生成市政当局1blue和州4blue的复合MFE 1308。复合MFE 1308与债券市场覆盖数据1310一起输入，以为(j)MFE中的每一个生成复合MFE权重1312。复合MFE权重1312用于生成市政当局1blue和州4blue复合的偿付能力分数1314。在框1316处使用偿付能力分数1314来生成市政当局1blue和州4blue的复合MSXBLU指数1318。还如图13所示，还输入复合MFE 1308，以为每个(j)复合MFE 1308生成(例如，使用拉斯佩尔(Laspeyres)方法)MFE指数1320。根据一个或多个实施例，MSXBLU指数1318和MFE指数1320每季度更新。实施例不限于特定子组，可以创建其他子组，例如但不限于，顶级债券发行者组(例如，前5％、10％、20％)。可以生成诸如MSXTOP等复合MSX偿付能力指数，以反映顶级债券发行人组以及相关的MSXTOP子指数和MFE指数。
现在转向图14，根据一个或多个实施例大体示出了生成MSX和MFE指数的示例1400。
为每个市政当局将MFE分数组合成偿付能力分数1402。
可以编制每个市政当局的MFE概率以形成偿付能力分数。该编制基于市政债券市场的数据分析，即使市政当局不发行市政债券。如1402所示，MFE包括但不限于税收增加、养老金不足和基本服务削减，该表包括2006年、2007年和2008年州1和州2的这些MFE的每一个的概率。可以将每年和每州的偿付能力分数计算为每个MFE概率乘以MFE的权重的总和。使用2006作为基准年计算图14中示出的MSXi，因此两个州的2006年的MSX分数为100。
根据一个或多个实施例，通过聚合两组数据来编制MSX，首先，为每个市政当局编制偿付能力分数，其基于编制每个市政当局的MFE概率。接下来，在市政实体之间编制MFE和偿付能力分数。
根据一个或多个实施例以下文本描述了编制市政当局的偿付能力分数的方法。该示例为“州1”创建偿付能力分数，并且类似的方法将应用于指数中的每个市政当局。
在该示例中，州1的MFE概率如下：
Prob(税收增加>1％个点)＝.14
Prob(养老金资金不足增加>5％)＝.58
Prob(削减基本服务>5％)＝.25
Prob(现金流量、即将到来的年份<0)＝.18
通过对每个分量进行加权，然后将它们聚合成一个编制的分数，将这四个MFE聚合到州1的偿付能力分数中。来自债券市场的信息被用来创造权重，因为债券价格是资本市场的编制的前景的反映，因此反映了所有可知信息。根据一个或多个实施例，发现变量并且在解释债券市场定价时估计它们的参数。
根据一个或多个实施例，债券市场定价在MFE上作为独立变量回归。在州的情况下，对于一般债务，没有信用增级、通知功能或预先退款，对于拥有未偿还一般债务债券的市政当局，如上所述，从2006年至2015年的所有债券市场定价数据在同期基础上对MFE进行回归。对于定价数据可获得的每个债券，差价(相同期限的同期国债收入率的净收入率)可以对税收增加、养老金资金不足的水平、基本服务的减少和政府总账户的现金流进行回归。这可能包括300到400次观察(可以选择年度CAFR发布后一周内的债券定价数据)。回归得出每个MFE在推动整个债券市场而不是特定于任何特定市政当局的债券收入率方面的解释力的参数估计。参数估计和相应的t统计量可能如下所示：
债券差价的变化＝
b0＝.01(1.53)
b1＝-.172(-1.87)(税收增加)
b2＝.255(1.61)(养老金不足)
b3＝0.402(2.13)(基本服务减少)
b4＝-0.699(-1.92)(总账户的负现金流)
t统计量的绝对值用作MFE概率的权重以编制偿付能力分数。可以使用T-stats，因为它们不仅反映参数权重的绝对大小，而且还通过标准误差进行归一化，以生成相对权重。较大的相对权重(t-stat)将具有较大的参数估计、较小的标准误差或两者。
如果州1的概率如下：
明年税率增加>5％的概率＝.14
明年养老金融资不足提高>5％个点的概率＝.58
基本服务减少>5％的概率＝.25
总账户负现金流的概率＝.18
州1的偿付能力分数可以计算为：
(1.87×.14+1.61×.58+2.13×.25+1.92×.18)/(1.87+1.61+2.13+1.92)
＝2.07/7.53×100
＝.2754×100＝27.539。
值27.539具有宽泛的解释力，平均而言州具有在明年经历一个或多个MFE的27.5％的概率。可以计算每个时间段的州1的分数。这样允许随着时间的推移跟踪分数，以衡量州的经历MFE的1年前瞻性可能性在一段时间内上升还是下降。可以使用原始偿付能力分数或通过将偿付能力分数转换为指数值(如下所述)进行跟踪。
计算州的偿付能力分数的另一个示例是“州2”。如果2006年州2的概率是：
明年税率增加>5％的概率＝.27
明年养老金融资不足提高>5％个点的概率＝.22
基本服务减少>5％的概率＝.09
总账户负现金流的概率＝.08
州2的偿付能力分数可以计算为：
1.87×.27+1.61×.22+2.13×.09+1.92×.08＝/(1.87+1.61+2.13+1.92)
＝1.20/7.53×100
＝.1599×100＝15.99。
为一组市政当局创建复合MFE和偿付能力分数1404
如1404所示，MFE是复合MFE，其反映了对于(i)实体，在该示例中，2个实体-州1和州2的组合在2006年、2007年和2008年的每个MFE的概率。可以通过对以下进行求和来计算复合MFE：每个MFE的概率单独乘以MFE的收入权重。可以将每年和(i)实体的组合的复合偿付能力分数计算为每个复合MFE概率乘以MFE的权重的总和。当计算本文描述的MSX150指数时，(i)将等于150。
市政当局可以组合在一起，并且它们各自的MFE被编制为聚合MFE。基于基期(即2006年)期间的收入权重进行编制。如图14中，州1的税率增加率为5％或更高的概率为14％，州2具有27％的概率，并且对于组合的分数22.67，通过使用每个州的收入来加权概率(分别为33％和67％)组合的概率只是两个概率的加权平均值。
通过将每个市政当局的偿付能力分数加权作为基期的收入权重，可以将每个市政当局的偿付能力分数汇总成组偿付能力分数。如图11中，2007年州1的偿付能力分数为27.753，州2的偿付能力分数为28.659，基于分别为33％和67％的收入权重，分组(州1和州2)的组合的偿付能力分数为28.357。
创建市政当局MFE指数1406
如图14的1406所示，为每个实体创建MFE指数。每个MFE的概率用于创建指数值。
根据一个或多个实施例，使用2006作为基准年创建指数值。每个市政当局在基准年内每个MFE集合的分数等于100，随后几年的指数值计算为前期的值加上MFE分数的周期变化。这允许跟踪单个MFE随时间的概率，而不考虑该MFE如何与其他MFE比较。例如，州1在2006年至2007年间的税收增加概率没有变化，但相对于2007年，2008年增加了1％个点，因此指数值增加了1个点。
创建市政当局分组的MFE指数值1408
如图14的1408所示，对于每个(j)MFE，通过以下的求和来创建指数：每个(i)实体的指数值乘以每个(i)实体的收入权重。
如图14中的实施例所示，将2006年的组的偿付能力分数设定为基准年(值＝100)，并将随后的年份计算为前期的值加上MFE分数的周期变化。例如，在图14中，州1和州2分组的MFE指数值税收增加从2007年的99.33增加到2008年的99.67，表明由于州1减弱和州2保持与2007年相同而变差。
可以从与每个单独重要事件的概率相关联的分数来计算MSX子指数。例如，MSXTAX可以计算为每个市政当局按基年收入加权的税收增加概率的平均值。MSXBLUE可以是最佳(例如，25个)市政子集的MSX分数按基准年收入加权的平均值等。
一旦为每个市政当局计算了偿付能力分数，就可以将分数编制成聚合分数，例如，MSX150(具有150个实体)或MSXTAX等，通过将2006年设置为基准年(值＝100)，将随后年份计算为前期的指数值加上偿付能力分数的周期变化。州1和州2分组的MSX在2006年是100，在2007年是100.443，在2008年是99.813。在图14中的该说明性示例中，该分组的整体偿付能力状况在2007年变差了0.443％，然后在2008年变好了0.63％。
MSX指数是跟踪财务偿付能力的指数，旨在反映市政当局偿付能力状况的变化。当市政当局遇到财务挑战时，它将采用反映财务困难的策略，被视为MFE。该指数跟踪市政当局随时间的财务偿付能力状况。指数的增加(减少)反映了更多(更少)的财务困难。指数中的一个点的增加(减少)大致相当于随后年中一个或多个MFE的概率增加(减少)一个点。
根据一个或多个实施例，预测MFE的模型形成MSX指数创建的基础。可以基于MSX数据库(例如，MSX数据库104)和MFE的预测模型(例如，预测模型108)库来创建许多指数。根据一个或多个实施例，指数包括“MSX150”，其编制用于跟踪美国最大州、县和市政当局的财务实力的指数值。MSX150的子指数可以包括跟踪分组的市政当局的指数，市政当局通过以下属性分组，但不限于：最有偿付能力的、最没有偿付能力的、最容易受到现金流问题的影响、最容易受到加税的影响、最容易受到服务削减的影响、最容易受到养老金的影响、区域组(例如，北方、东方等)。根据一个或多个实施例，所有指数和子指数的指数值在2006年6月20日被设置为等于100。
现在转到图15，根据一个或多个实施例大体示出了用于执行债券市场覆盖(例如债券市场覆盖1008)的过程1500。如图15所示，执行债券市场覆盖包括差价分析1502、将归一化的差价链接到MFE的统计分析1504、以及估计回归参数1506。
根据一个或多个实施例，更新不限于季度更新，因为全部或子集的更新可以在任何周期基础上发生，例如但不限于每小时、每天、每周、每月等。此外，全部或子集的更新可以基于外部事件(例如，股票市场水平、兴趣范围变化等)发生。
可以从MSX数据库中捕获的150个初始MSX实体创建单个MFE或偿付能力分数(MSX)的任何数量的子指数。随着MSX数据库的扩展覆盖更广泛的市政实体，潜在指数的数量将呈指数级增长，因为新进入者与现有实体相结合可以形成更多的分组。
根据一个或多个实施例，基准年的选择是任意的，并且可以用任何给定的基准年创建和校准自限定指数。
现在转到图16，描绘了系统1600，在该系统1600上可以实现用于创建MSX指数的过程的一个或多个实施例。在一个或多个示例性实施例中，就硬件架构而言，如图16所示，计算机1601包括处理装置1605和耦合到存储器控制器1615的存储器装置1610和输入/输出控制器1635。输入/输出控制器1635可以是例如但不限于一个或多个总线或者如本领域中已知的其他有线或无线连接。输入/输出控制器1635可以具有诸如控制器、缓冲器(高速缓存)、驱动器、中继器和接收器等附加元件以实现通信，为了简单起见，省略了这些附加元件。此外，计算机1601可以包括地址、控制和/或数据连接，以实现上述组件之间的适当通信。
在一个或多个示例性实施例中，键盘1650和鼠标1655或类似装置可耦合到输入/输出控制器1635。或者，可通过触敏或运动敏感接口(未描绘)接收输入。计算机1601还可以包括耦合到显示器1630的显示控制器1625。
处理装置1605是用于执行软件，尤其是存储在辅助存储器1620或存储器装置1610中的软件的硬件装置。处理装置1605可以是任何定制的或商业上可用的计算机处理器、中央处理单元(CPU)、与计算机1601相关联的若干处理器中的辅助处理器、基于半导体的微处理器(以微芯片或芯片组的形式)、宏处理器或通常用于执行指令的任何设备。
存储器装置1610可包括易失性存储器元件(例如，随机存取存储器(RAM，例如DRAM、SRAM、SDRAM等))和非易失性存储器元件(例如，ROM、可擦除可编程只读存储器(EPROM)、电子可擦除可编程只读存储器(EEPROM)、闪存、可编程只读存储器(PROM)、磁带、光盘只读存储器(CD-ROM)、闪存驱动器、磁盘、硬盘驱动器、软盘、卡盘、盒式磁带等)中的任何一个或组合。此外，存储器装置1610可以包含电子、磁、光和/或其他类型的存储介质。因此，存储器装置1610是有形计算机可读存储介质1640的示例，在其上可由处理装置1605执行的指令可以实施为计算机程序产品。存储器装置1610可以具有分布式架构，其中各种组件彼此远离，但是可以由处理装置1605访问。
存储器装置1610中的指令可以包括一个或多个单独的程序，每个程序包括用于实现逻辑功能的可执行指令的有序列表。在图16的示例中，存储器装置1610中的指令包括合适的操作系统(OS)1611和程序指令1616。操作系统1611基本上控制其他计算机程序的执行并提供调度、输入-输出控制、文件和数据管理、存储器管理、通信控制和相关服务。当计算机1601在运行中时，处理装置1605被配置为执行存储在存储器装置1610内的指令，将数据传送到存储器装置1610和从存储器设备1610传送数据，并且通常按照指令控制计算机1601的操作。程序指令1616的示例可以包括用于实现本文中参考图1至图15描述的处理的指令。
图16的计算机1601还包括网络接口1660，其可以经由一个或多个网络链路与一个或多个其他计算机系统建立通信信道。网络接口1660可以支持本领域中已知的有线和/或无线通信协议。例如，当在用户系统中实施时，网络接口1660可以与应用服务器建立通信信道。
现在转向图17，根据本发明的一个或多个实施例大体示出了可以在其上实现MSX数据库和MSX指数的创建的系统1700。系统1700包括主机系统计算机1702、用户系统1704和数据提供源1706A-1706E，每个数据提供源通信地耦合到一个或多个网络1708。主机系统计算机1702可以实现为高速计算机处理装置，用于处理与创建MSX数据库和指数以及MSX指数的用户相关联的活动量。在实施例中，主机系统计算机1702由服务提供商企业操作。
用户系统1704可以由本文描述的MSX指数的最终用户操作。用户系统1704还可以由便于MSX数据库和指数的创建的用户操作。用户系统1704可以实现为通用计算机(例如，台式计算机或膝上型计算机)。或者，用户系统1704可以实现为诸如智能电话、平板电脑或个人数字助理等移动装置。虽然为了便于说明，图17中仅示出了一个用户系统1704，但应当理解，可以采用任何数量的用户系统以实现示例性实施例的优点。
数据提供源1706每个存储用于创建MSX数据库和指数的数据。如图17所示，数据提供源可以包括经济数据1706A(例如，来自经济分析局)、人口统计数据1706B(例如，来自人口普查局)、债券市场数据1706C、CAFR 1706D(来自市政当局)和CAFR 1706E(来自不同的市政当局)。尽管为了便于说明在图17中仅示出了两个市政当局，但是应当理解，来自MSX数据库1716中跟踪的任何市政当局的CAFR是可用的。虽然为了便于说明在图17中仅示出了经济数据1706A、人口统计数据1706B和债券市场数据1706C，但是应当理解，本文描述的任何数据源都是可用的。根据实施例，使用用户系统1704访问/下载并且编码来自数据提供源1706的数据。
作为用户系统1704的用户的服务提供者，主机系统计算机1702实现应用程序以便于创建MSX数据库1716和MSX指数。如图17所示，在主计算机系统1702上执行的应用程序包括便于编码来自各种数据提供源1706的数据、创建新变量、创建模型和创建指数的逻辑。
图17的系统1700还包括MSX数据库1716，其位于例如通信地耦合到主机系统计算机1702的存储装置上。MSX数据库1716所在的存储装置可以使用各种存储电子信息的装置来实现。应当理解，存储装置可以使用包含在主机系统计算机1702中的存储器来实现，或者它可以是单独的物理装置。存储装置可以在包括网络1708的分布式环境中作为合并数据源在逻辑上可寻址。可以经由主机系统计算机1702和授权用户(例如用户系统1704)来检索和操纵存储在存储装置中的信息。
在一个实施例中，主机系统计算机1702作为数据库服务器运行并协调对包括存储在存储装置1716上的MSX数据库1716的应用数据的访问。
网络1708可以是任何类型的已知网络，包括但不限于广域网(WAN)，局域网(LAN)、全球网络(例如因特网)和内联网。可以使用无线网络技术或本领域中已知的任何种类的物理网络实现来实现网络1708。用户系统1704和数据提供源1706可以通过多个网络(例如，因特网、内联网和专用网络)耦合到主机系统计算机1702，使得并非所有系统都通过相同的网络耦合到主机系统计算机1702。
根据本发明的一个或多个实施例，图17中所示的数据系统1700使用诸如区块链等分布式技术执行数据捕获、数据操纵、数据存储、数据使用以构建预测模型和指数、以及MFE和指数的最终预测。例如，源数据可以从数据提供源1700检索并且经由网络1708存储在诸如区块链(节点)上，例如，包含MSX数据库1716的存储装置或者MSX数据库1716或者另一个节点位置(未示出)。然后可以编码(例如，由用户系统1704处的用户手动)数据，然后重新存储在区块链上。编码的数据可以从区块链中检索，并在区块链内操纵并组合，以生成到区块链上不同节点的输出。
每次订阅者想要数据时，他们可以访问区块链上的许可节点(例如，经由用户系统1704)。由本文描述的实施例创建的数据的不同版本或部分可以经由区块链分发给不同的受众。在一个示例中，住宅建筑商可能想要知道哪些市政当局具有最佳现金流。本文描述的一个或多个实施例可以提供允许住宅建筑商访问指示市政现金流的数据的订阅。另一位客户可能是一家校车公司，想知道中西部哪些城镇最有可能削减教育支出。可以向校车公司提供允许访问指示市政当局18岁以下的每人的教育支出的数据的订阅。另一个客户可能对所有50个州的偿付能力分数感兴趣，并且拥有提供对这些分数的访问的订阅。以这种方式，客户可以购买他们感兴趣的特定数据的订阅。
MSX数据库1716中的数据，其包括市政当局(例如，250)乘以变量数量(例如，200)乘以年数(例如，10)的数据，可以以多种方式组合。区块链允许订阅者获得自限定访问(以创建自己的“购物车”)。每个用户都可以访问他们桶(bucket)(“购物车”)中想要的市政当局，并且可以让区块链运行将各个市政当局组合成定制的整体指数或子指数的算法。此外，区块链的使用提供了对数据完整性至关重要的数据的完全可审计性。
技术效果和益处包括基于数据源的内容创建用于生成指数的新变量的能力。来自一个数据源的数据可以通过将其与来自另一个数据源的数据相结合来增强。增强的数据可以存储在MSX数据库中。例如，可以组合跟踪市政当局随时间支出模式的历史数据，以预测未来的税收增长，这可以存储在MSX数据库中。另一个示例是，来自城镇生成的CAFR的税收数据可以与例如由政府机构生成的人口统计数据相结合以生成变量，该变量表明人均税，总人数包括城镇中的所有人或只是那些在特定年龄范围内的人。
技术效果和益处还包括从各种来源收集数据、编码数据以及至少部分地基于编码的数据生成新变量的能力。如本文所述，CAFR中的数据通常不统一。不同市政当局的CAFR通常使用不同的术语，并且不同地对诸如支出和收入等条目进行分类。
技术效果和益处还包括使用基于规则的机器学习以基于MSX数据库中的变量生成指数。可以基于历史数据中找到的相关性和其他依赖性来构建模型，以便基于当前变量(这里也称为数据)来预测重大金融事件的可能性。基于规则的机器学习利用数据的算法挖掘来组合诸如每个市政雇员(第二个变量)的个人收入(一个变量)等变量和诸如每个市政雇员在去年的个人收入变化等变量的衍生物。组合变量和创建新变量用于生成结构模型，该模型准确地识别变量及其衍生物的哪些组合是重大金融事件的最佳预测因子。随着MSX数据库更新并随源数据增长，在MSX数据库中创建的新变量也会增长，并且重新运行基于规则的机器驱动算法以更新结构模型的统计规范。
获取源数据并在以其最不聚合的级别对其进行唯一地编码是新颖的。在公平合理的基础上(on an apples-to-apples basis)将分解的数据组合成可以在各个市政当局之间进行比较的有意义的单元这也是新颖的。通过变量组合创建新变量以及创建这些变量的衍生物也是新颖的，变量包括来自不同来源(经济分析局、人口普查局等)的数据。将资产负债表外和与另一个法律实体相关的其他财务数据与特定市政当局联系起来的能力也是新颖的。得到的MSX数据库基于来自各种来源的源数据生成每个市政当局的新的统计数据，并结合其他变量来创建包括其衍生物的新变量，这也是新颖的。具有将更新的源数据和其他新数据吸收到MSX数据库中的算法过程也是新颖的，MSX数据库自动重新估计结构统计模型的参数。使用输出的参数来更新MFE的预测模型也是新颖的。使用预测值来更新各个指数是新颖的。运行基于规则的算法以将各个指数组合成复合值是新颖的，其中用于创建组合的权重也是基于来自MSX数据库的更新数据利用基于机器的算法周期性地和自动地统计地重新估计的。除了编码之外，更新是通过计算机自动完成的。
此外，如上所述，数据可以存储在区块链上，并且可以通过对最终用户的许可来访问。MSX数据库的订阅者可以访问某些感兴趣的数据，例如市政当局和城镇的每个市政当局的教育支出，或者最大的250个市政当局的税收增加概率，或者给定市政当局列表的源数据。区块链分布允许定制的区块链，允许数据的许多不同的最终用户(订阅者)。区块链技术还允许在其生命周期的所有点处存储数据-源数据、来自CAFR的编码数据、在MSX数据库中创建的新变量、MSX数据库的任何特定字段、特定MFE的概率。
以下阐述了用于创建市政偿付能力指数的方法的一些实施例。
实施例1：非限制性示例方法包括创建市政偿付能力(MSX)数据库，该创建包括收集和编码来自关于多个市政当局的公共来源的数据。基于MSX数据库的内容生成预测模型，该预测模型描述每个市政当局的市政偿付能力的驱动因素和重大金融事件MFE的预测因子。估计每个市政当局的一个或多个MFE的概率，该估计基于预测模型。创建反映至少一个市政当局的偿付能力和MFE概率的指数。输出指数。
实施例2：根据实施例1的方法，其中，从公共来源可获得的数据包括综合年度财务报告CAFR数据、人口统计数据、经济数据和债券市场数据中的一个或多个。
实施例3：根据实施例1-2中任一项的方法，其中，在MSX数据库中的多个市政当局中限定标准报告分类和标准法律实体，从而允许比较不同格式和内容的CAFR。
实施例4：根据实施例1-3中任一项的方法，其中，所述MFE包括税收增加、支出削减、服务恶化、现金流不足和养老金短缺中的一个或多个。
实施例5：根据实施例1-4中任一项的方法，其中，周期性地更新MSX数据库，并且响应于MSX数据库被更新而执行生成、估计和创建。
实施例6：根据实施例1-5中任一项的方法，其中，每个指数对应于单个市政当局。
实施例7：根据实施例1-6中任一项的方法，其中，每个指数对应于多个市政当局。
实施例8：根据实施例1-7中任一项的方法，其中，所述MSX数据库包括跨多年的每个市政当局的数据。
实施例9：根据实施例1-8中任一项的方法，进一步包括确定要包括为MFE的财务事件。
实施例10：根据实施例1-9中任一项的方法，其中，所述确定基于MSX数据库中的数据的分析。
实施例11：一种系统，包括具有计算机可读指令的存储器；用于执行计算机可读指令的一个或多个处理器，所述计算机可读指令控制一个或多个处理器执行实施例1-10中任一个。
实施例12：一种计算机程序，包括计算机存储介质，该计算机存储介质具有与其一起实施的程序指令，该程序指令可由处理器执行以使该过程实现实施例1-10中的任何一个。
应当理解，本发明的各方面可以实施为系统、方法或计算机程序产品，并且可以采用硬件实施例、软件实施例(包括固件、常驻软件、微代码等)，或其组合的形式。此外，本发明的各方面可以采取在一个或多个计算机可读介质中实施的计算机程序产品的形式，该一个或多个计算机可读介质具有在其上呈现的计算机可读程序代码。
可以使用一个或多个计算机可读介质。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是例如但不限于电子、磁、光、电磁、红外或半导体系统、装置或设备，或者前述的任何合适的组合。计算机可读存储介质的更具体示例(非详尽列表)将包括以下内容：具有一条或多条导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光纤、便携式光盘只读存储器(CD-ROM)、光学存储装置、磁存储装置或任何上述的适当组合。在一个方面，计算机可读存储介质可以是包含或存储程序的有形介质，该程序由指令执行系统、装置或设备使用或与其结合使用。
计算机可读信号介质可以包括其中呈现计算机可读程序代码的传播的数据信号，例如，在基带中或作为载波的一部分。这种传播信号可以采用多种形式中的任何一种，包括但不限于电磁、光学或其任何合适的组合。计算机可读信号介质可以是非计算机可读存储介质并且可以通信、传播或传输程序以供指令执行系统、装置或设备使用或与其结合使用的任何计算机可读介质。
计算机可读介质可以包含在其上实施的程序代码，其可以使用任何适当的介质传输，包括但不限于无线、有线、光纤电缆、RF等或者前述的任何合适的组合。另外，用于执行实现本发明的各方面的操作的计算机程序代码可以以一种或多种编程语言的任何组合来编写，编程语言包括诸如Java、Smalltalk、C++等面向对象的编程语言和诸如“C”编程语言或类似的编程语言等传统的过程编程语言。程序代码可以作为独立的软件包，完全在用户的计算机上执行、部分在用户的计算机上执行、部分在用户的计算机上且部分在远程计算机上执行、或完全在远程计算机或服务器上执行。
应当理解，本文中参考根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各方面。将理解，流程图图示和/或框图的每个框或步骤，以及流程图图示和/或框图中的框或步骤的组合可以由计算机程序指令实现。可以将这些计算机程序指令提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以生成机器，使得通过计算机的处理器或其他可编程数据处理装置执行的指令创建用于实现流程图和/或框图块中指定的功能/动作的装置。
这些计算机程序指令还可以存储在计算机可读介质中，该计算机可读介质可以指示计算机、其他可编程数据处理装置或其他设备以特定方式运作，使得存储在计算机可读介质中的指令生成包括实现流程图和/或框图块或框中指定的功能/动作的指令的制品。计算机程序指令还可以被加载到计算机、其他可编程数据处理装置或其他装置上，以使得在计算机、其他可编程装置或其他装置上执行一系列操作步骤以生成计算机实现的过程，使得在计算机或其他可编程装置上执行的指令提供用于实现在流程图和/或框图块或框中指定的功能/动作的过程。
另外，本文描述的一些实施例与“指示”相关联。如本文所使用的，术语“指示”可用于指代指示主题、项目、实体和/或其他对象和/或想法或与这些相关联的任何标记和/或其他信息。如本文所使用的，短语“指示……的信息”和“标记”可用于指代表示、描述和/或以其他方式与相关实体、主题或对象相关联的任何信息。信息标记可以包括例如代码、参考、链接、信号、标识符和/或其任何组合和/或与信息相关联的任何其他信息表示。在一些实施例中，信息标记(或指示信息)可以是或包括信息本身和/或信息的任何部分或组成。在一些实施例中，指示可以包括要求、请求、广播和/或任何其他形式的信息收集和/或传播。
在该专利申请中描述了许多实施例，并且仅出于说明性目的而给出了这些实施例。所描述的实施例在任何意义上都不是，并且不旨在是限制。如从本公开中显而易见的，本发明公开的发明可广泛应用于许多实施例。本领域普通技术人员将认识到，所公开的发明可以通过各种修改和替换来实践，例如结构、逻辑、软件和电气修改。尽管可以参考一个或多个特定实施例和/或附图来描述所公开发明的特定特征，但是应该理解，除非另有明确说明，否则这些特征不限于在一个或多个特定实施例或描述实施例所参考的附图中使用。
除非另有明确说明，否则彼此通信的装置不需要彼此连续通信。相反，这些装置仅需要根据需要或期望彼此发送，并且实际上可以在大多数时间实际上避免交换数据。例如，通过因特网与另一台机器通信的机器可能不会一次数周地向另一台机器传输数据。另外，彼此通信的装置可以通过一个或多个中介直接或间接地通信。
具有若干组件或特征的实施例的描述并不意味着需要所有或甚至任何这样的组件和/或特征。相反，描述了各种可选组件以说明本发明的各种可能的实施例。除非明确说明，否则没有组件和/或功能是必须的或需要的。
此外，尽管可以按顺序描述处理步骤、算法等，但是这样的处理可以被配置为以不同的顺序工作。换句话说，可能明确描述的任何顺序或步骤顺序不一定表示要求以该顺序执行步骤。本文描述的过程的步骤可以以任何实际的顺序执行。此外，尽管被描述或暗示为非同时(例如，因为在另一步骤之后描述了一个步骤)发生，但是可以同时执行一些步骤。此外，通过附图中的描绘来说明过程并不意味着所示过程不包括对其的其他变化和修改，并不意味着所示过程或其任何步骤对于本发明是必需的，并且不是意味着所示过程是优选的。
“确定”某事可以以各种方式执行，因此术语“确定”(和类似术语)包括计算、处理、推导、查找(例如，在表格、数据库或数据结构中)、确定等。
显而易见的是，本文描述的各种方法和算法可以通过例如适当和/或专门编程的通用计算机和/或计算装置来实现。通常，处理器(例如，一个或多个微处理器)将从存储器或类似装置接收指令，并执行那些指令，从而执行由那些指令限定的一个或多个处理。此外，可以以多种方式使用各种媒介(例如，计算机可读介质)来存储和发送实现这些方法和算法的程序。在一些实施例中，可以使用硬连线电路或定制硬件来代替软件指令或与软件指令相结合，以实现各种实施例的过程。因此，实施例不限于硬件和软件的任何特定组合。
“处理器”通常表示任何一个或多个微处理器、CPU装置、计算装置、微控制器、数字信号处理器或类似装置，如本文进一步描述的。
术语“计算机可读介质”是指参与提供可由计算机、处理器或类似装置读取的数据(例如，指令或其他信息)的任何介质。这种介质可以采用许多形式，包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括例如光盘或磁盘和其他永久存储器。易失性介质包括通常构成主存储器的DRAM。传输介质包括同轴电缆、铜线和光纤，包括包含耦合到处理器的系统总线的导线。传输介质可以包括或传送声波、光波和电磁发射，例如在RF和IR数据通信期间生成的那些。计算机可读介质的常见形式包括例如，磁盘、软盘、硬盘、磁带、任何其他磁介质、CD-ROM、DVD、任何其他光学介质、穿孔卡、纸带、任何其他具有孔图案的物理介质、RAM、PROM、EPROM、FLASH-EEPROM、任何其他存储芯片或盒式磁带、载波或计算机可读取的任何其他介质。
术语“计算机可读存储器”通常可以指代不包括诸如波形、载波、电磁发射等传输介质的计算机可读介质的子集和/或类。计算机可读存储器通常可以包括其上存储数据(例如，指令或其他信息)的物理介质，诸如光盘或磁盘和其他永久存储器、DRAM、磁盘、软盘、硬盘、磁带、任何其他磁介质、CD-ROM、DVD、任何其他光学介质、穿孔卡、纸带、任何其他带孔图案的物理介质、RAM、PROM、EPROM、FLASH-EEPROM、任何其他内存芯片或盒式磁带、计算机硬盘、备份磁带、通用串行总线(USB)存储装置等。
各种形式的计算机可读介质可以涉及将数据(包括指令序列)传送到处理器。例如，指令序列(i)可以从RAM传送到处理器，(ii)可以通过无线传输介质传送，和/或(iii)可以根据诸如蓝牙TM、TDMA、CDMA、3G等许多格式、标准或协议被格式化。
在描述数据库的情况下，本领域普通技术人员将理解，(i)可以容易地采用所描述的那些结构的替代数据库结构，以及(ii)可以容易地采用除数据库之外的其他存储器结构。本文呈现的任何样本数据库的任何说明或描述是存储的信息表示的说明性布置。除了通过例如附图或其他地方所示的表格所建议的那些之外，可以采用任何数量的其他布置。类似地，数据库的任何所示条目仅表示示例性信息；本领域普通技术人员将理解，条目的数量和内容可以与本文描述的那些不同。此外，尽管将数据库描述为表，但是可以使用其他格式(包括关系数据库、基于对象的模型和/或分布式数据库)来存储和操纵本文描述的数据类型。同样地，数据库的对象方法或行为可用于实现诸如本文所述的过程等各种过程。另外，数据库可以以已知的方式本地存储或相对访问这种数据库中的数据的装置远程存储。
本文使用的术语仅用于描述特定实施例的目的，并不意图限制本发明。如本文所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文另有明确说明。将进一步理解，当在本说明书中使用时，术语“包括”和/或“包含”指定所述特征、整数、步骤、操作、元素和/或组件的存在，但不排除一个或多个其他特征、整数、步骤、操作、元素组件和/或其组的存在或者添加。

Claims (20)

1.一种计算机实现的方法，包括：
创建市政偿付能力数据库，所述创建包括收集和编码来自关于多个市政当局的公共来源的数据；
基于市政偿付能力数据库的内容生成预测模型，所述预测模型描述每个市政当局的市政偿付能力的驱动因素和重大金融事件的预测因子；
估计每个市政当局的一个或多个重大金融事件的概率，所述估计基于预测模型；
创建反映至少一个市政当局的偿付能力和重大金融事件概率的指数；以及
输出指数。
2.根据权利要求1所述的方法，其中，从公共来源能获得的数据包括综合年度财务报告数据、人口统计数据、经济数据和债券市场数据中的一个或多个。
3.根据权利要求1所述的方法，其中，在市政偿付能力数据库中的多个市政当局中限定标准报告分类和标准法律实体，从而允许比较不同格式和内容的综合年度财务报告。
4.根据权利要求1所述的方法，其中，所述重大金融事件包括税收增加、支出削减、服务恶化、现金流不足和养老金短缺中的一个或多个。
5.根据权利要求1所述的方法，其中，周期性地更新市政偿付能力数据库，并且响应于市政偿付能力数据库被更新而执行所述生成、估计和创建。
6.根据权利要求1所述的方法，其中，每个指数对应于单个市政当局。
7.根据权利要求1所述的方法，其中，每个指数对应于多个市政当局。
8.根据权利要求1所述的方法，其中，所述市政偿付能力数据库包括跨多年的每个市政当局的数据。
9.根据权利要求1所述的方法，还包括确定要包括为重大金融事件的财务事件。
10.根据权利要求9所述的方法，其中，所述确定基于对市政偿付能力数据库中的数据的分析。
11.一种系统，包括：
存储器，具有计算机可读指令；以及
一个或多个处理器，用于执行计算机可读指令，所述计算机可读指令包括：
创建市政偿付能力数据库，所述创建包括收集和编码来自关于多个市政当局的公共来源的数据；
基于市政偿付能力数据库的内容生成预测模型，所述预测模型描述每个市政当局的市政偿付能力的驱动因素和重大金融事件的预测因子；
估计每个市政当局的一个或多个重大金融事件的概率，所述估计基于预测模型；
创建反映至少一个市政当局的偿付能力和重大金融事件概率的指数；以及
输出指数，
创建市政偿付能力数据库，所述创建包括收集和编码来自关于多个市政当局的公共来源的数据；
基于市政偿付能力数据库的内容生成预测模型，所述预测模型描述每个市政当局的市政偿付能力的驱动因素和重大金融事件的预测因子；
估计每个市政当局的一个或多个重大金融事件的概率，所述估计基于预测模型；
创建反映至少一个市政当局的偿付能力和重大金融事件概率的指数；以及
输出指数。
12.根据权利要求11所述的系统，其中，从公共来源能获得的数据包括综合年度财务报告数据、人口统计数据、经济数据和债券市场数据中的一个或多个。
13.根据权利要求11所述的系统，其中，在市政偿付能力数据库中的多个市政当局中限定标准报告分类和标准法律实体，从而允许比较不同格式和内容的综合年度财务报告。
14.根据权利要求11所述的系统，其中，所述重大金融事件包括税收增加、支出削减、服务恶化、现金流不足和养老金短缺中的一个或多个。
15.根据权利要求11所述的系统，其中，周期性地更新市政偿付能力数据库，并且响应于市政偿付能力数据库被更新而执行所述生成、估计和创建。
16.根据权利要求11所述的系统，其中，所述市政偿付能力数据库包括跨多年的每个市政当局的数据。
17.根据权利要求11所述的系统，其中，所述确定基于对市政偿付能力数据库中的数据的分析。
18.一种计算机程序产品，包括计算机可读存储介质，所述计算机可读存储介质包含程序指令，所述程序指令能由处理器执行以使所述处理器执行：
创建市政偿付能力数据库，所述创建包括收集和编码来自关于多个市政当局的公共来源的数据；
基于市政偿付能力数据库的内容生成预测模型，所述预测模型描述每个市政当局的市政偿付能力的驱动因素和重大金融事件的预测因子；
估计每个市政当局的一个或多个重大金融事件的概率，所述估计基于预测模型；
创建反映至少一个市政当局的偿付能力和重大金融事件概率的指数；以及
输出指数。
19.根据权利要求18所述的计算机程序产品，其中，在市政偿付能力数据库中的多个市政当局中限定标准报告分类和标准法律实体，从而允许比较不同格式和内容的综合年度财务报告。
20.根据权利要求18所述的计算机程序产品，其中，所述确定基于对市政偿付能力数据库中的数据的分析。
CN201780085947.9A 2016-12-07 2017-12-07 一种评估的方法和系统 Pending CN110383320A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662431026P 2016-12-07 2016-12-07
US62/431,026 2016-12-07
PCT/US2017/065041 WO2018106879A1 (en) 2016-12-07 2017-12-07 Municipal solvency index

Publications (1)

Publication Number Publication Date
CN110383320A true CN110383320A (zh) 2019-10-25

Family

ID=62243800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780085947.9A Pending CN110383320A (zh) 2016-12-07 2017-12-07 一种评估的方法和系统

Country Status (4)

Country Link
US (2) US20180158158A1 (zh)
EP (1) EP3552174A4 (zh)
CN (1) CN110383320A (zh)
WO (1) WO2018106879A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10592993B2 (en) * 2017-09-29 2020-03-17 Oracle Financial Services Software Limited Computerized transaction management module for blockchain networks
US11615100B2 (en) * 2018-06-28 2023-03-28 Sony Corporation Information processing apparatus, information processing method, and computer program
US11392613B2 (en) 2018-11-01 2022-07-19 Washington University Systems and methods for probabilistic blockchains
US20220138260A1 (en) * 2020-10-30 2022-05-05 Here Global B.V. Method, apparatus, and system for estimating continuous population density change in urban areas
US11756040B2 (en) * 2021-08-09 2023-09-12 Kevin Wayne Marcum System and method for generating a contention scheme

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140330620A1 (en) * 2013-05-02 2014-11-06 Frank Abella Computer-implemented system and method for benchmarking, accounting, analysis, and cost forecasting
CA2864318A1 (en) * 2013-09-17 2015-03-17 Darwin & Davinci, Unltd., Llc Asset collective redirection leverage multiplier platform apparatuses, methods and systems

Also Published As

Publication number Publication date
EP3552174A1 (en) 2019-10-16
US20200334770A1 (en) 2020-10-22
WO2018106879A1 (en) 2018-06-14
US20180158158A1 (en) 2018-06-07
EP3552174A4 (en) 2020-05-27

Similar Documents

Publication Publication Date Title
Fang et al. Cryptocurrency trading: a comprehensive survey
US20220343432A1 (en) Machine learning architecture for risk modelling and analytics
Bellini IFRS 9 and CECL Credit Risk Modelling and Validation: A Practical Guide with Examples Worked in R and SAS
US10453142B2 (en) System and method for modeling and quantifying regulatory capital, key risk indicators, probability of default, exposure at default, loss given default, liquidity ratios, and value at risk, within the areas of asset liability management, credit risk, market risk, operational risk, and liquidity risk for banks
KR100796058B1 (ko) 예비 실사 문제에 관한 협력 방법과 시스템 및 컴퓨터
CN110383320A (zh) 一种评估的方法和系统
US20090043637A1 (en) Extended value and risk management system
US20040015376A1 (en) Method and system to value projects taking into account political risks
Gan et al. Efficient greek calculation of variable annuity portfolios for dynamic hedging: A two-level metamodeling approach
US20140258175A1 (en) Generating Personalized Investment Recommendations
Kolodiziev et al. Use of causal analysis to improve the monitoring of the banking system stability
JP2018503927A (ja) 投資証券の複合ポートフォリオのセグメント化及び層化
CN111383091A (zh) 一种资产证券化定价方法和装置
Barone-Adesi et al. Estimating the joint tail risk under the filtered historical simulation: An application to the CCP’s default and waterfall fund
Subekti et al. Toward the Black–Litterman with Shariah-compliant asset pricing model: a case study on the Indonesian stock market during the COVID-19 pandemic
Rodríguez-González et al. FAST: Fundamental analysis support for financial statements. Using semantics for trading recommendations
Vezeris et al. Profitability Edge by Dynamic Back Testing Optimal Period Selection for Technical Parameters Optimization, in Trading Systems with Forecasting: The d-BackTest PS method
Terraza et al. The nexus between the volatility of Bitcoin, gold, and American stock markets during the COVID-19 pandemic: evidence from VAR-DCC-EGARCH and ANN models
Kahyaoglu et al. Financial connectedness of energy and commodity markets and systemic risk
Kartiwi et al. Sukuk rating prediction using voting ensemble strategy
Niknya et al. Financial distress prediction of Tehran Stock Exchange companies using support vector machine
Savchenko et al. Development of software architecture and machine learning modules of robo-advisor system for personalized investment portfolio generation
Kellerman Analysing the investor life cycle in a South African universal bank
Taburoğlu Hisse senedi fiyat hareketlerinin tahmini için makine öğrenim teknikleri ile derinlik ve teknik analizi entegre eden hibrit ve güvenilir bir yöntem
JP2005234621A (ja) 資産管理システム及び資産管理プログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191025

WD01 Invention patent application deemed withdrawn after publication