CN1378673A - 为优化认购而有效采样有价证券的方法和系统 - Google Patents

为优化认购而有效采样有价证券的方法和系统 Download PDF

Info

Publication number
CN1378673A
CN1378673A CN00806994A CN00806994A CN1378673A CN 1378673 A CN1378673 A CN 1378673A CN 00806994 A CN00806994 A CN 00806994A CN 00806994 A CN00806994 A CN 00806994A CN 1378673 A CN1378673 A CN 1378673A
Authority
CN
China
Prior art keywords
assets
securities
computing machine
class
subscribing
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
CN00806994A
Other languages
English (en)
Inventor
T·K·凯斯
C·D·约翰森
R·P·梅斯默
M·T·埃加
N·卡波尔
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.)
GE Corporate Financial Services Inc
Original Assignee
GE Capital Commercial Finance Inc
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 GE Capital Commercial Finance Inc filed Critical GE Capital Commercial Finance Inc
Publication of CN1378673A publication Critical patent/CN1378673A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis
    • 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
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Technology Law (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Complex Calculations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种通过部分完全认购(14)、部分采样认购(34)和对剩余部分的推断评估(40)评估大宗资产(12)的方法(32),它使用所有资产的一种重复和适应的指导(206)和不指导(208)的统计评估和从该评估中抽取的统计推断并加以应用以产生推断的资产价值。以关系表产生和开列各个资产价值,使得各个资产价值可以为投标的目的被迅速从表中取出并以任何希望的或者要求的方式迅速分组。资产被收集到数据库(76)中,根据信用变量分成类目(48,50),相对于这些变量通过分等细分,然后各个分级。然后根据投标分组以及通过累积各个估值建立的集体的估值把资产重新分组。

Description

为优化认购而有效采样有价证券的方法和系统
相关申请的交叉参考
本申请要求1999年12月30日递交的美国临时申请No.60/173,957的权利，其全部结合在这里作为参考。
发明背景
本发明一般涉及用于金融证券(financial instrument)的评估方法，尤其涉及迅速评估大量金融证券。
诸如贷款，例如一万的贷款或其它金融证券的大量资产，有时由于经济条件、计划的或未计划的资产剥夺或作为法律赔偿可变得用来出售。数千商业贷款或其它有时包括等价于数十亿美元资产的金融证券的出售有时必须在几个月内发生。当然，资产的出售者希望使其有价证券的价值最优，有时把资产分组成“一部分或一批债券”(tranch)(以下简称“批”)。这里所用的“批”这一术语不限于外国票据，而还包括资产和金融证券分组，而不管国家或管辖权。
投标商对所有批或仅一些批投标。为赢得一批，投标商通常必须为该批递交最高的投标。关于决定对一特定批递交的投标量，投标商常常雇佣证券认购者在一批内并在可用的有限时间内评估尽可能多的资产。当递交投标的时间快要到期时，投标商将估价在此时认购(underwritten)的资产，然后尝试外推尚未由证券认购者分析的资产的价值。
作为这一过程的结果，投标商可能显著低估一批的价值，从而递交一个没有竞争力的投标或者比认购值高的投标并承担未量化风险。当然，因为目的是以能使一个投标商获得回报的价格赢的每一批，所以由于显著低估该批表示丧失了机会。因此希望提供一个系统，该系统能够便利在短的时期内准确评估大量金融证券并理解对于一个给定投标的回报和风险的相关概率。
发明概述
在一个示例实施例中，提供了一种循环和适应性方法，其中，有价证券(portfolio)被分成3种主要的估值。第一类资产有价证券的估值的完全认购根据一个不利的样本执行。第二估值类型从普通说明性属性的类目中有效地采样，并且完全认购在选择的随机样本中的资产。第三估值类型使用认购价值和第一和第二部分的差异进行统计推断评估，并应用统计推断对在第三部分中的每一资产分别估值。在估值第三部分时使用聚类和数据缩减。
随着处理进行和更多的资产被认购，在第一和第二部分中具有建立起的价值的资产的数目增加，而在第三部分中的资产的数目减少，并且在第三部分中的资产的估值的变化越来越确定。更具体说，通过根据对在第一和第二部分中的资产的估值的相似性把资产分组为具有价值概率的类来评估第三部分中的资产。在任何时候，存在有价证券的价值的一种符号表示法，但是随着过程进行对估值的可信度增加。使用估值产生假设投标以决定在由投标商确定的参数内的一个最优投标。通过一个反复的投标产生过程确定最优投标。
附图的简要说明
图1是一个流程图，表示用于资产的有价证券估值的已知过程；
图2是一个流程图，表示根据本发明的一个实施例估值资产的有价证券；
图3是一个流程图，更详细地表示一个用于大资产有价证券迅速估值过程的第一部分的一个实施例，它把资产分成具有变化的类目；
图4是一个流程图，表示为大资产有价证券的迅速估值过程的第二部分，它从一个基合计到批或有价证券基；
图5表示为示例资产的一个概率分布，该示例资产的回收值由推断获得；
图6是图3过程的一个指导学习步骤的流程图；
图7是图3过程的一个不指导学习步骤的流程图；
图8是一个不指导学习过程的一个实施例；
图9是第一代(第一遍)迅速资产估值过程的一个实施例；
图10是在图8的不指导学习中使用的模糊聚类方法的流程图；
图11是一对表，表示为一个迅速资产估值过程的模型选择和模型加权的一个例子；
图12是一张表，表示为一个迅速资产估值过程的示例属性；
图13是为一个迅速资产估值过程的示例聚类方法的一个类示意图；
图14是一个计算机网络原理图。
发明的详细描述
图1是一个示意图10，表示估值一个大资产有价证券12的已知方法，它通过一个认购周期和通过为例如在拍卖中购买资产有价证券12而投标实现这一估值。图1是一个典型的认购和外推过程10的高层略图，它不是重复的和自动的。在示意图10中，认购者认购14有价证券12中的一些单个资产，产生一个认购的第一部分16和一个未接触的剩余部分18。在任何资产被认购前，第一部分16的百分比是零，而剩余部分18是有价证券12的百分之百。随着认购过程进行，第一部分16增加，而剩余部分18减少。目的是为在购买资产有价证券的投标递交之前认购尽可能多的资产。认购者小组继续单个认购14直到必须要递交投标之前。进行一个粗略的外推20来评估剩余部分18。外推的价值20成为未认购的推断价值24。粗略外推为剩余部分18产生一个估值24。估值22只是在第一部分16中的各个资产价值的总和。然而，估值24是由外推产生的一个组估值，可以相应打折。然后把估值22和24相加，产生有价证券资产价值26。对有价证券的每一批执行估值过程。
图2是一个示意图，表示用于快速资产评估的一个系统28的一个实施例。在图2中包括的是由系统28在估价资产有价证券12中采取的处理步骤的表示。系统28分别估价(“接触”)每一资产，除了从统计上考虑不重要或金融上无形的非常少量的未接触资产30。具体说，有价证券12中的所有资产除了数量30外都经历反复的和适应性评估32，其中有价证券12中的资产分别估值，分别列在表中，然后从表中选择，为投标的目的归入任何希望的或需要的组或批中(下面会说明)。如在示意图10中所示，认购者开始对有价证券12中的各个资产完全认购14，产生资产的一个完全认购的第一部分16。认购者还认购34有价证券12的第二部分36中的资产样本，计算机38统计推断40有价证券12的第三部分42的价值。计算机38还重复产生44多个表(下面说明)，表示分配给在部分16、36和42中的资产的价值，这在下面说明。在一个实施例中，计算机38配置为一个独立的计算机。在另一个实施例中，计算机38配置为一个通过网络(在图14中表示和说明)连接到至少一个客户系统的服务器，所述网络可以是广域网(WAN)或者是局域网(LAN)。
例如，仍然参考图2，有价证券12的第三部分42的一个未采样的和未认购的部分46使用模糊C方法聚类(FCM)和一个组合的高/期望/低/定时/风险(HELTR)分数而经历统计推断过程40以产生两个类目48和50。HELTR定义为H-高现金流量，E-期望的现金流量，L-低现金流量，T-现金流量的定时(例如以月：0-6，7-18，19-36，37-60)，R-用借方的风险评估(由信用分析者使用的9-boxer)。类目48被视为为作为整体评估具有足够的共同性。类目50进一步分成类52和54，它们又依次细分。类52分为子类56和58，而类54分为子类60、62和64。类和子类两者都在“树”图66中和在估值框68中作为方块表示。然后把这些各个资产价值为投标的目的重新分组为批70、72和74。销售者可以把任何数目的批组合到任何安排的集合中。
把为有价证券12中的每个资产的各个资产数据(未示出)输入数据库76，从这里根据一个给定的判据80为重复和适应处理32检索选择的数据78。当为评估任何资产建立判据80后，把建立起来的判据80存储到数据库76中为评估数据库76中其它共享这种建立的判据的资产数据使用。于是重复和适应评估过程32产生82估值(下面描述)并把它们分组84为在投标中使用。
图3和图4结合形成表示用于评估一个大的资产有价证券12的系统28(在图2中表示)的一个实施例的功能概要的流程图85。估值过程14、34和40(也参见图2)在系统28中以下面说明的方式同时和顺序使用。如上所述，完全认购14是第一类估值过程。具有样本完全认购的分组和采样认购34是第二类估值过程。统计推断40是第三类估值过程，它是自动分组和自动估值。过程14、34和40基于如下说明建立的目标判据。
这里使用的“认购”指的是一个过程，其中，某人(“认购者”)根据已建立的原则审查一个资产并决定为购买该资产的当前购买价格。在认购期间，认购者使用为评估而预先存在的或建立起来的判据80。“判据”指的是与资产价值和根据这种类目的等级相关的规则。例如，作为一个判据，某个认购者可能决定用借方(borrower)三年的现金流量历史作为与资产评估相关的信息类目，并可能给出对各种现金流量级别一定的等级。
完全认购14以两种方式进行，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88两者都以经过完全单个审查14(见图2)的资产集90和92开始。这种完全审查14通常由于大美元(large dollar)或者其它适合的货币、相对于有价证券中的其它资产被审查的资产量、或者由于用借方如此出名或者如此可靠，以致该资产可以很快而可靠地被完全认购，或者在市场上标价，使得与所述资产的价值很少差别。资产集90由认购人94评估，并且在资产集90中的每一个资产接收一个差别很小的估值，诸如用现金或具有完全现金价值的可贸易商品支持的资产，并放在一个完全价值表96中。存储为表96中的资产选择的各个价值作为完全认购的组价值98。
集92由一个认购者小组100评估，它可与小组94相同，但是每一资产接受一个折扣的或部分价值并放入一个部分价值表102中。存储为在表102中的一批中的资产所选择的各个价值作为部分价值完全认购的组价值104。用于完全现金基础方式86和部分现金基础方式88的判据80(在图2中表示)存储在计算机38(在图2中表示)的数字存储存储器(未示出)中的数据库76(在图2中表示)中，为在自动评估40的指导学习206和不指导学习208中使用。
使用两个过程，完全采样106过程和部分采样108过程，实现采样认购34。完全采样106为大资产类目使用，并且包括被采样的资产类目中的样本组的百分之百采样110。完全采样106中的资产不单独认购，而是在完全采样组112中根据一个决定的共同特性认购。产生一个作为结果的完全采样组估值(未示出)，然后根据规则114取消分隔以产生一个单个完全样本资产价值表116。然后以电子方式上载在表116中的各个完全样本资产价值到为投标所需要的任何完全采样组估值118中，其由分组一批中的资产所建议。在一个认购样本分组中的资产数目可以少到为1至任何资产数目。部分采样108用于中等资产类目，包括由从正被采样的组的一个类中百分之百采样一个代表组并随机采样在该类中的其它组形成一个类样本组120。在部分采样108中，所有组均被采样，但是一些从类样本组120中通过外推而部分估值。部分采样108包括具有手工数据项125的资产级重认购122以产生一个α信用分析者表126，给该表一个资产类调整128以产生一个经对每一类估值的认购人的可信度进行组织评估得分。类号是说明性属性的一个特定集合的唯一的标识符，说明性属性是关于一个资产的事实，熟悉评估的人使用它来评估一个资产的价值。说明性属性的例子包括但不限于支付状态、资产类型、以得分表示的用借方的信用信任度，申领的位置和资历。在一个实施例中，类名是说明类的说明性属性或源的字母数字名。在图12中可以找到说明性属性的一个例子，下面说明。
说明性属性是用于产生资产价值的事实、维数或向量。使用计算机逻辑来检查重复的类，如果有的话，提醒分析者或认购人。
因为每一个资产可以用说明性属性的多种组合说明，因此可能发生为同一资产不同级的价值。概率回收值或信用得分或者资产价值的任何数字指示都是在离散的资产级别上指定的价值的指示符。综合来自各种说明性属性的所有信息，使得能够以一个固定价值或一个概率性的价值断言一个购买或销售价格。这里使用的一个说明性实施例是HELTR得分。每一类有唯一一组说明性属性和指定的HELTR得分。
每一类的唯一属性对类价值的评估都有贡献。属性的不同组合提供一个特定类的得分的更高的可信度或可信度区间。例如，如果任何资产被说明为是具有高度等于2.5”为和宽度等于5”的绿色纸张的话，则人们可能认为其值在0到1000美元之间并给该评估非常小的可信度。如果该同一资产以更多细节或属性或向量说明为是一个实际的20美元的钞票，则人们将对这一20美元的类价值给以非常高的可信度因子。
及时决定并记录类的估值和可信度。有时，新的信息变得可用，分析者愿意改变这些值。这些值使用数据字段和决策规则以通过计算机代码的自动方式手工或自动改变。操作先前的值使反应新的信息。作为一个说明的例子，假定先前的类可信度记录为0.1，并了解到具有在该类中准确说明性属性的一个不同的资产刚刚以超过预测的“最可能”的值售出。规则这样生效，即如果这一事件发生，则类可信度用10乘，0.1×10＝1，这是修改过的类可信度。
这一过程的目的是使对同一资产的多个得分一致，控制与评估的每一维数的估值的每一来源关联的可信度。使用HELTR作为具有对一个特定资产的采样数据点的说明性例子：过调整的信用分析者表130。如上所述，从经过调整的信用分析者表130中按照批分组选择单个资产以产生一个部分采样信用值132用于对批70(在图2中表示)进行投标。
自动评估过程40使用指导学习过程206、不指导学习过程208和从一个统计推断算法134的上载来产生一个认购类表136，它存储在一个数字存储设备中。在指导学习过程206中，一个知道要问什么问题来建立价值的有经验的认购人帮助计算机决定某个资产是否是一个好的投资和如何估值该资产。在不指导学习过程208中，计算机分段和分类资产并根据从数据来的反馈有目的地自评估资产。认购人周期地审查不指导学习过程208以决定计算机是否在做明智的认购结论。计算机使用统计算法134进行它的推断。例如，不作为限制，一个实施例使用由通用电气公司开发和使用的Design For Six Sigma(“DFSS”)的质量范例，并应用在使用一个多代产品开发(“MGPD”)方式的Due Diligence(“DD”)资产估值过程以增加的准确度估值资产数据。学习过程206和208在进行的、实时基础上将随着评估的进展积累的知识结合到现金流量回收和回收概率的计算中。指导学习过程206使用商业规则为评估的目的来识别具有公共特征的资产类。不指导学习过程208使用从先前由过程40执行的数据评估来的反馈来决定相对于增加的评估可信度是否有进步。由于使用高速计算机，识别所有可用的原始数据和发现这些可用原始数据类的相互关系是可能的，这在下面说明。
在一个示例实施例中，使用采取HELTR打分技术不指导组织原始数据的模糊聚类方法(“FCM”)过程来推断有价证券中的资产的信用得分的估值，这在下面说明。这种聚类技术是响应更复杂的分类段来说明在有价证券中必须在不允许手工处理的时间期间内评定的资产和高资产计数开发的。
一个示例方法首先在一个计算机化的系统中组织评估得分(静态的和/或概率回收的)。然后为特殊的因素和商业决策调整该评估得分。然后对说明同一资产的多个评估得分执行一致处理和对审查/推翻推断的估值进行总调整。
通过以电子形式整理类号、类名、类的说明性属性、概率回收值(一个说明的例子是HELTR得分)和基于每一类的说明性属性的强度
类号 类名 高值 期望值 低值 时间 有价值的可信度 高值 期望值 低值 时间
1 扣押权位置-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 配位使用-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
类一致估值是一个高值.6999，最可能是.4792，低值.2374，定时是2.6059。可以应用不同的逻辑来操作任何加权因子。
在总体假定的意义上产生一致得分。如果总体假定改变的话，则在该方法中包括处理步骤128、138来加权该一致得分。说明的例子是在某些评估因素中的虚假发现、宏观经济改变、为一个资产类建立的可代替的市场值、以及相对于正在使用的其它方法的推断资产估值方法的损失或增加。
在另一个实施例中，使用一种交叉相关工具以快速理解和说明一个有价证券的组成。通常，使用该工具把一个用户选择的变量的响应与在一个资产的有价证券中的其它变量相关。该工具快速识别在两个属性变量和该响应变量之间的想不到的高或低相关。属性变量有两类，连续的和范畴的。用相关工具计算在所有感兴趣的变量及其段(bin)或级之间的交叉相关并在一个实施例中用两维矩阵表示，为容易识别在该有价证券中的资产的趋势。
首先，交叉相关工具识别资产的有价证券中的属性变量是连续的还是范畴的。为每一变量计算聚合值，对于连续变量用段(bin)计算，而对于范畴变量用价值。
试图使用该工具识别相关的用户将选择一个响应变量，Yr，例如一个期望的回收或计数。对属性变量对(x1和x2)和它们的级(a和b)的所有组合，计算响应变量Yr的平均值，根据：
Yr＝sum(Y(x1＝a和x2＝b))/count(x1＝a和x2＝b)。
根据下式计算响应变量的一个期望值Yexpect：
Yexpect＝(sum(Y(x1＝a))*count(x1＝a)+sum(Y(x2＝b))*count(x2＝b)))/(count(x1＝a)*count(x2＝b))。
所选择的响应变量Yr从期望值Yexpect的偏差Yerror，分别使用x1＝a和x2＝b出现的加权值，由下式计算：
Yerror＝Yr-Yexpect。
在一个实施例中，以多维显示显示期望值和偏差以便容易识别离开期望值的差异。
在另一个示例实施例中，使用一个变换原始数据为最终投标价格的传递函数过程，其在下面说明。使用在过程14、34和40中产生的经修改的系数以电子方式调整表136，以便为资产的信用得分138进行系数调整以产生推断的各个资产信用价值的一个经调整的信用分析者表140。如批分组所需要的，各个资产价值从表140中取出以产生一个推断的信用估值142。最后对“未接触”资产的可忽略剩余部分30进行外推以产生一个未接触资产的表144。选择表144中的值以产生一个未接触资产估值。
完全现金估值98、部分现金估值104、完全采样信用估值118、部分信用价值132、推断信用价值142和从未接触资产表144指定的任何值累积起来，并以从完全现金估值98到推断的信用价值142连续的优先级互相排斥。这些估值的和表示有价证券的价值。
图4是由系统28(在图2中表示)执行的一个投标准备阶段168的流程图。累积的估值98、104、118、132、142和144在一个风险优选项借贷级评估步骤146中组合。使用一个现金流量定时表150产生一个确定的现金流量桥148来产生一个随机现金流量桥152。建立和使用随机或概率性的现金流量桥152以决定一个建议的批投标价格154，对该批投标价格反复应用一个批模型156直到达到一个一定的阈值158。阈值158例如是大于某价值的一个内部回报率(“IRR”-rateof return)、一个一定的受益时间(“TTP”-time to profit)、和一个正的纯现值(“NPV”-positive net present value)。一般，NPV定义如下：
式中C0是在时间0的投资，C1是在时间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价值。
在保险单的场合，NPV定义为：
式中P是保险费，E是期望的票面费用，C是要求的费用。基本上等式B是如何产生作为利润和加权的期望风险的差的纯收入。注意，总和是对在一个特定段内所有保险单相加。另外注意，所有保险费、票面费用和要求的费用在进入等式前已经打过折扣。作为结果，产生一个可获利润分数。
如果满足阈值条件160，则投标154接受一个模拟的开标分析161以预测该投标是否可以期望得标。密封投标拍卖的结果取决于从每一个投标人接收的投标的大小。拍卖的执行包括打开所有投标和把拍卖的项目卖给最高的投标者。在传统的密封投标拍卖中，一旦投标人的投标被递交就不允许投标人改变他们的投标，投标人在开标前也不知道由其他投标人投的标，使拍卖的结果不确定。通过投较高的标，赢得拍卖的可能性更高，但是如果可能以一个较低的价格赢得该拍卖的话价值增益更低。
模拟竞争投标增加获取更高可获利润率的可能性，它通过设定一个具有倾向的投标/销售价格的范围，在人们拥有资金前耗尽任何竞争的投标人的资金，使得最希望的资产事务以最高的资本储备交易。定价决策通过分析上健壮的处理带入焦点，因为纯粹奇闻轶事的商业判断可以由不受限于隐藏的日程、个性或片面的知识的数据驱动方法放大。
每一个可能的投标商都具有一个可以递交给一个密封投标拍卖的可能的投标范围。该投标范围可以表示为一个统计分布。通过从投标值的分布随机采样，可以模拟一个可能的拍卖方案。另外通过使用重复采样技术，例如Monte Carlo分析，可以模拟许多方案来产生一个结果分布。该结果分布包括赢得拍卖项目和价值增益的可能性。通过改变人们自己的投标价值，可以决定相对人们自己的投标价赢得拍卖的可能性。
使用下面的核心元素来模拟一个竞争投标收益，编篡市场规则和合同为计算机化的商业规则，编篡可能的竞争/市场力，预见预算和优先级到一个优选项阵列中，某人自己的投标能力、优选项、与编篡进一个优选项阵列一致的风险/回报权衡，和计算机化的随机优化。
分析160模拟与具有相对于由系统28计算的投标不同的各种金融能力投标的其它公司的一个竞争环境。在一个实施例中，分析160，作为一个例子但不作为限制，包括一个总投标限制，诸如在资产的总价值超过使用系统28的实体的金融能力的场合。在一个实施例中，在这种对投标有有限资源的场合，分析160可以估价对不同批组合投标的可获利润率。分析160还考虑过去对已知竞争者的投标历史和竞争投标商喜欢的不同类型资产的信息。在分析160中，批投标然后被评估和由管理162设定，并决定最终批投标164。在进行投标164之前的所有评估可以根据意愿重复。另外，因为该过程是自调节的和重复的，因此，随着通过由系统28执行重复发现越来越多的价值，批投标价格164趋向上升。
由流程图85说明的过程包括一个评估阶段166(在图3中表示)和一个投标准备阶段168(在图4中表示)。评估阶段166包括过程14、34和40。评估阶段166持续运行直到停止，以自动评估过程40和采样过程34试图在各种资产或资产类目中发现额外的价值。
再次参考图2，并按照迅速资产评估，就每一资产识别在有价证券12的资产内的数据类目170、172和174并存储在数据库76中。重复和适应性评估过程取选择的数据部分78并以统计方式应用判据80到选择的数据部分78以增加已知的资产价值而不是作为一个粗略外推20的资产价值。按照方法28把资产分成至少第一部分16、第二部分36和第三部分或剩余42。使用过程14，在部分16中的资产被完全认购以决定估值98和部分价值完全认购估值104和建立为这种估值的判据80。使用过程34，过程28从第二部分36中采样第二部分36中的组的代表的一定数量的资产以决定为第二部分36的完全采样组估值118和部分采样信用值132，并为这种估值建立另外的判据80。使用过程40，部分指导学习过程206和部分不指导学习过程208由诸如图2的计算机38这样的自动分析器执行。为了学习，自动分析器抽取建立的判据80和关于第三部分或剩余42的所选择的数据78，并把第三部分42分成多个部分46，然后使用从数据库76和过程206和208每一个中引入的判据80进一步把每一部分46分成类目48和50，类目50分成类52、54，类52、54分成子类56、58、60、62和64。通过统计推断为在子类56、58、60、62和64中的资产建立各个资产估值。
各个资产估值列在类表136中(见图3)并在调整138后列在信用分析者表140中。建立的判据80是有目标的，因为判据80来自数据库76，它们在完全认购过程14和采样认购过程34期间已经被放在那里。换句话说，在完全价值表96、部分价值表102、表116、α信用分析者表126、经调整的信用分析者表130、经调整的信用分析者表140和对于所有资产的未接触资产表144中获得的信息放在诸如计算机38的硬盘存储器的数字存储设备中的数据库76中，并由过程40用来自过程14和34的判据80进行相关。在过程40执行期间，输入判据80，它们具有带一个可接受的可信度的统计意义。也就是说，过程40在其估值和建立判据80时重复学习。指导学习过程206和不指导学习过程208增加统计推断估值142的准确度，这通过与在数据库76中建立起来的关于在完全认购的第一部分16中的资产和在样本认购的第二部分36中的资产的判据相关而实现。在数据库76中定位类似关于在部分16和/或36中的资产选择的数据78而与在第三部分42中的一个或者多个资产相关的选择的数据78，然后通过统计推断，从定位的信息中决定为在第三部分42中的每一资产的价值。
在执行由流程图85说明的过程期间，在单个资产的级上估值资产，并把各个资产值列表或以一种或多种组合分组。为对不同的投标方案有最大灵活性，估值有价证券12的任何子集并分别在一个特定的时间范围内定价。在已知的过程10中，如果资产的销售者重新分组资产，例如从按资产公司的分组到按用借方的地理位置的分组，则投标的重新估值可能是不适当的，因为需要执行粗略外推20。在使用系统28时，因为单个资产价值被产生并列在表96、102、116、130、140和144中，因此这些价值可以以电子方式重组到不同的估值98、104、118、132、142中，它们的“食物链”选择判据互相排斥，并可由进行评估的分析者选择，其在下面进一步说明。如果销售者分组资产，然后容易根据销售者组或批进行分组并为该批产生一个适当的估值146。这样，各个资产价值很容易为第三部分42重新分组而有目的地获得为该组或批的推断估值142。
可以使用许多方法建立资产价值。取决于评估的目的，不同评估方法的相对的优点建立为一个特定资产的评估技术的满意性。一种方法类似一个“食物链”，它保存假设发展方法，但是选择具有最高可信区间的区间。
在食物链的一个介绍性的说明例子中，某人可能相对于个人的观点更喜欢通过在公开的市场上的相似的资产贸易来估值一个金融资产。在等级顺序中，优于个人的观点选择市场对市场的价值。
以相同的方法可以通过一些评估技术评估具有预测现金流量回收的有价证券中的资产。典型的目的是以尽可能高的可用概率建立将来的现金流量。以准确定量现金流量或现金等价物的能力排序评估方法，以最小的下差和/或最大的上差预测。使用具有优点或可能具有为消除重复工作的商业逻辑规则的所有可用的方法估值资产，同时知道，一旦使用最好的方法，更准确的方法将不需评估资产的估价。
为对资产价值提供最好的预测，在食物链内使用每一种方法评估资产，直到为每一特定资产使用可用的最好方法估值。一旦找到这一最好价值，则说该资产有它的价值，而不管在食物链中其它较低的值(具有更大的偏差)，并发送到完成状态。
作为一个例子，使用食物链评估资产的一个有价证券。在该食物链中的第一评估方法是最接近配合评估目的的一种-亦即找到具有最高准确度的价值(最紧的可信度区间)。一旦用为对于该唯一资产建立了一个价值的方法估值该资产，就将其送往估值表并从食物链的任何其它步骤中清除。不匹配任何评估方法的原来的有价证券中的资产表保存在未接触资产表中。目的是驱动这一未接触表为零资产。
食物链的一个例子如下，以优选项的顺序。(a)手中有为资产的100％的现金，(b)手中有为该资产的部分现金，(c)为相似资产的易变卖市场价值，(d)直接认购，(e)推断认购。
食物链方法提供找到最好概率分布形状的能力，减少概率分布偏差(特别是在下侧的尾部)，提供迅速建立概率分布的能力，同时在一批顾客中保持所有可用知识，和提供为在发现过程中任何一点提供最好的价值评估的能力。
如图4所示，投标准备阶段168的一般框架是类似选项评估范例给投标164定价，这里获赢的投资者将有权，但不是责任，回收投资。该价值对于每一批取消分隔为3部分，钱的时间价值分量，固有价值分量，可携带现金流量分量。钱的时间价值和固有价值按确定性地计算，并一旦建立则很少偏差。钱的时间价值通过用一个公司为一次低风险投资的资本成本乘以为表示为另外可选择的投资的可应用期间的投资计算，这一另外可选择的投资为了当前的投资而已经过去。固有值公知是可变卖资产价值，它超过购买价格并在控制资产后立即可用。一个实施例是良好交易的证券，它作为有价证券的一部分以低于市场价值购买。可能的现金流量偏差是一个适度努力的小组所作的假定和它选择用以变换原始数据为一个现金流量回收流过程的函数。配置这里说明的系统以减少负偏差和找到价值。
图5是为一个典型的最小3点资产评估180的三角概率分布图。根据过程40，评估每一种金融证券的最少3种情况。竖轴182指示增加的概率，横轴184指示回收增加的部分。表示出面值线(face valueline)188的偿还或最差情况百分比186、面值188的最佳情况百分比190、和面值188的最可能情况百分比和回收值192。最差情况百分比186的概率是零，最佳情况方案190的概率是零，回收的最可能百分比192的概率194是由点196表示的值。在由连接点186、196和190的线定义的曲线200下面的面积198的大小是该资产的价值表示。在由面值188的100％回收的100％概率线204为边界的矩形的区域202保持记数资产值，它是面值188可以归于由曲线200表示的资产的那部分的测量。点186、196和190和线188和204，从而面积198和202将依赖于为所讨论的资产选择的选择数据78和应用于该资产的判据和资产值回收的说明的概率而变化。横轴184可以以现金单位(例如美元)表示而不用面值的百分比。当使用现金单位时，曲线200下为不同资产的面积198将以现金单位，从而面积198在大小上彼此相关，因此显著与总投标70、72和74相关。对该资产知道的越多，越可以精细地绘制曲线200。当判据80建立时对曲线200应用统计以帮助建立点186、196和190的位置因此面积198的位置，从而建立资产的期望值。影响价值的现金流量的定时可以基于定时属性的直方图结果。
例如，可以把现金流量回收定时细分为0-6个月、7-12个月、13-18个月3段(bin)，等等。使用算法134的自动分析器38可以根据对定时的灵敏度研究权衡选择段(bin)宽度，来相对于可能由认购人决定的估计回收和回收率估值。在一个示例实施例中，当折扣系数大于25％时应该使用最少4个段(bin)。对于折扣系数在10到25之间时，应该使用最少6个段(bin)以覆盖可能的回收期间。
根据过程40，选择某个认购人能够使用评估金融证券价值的其它数据源。由在过程14和34中的认购小组94、100、114、122和140建立的判据80在这一方面十分有用。根据由流程图85说明的过程，原始数据转变为回收，并选择一个规则组以把一个估值应用于该原始数据，这一规则组以判据80的形式编码到估值数据库中。每次在一个类由在过程14、34或40的评估期间的多次命中接触时，产生一个一致的预测并应用于该类。按照系统28，现金流量的概率分布和在批一级的定时通过在该资产级产生评估传递函数146决定，该评估传递函数146将取原始数据，使数据将产生和聚集该批中的单个资产的估值的假定合理化。
因为所有的回收并不均匀，提供一种建立现金流量回收可变性的方法。通过组公开聚类各个资产。在允许的时间内尽可能多地以传统方法认购面值，承认留有一个相当大的样本用于聚类。使用等于145加上面计数的2.65％的样本大小和偏差的回归分析来评估聚类储备。这将为面计数100的资产产生大小为30的样本，为面计数1000的资产产生150、为面计数5000的资产产生400、为面计数10000的资产产生500、为面计数20000的资产产生600大小的样本。
在统计推断过程40中，在有价证券12的第三部分42中剩余的资产由说明性认购属性或判据80聚类并从每一类和认购的样本中随机采样。在一个实施例中，当资产级平均偏差低于10％时停止从在过程40中的类采样。在另一个实施例中，当批级平均偏差低于15％时停止采样。如果可能的销售单位小于整个有价证券则不使用有价证券平均偏差作为停止点。根据过程40，类采样的回收估值对相应的类总体推断。在使用系统28时，目的是通过3个或更多唯一的类接触每一个推断的资产估值。在执行过程40期间，加权一个类的认购可信度和说明性属性的相关性。
举一个非限制性的例子，0＝无可信度，这一类的说明性属性将提供有意义的估值；1＝完全可信，该类的说明性属性提供单个认购每一证券都准确，在0和1之间的数值指示估值的部分可信度。这些值的一致在调整的信用分析者表130中发生。在过程40中，位于资产级的现金流量然后通过在调整过的信用分析者表140中的宏观经济系数调整。在一个实施例中，宏观经济系数与主要资产类相关，例如(不作为限制)不动产居住贷款或商业设备贷款。该系数可以全局应用，例如(不作为限制)法律社会趋势，国内生产总值(“GDP”)预测，担保人社会趋势，收集系数，用借方组代码等。
一种用于采样一个有价证券的方法包括在关键资产、用借方和担保品的属性特征中间检索严重影响/产生风险的属性。下面的表A提供在一个资产评估方案中的有价证券属性的一个例表。
表A：有价证券属性
用借方大小(由用借方组UPB)安全的企业联合组织(是/否)担保的贷款类型(期限，周转等)从在第一位置中的扣押权来％UPB征收得分(0＝差，1＝好)UPB的12个月征收％资本的最后一次付款的％#用借方贷款用借方UPB的贷款的部分单一家庭居住与居住有关的零售工业的医院款待多家庭土地发达/不发达/其它办公室股票/贷款裕度
资产属性的分段通过编码属性为“哑变量”实现。例如，一个公共的资产属性是“用借方在前12个月还过款吗？”，如果回答是“是”，则它将在变量中编码为“1”，否则是“0”。为其它资产属性使用相似的“哑变量”。
通过使用任何统计过程完成分段过程，这些统计过程以这种方式编码资产属性，使得把有价证券分段为相似资产的组。一个这种算法是K方法聚类。在一个有3个属性的例子中，未付资本平衡(UPB)，付款概率，范围从0到1；和安全得分，使用由不动产抵押品为安全的概率，资产可以被分类为具有相似属性的5个组。
一旦资产分组完成，则计算要取的和为进一步认购审查而递交的样本数目，这通过建立可以以之作出关于在每一段(k)中的总回收的报表的可信度级、建立人们以之希望估计在每一段(h)的总回收的精确度、和提供一个该级有因果关系的估计和作为总未付资本平衡(UPB)  (R)的百分比的回收范围、按照下式计算： Var ( Y ^ R ) = n [ 1 - n N ] × [ Σ l N x i ] 2 [ Σ l n x i ] 2 × Σ l N ( y i - Rx i ) 2 N - 1 n＝样本大小N＝类大小xi＝对样本i的UPByi＝对样本i的回收
Figure A0080699400242
Figure A0080699400243
h＝为用
Figure A0080699400244
估计
Figure A0080699400245
的容差k＝Tchebyshev公式中的常数：
Figure A0080699400252
其中概率
Figure A0080699400253
通过从等式C解出n，得到为给定类需要的样本大小。解等式C另外允许用户以概率
Figure A0080699400254
规定计算的样本大小，n，以及相关的认购价值将估计总的类回收在误差h内，假定使用等式D决定总的段回收的估计。
在实际中，很难没有可用数据来估计总回收的可变性。一种电子表格工具通过以Monte Carlo模拟产生数据并指导用户通过结果的分析直到导出喜欢的样本大小实现上述这一点。
表B从对20个贷款的组的研究提供一个输出例子，估计的(期望的)回收在UPB的20％和30％之间，而UPB的范围在1MM和2MM之间。需要8个样本来估计为20个贷款的总回收到实际的10％之内，可信度为75％。
表B：样本大小电子表格向导
样本规模 Exp.Rec  CumeExp.Rec  Cume UPS  Exp.Rec％ 沉积 N(类规模) n(样本规模) 期望回收率％
1     779,131        779,13         2,938,279       26.5％         -2     716,951        1,496,082      5,447,631       27.5％        27,2593     359,327        1,885,409      6,702,090       27.7％        12,0424     481,798        2,337,206      8,538,875       27.4％        (20,958)5     606,774        2,943,980      10,706,452      27.5％        10,7506     418,899        3,362,880      12,207,495      27.5％        5,3977     622,516        3,985,396      14,609,180      27.3％        (32,665)8     594,799        4,580,195      16,911,278      27.1％        (28,694)9     713,922        5,294,117      19,440,132      27.2％        25,24110    494,230        5,788,346      21,153,615      27.4％        25,36311    735,334        6,523,680      24,031,614,     27.1％        (45,983)12    683,155        7,206,835      26,387,193      27.3％        39,85713    748,413        7,955,248      29,256,251      27.2％        (31,730)14    419,885        8,375,133      30,726,773      27.3％        19,06815    757,050        9,132,183      33,682,971      27.1％        44,439)16    553,674        9,685,857      35,690,262      27.1％        8,92217    761,579        10,447,435     38,234,459      27.3％        66,38618    677,811        11,125,246     40,756,944      27.3％        (10,741)19    563,811        11,689,057     42,688,952      27.4％        34,79020    434,763        12,123,821     44,160,329      27.5％        30,810         20                                6                   27.5％
票面范围 ER％范围 面值
2,000,000                             5.0％              44,160,329
最小票面 最小ER％ 期望回收率
1,000,000                            25.0％              12,123,821
可信度 k 精度 精度％
    75.0％                            2.00                1,212,382  10.0％
为每一个资产进行适当的偏差调整预测并建立估值表以包括在该有价证券中的每一个资产。使用连续概率以销售单位估值回收，该单位在一个实施例中是批。在使用系统28时，然后评估内部回报率(“IRR”)和偏差。优选的批为一个给定的IRR具有较低偏差。使用项目的折扣率评估为0以上的每一批的纯现值(“NPV”)的概率。从资本的机会成本，加上FX交换成本，加上在预测的现金流量回收的差异中固有的不确定性中的风险来决定折扣率。如果出现多于5％的不确定性，该项目将有一个负的VPN，则不进行投标。以批进行交易评估，使用下面的决策判据：IRR，在一批中的IRR的风险差异，该批估计的付款意愿和能力，获益时间(“TPP”)和在以批归还中的风险差异，以折扣到无风险率的批的期望现金流量的VPN。
在资产有价证券的内容不可以谈判的竞争投标环境下，投资者或销售者具有强烈的金融动机仅选择可用于事务交易的总资产的一部分，这部分可以给他们聚集的金融结构，最好的风险/回报。对投资者而言，以具有最大上限概率的较高概率的资产满足最小风险/回报期望价值甚至更吸引人。
把集合的有价证券分成单独的可进入市场的子有价证券或批。每一批有来自先前分析的预测的现金流量概率分布和时间持续期间。然后给这些批一个试验价格。把新的资产与卖或买方的现有资产性能组合，并进行Monte Carlo情况生成(以所考虑的相关的交叉关联)。
批选择过程包括随机选择不买的批。一旦有价证券效果采取某种模式，则由随机优化找到要购买的批的最好的选择，以什么价格视限制而定。
使用NPV可以误导，因为与双重折扣关联的效果，双重折扣发生在对悲观事例方案打折扣以获得PV的场合。使用获益时间用于克服这一限制，和在折扣中使用边际资本费用或无风险率，其由进行评估的分析者决定。
推断评估过程40的指导学习过程206和部分采样过程108的步骤120、122和126在认购人被积极地卷入在该过程中上有基本的相似性，但是该过程是自动的。图6是一个流程图，表示为可分段金融证券资产自动认购的一个过程210。首先用公共的属性定义212金融证券的类。为从基于属性定义的类中选择的样本给一个关于价值的专家意见214。在样本认购过程216中使用这一意见，并为属性的组合检查价值并使其一致218。然后过程210选择和设定220要使用的单个属性，然后分类222单个资产到类中。给每一类资产应用224类评估。使用类评估，通过规则226取消这些价值的分离以产生信用分析者表228。
图7是不指导学习208的一个示例实施例的流程图，它包括几个模块。数据获取模块230收集相关数据78，只要可用的话。变量选择模块232识别与资产相关的变量，这些变量被信用审查视为关键的或具有为分开不同资产组的最大区别能力。层次分段模块234根据由分析选择的关键变量把资产的整个有价证券分段为多个段(bin)。FCM模块236根据资产数据的自然结构进一步把每一段分为类。认购审查模块238指定计划的现金流量和风险得分138(在图3中表示)给每一类。然后把这一得分提供给在为在过程40中正被调整的类中的资产的信用分析者表136中的单个资产价值以产生调整后的信用分析者表140。该过程被重复和继续，并可以由计算机执行，使得在别处正执行标准认购时它也能继续。
图8表示另外可选择的示例推断估值过程240，其用于代替在图3和4中说明的过程。在该备选过程240中，使用一个七步骤过程来迅速估值一个不动产贷款有价证券，使用完全认购、部分认购和推断评估的组合。首先，按照风险采样242资产。第二，认购资产244，并记录估值。第三，形成246市场价值类，诸如通过FCM，下面说明。第四，为认购的资产建立248回归模块。从前面建立248的那些中为被认购的资产选择一个最好的模型250。第六，计算为所选择的模型的计数252。第七，给有价证券12的未认购的或推断估值部分42应用在250选择的模型254，以用计数加权的方式为每一个未认购资产预测单个价值。然后把根据过程240产生的单个资产价值放在调整的信用分析者表140中(参见图3)。
在采样资产242时，认购人使用分层的随机采样为详细审查选择资产。从抵押品属性构造层。为不动产有价证券的抵押品属性的例子包括抵押品的使用(商业的或者与居住有关的)，先前评价的量，市场价值类(从先前评价的数量、土地面积、建筑物面积、当前评价数量、法庭拍卖实现的价格、财产类型和财产位置)。通常，以相反方式采样资产，亦即有目的地从以递减的未付资本平衡(“UPB”-UnpaidPrincipal Balance)或先前评估数量(“PAA”-Previous ApprasialAmount)排序的表中选择。
认购244是一个大半是手工的过程。其中认购专家把价值的概念归于抵押的资产。认购的估值存储在诸如数据库76(在图2中表示)的主数据库表中。估值根据货币单位(例如100,000KRW)以那时的现行市价相加。
图9是由系统28使用的过程的自动部分的一个高级略图290。认购人使用自动过程帮助基于过程34(仍然参见图3)的完全认购。把在过程34中获取的知识应用到推断评估过程40中以减少在金融证券的适度努力评估中的费用和不确定性和减少在适度努力评估之间的费用和可变性。这些估值经受一个现金流量模型，它包括资产级评估146，决定性的现金流量桥148，随机现金流量桥152和现金流量表150。结果的投标估值154经受赌博策略160和管理调整162以产生最后的投标164。
图10是形成类246的一个示例实施例的流程图。在形成类246中，认购人借助算法，例如算法134(在图3中表示)，使用一个基于分类和回归树(“CART”-Classification And Regression Tree)模型执行分析，这将产生由抵押品使用和市场值(“CUMV”-CollateralUsage and Market Value)组决定的认购资产的分组，使用先前评价数量(“PAA”)作为驱动变量。
下面概括说明评价基于CART的模型的性能的两种方法。一种方法使用基于CART的方法的平方差和(SSE)对一个简单模型的比率，称为误差比。一个简单的模型是给所有资产指定一个平均资产价格的模型。第二种方法计算决定系数，表示为R2，并定义为
      R2＝1-(SSE/SST)，式中SST是总平方和。
R2是在每一段内的单一资产相对于整体的贡献，为在一个特定段内的一个资产的R2越高，则贡献越大。根据这两种方法排列不同的有价证券段给出该模型的预测能力在每一有价证券段内多好的指示，对例如给每一批定价给投标人一个舒适的级别。
批CO 数据 B C 总计 对C贷款的等级误差率 对C贷款的每笔贷款的R平方
CO 01 当前UPB THB的和     645,959,109     82,692,009     728,651,119
贷款No的计数     55     10     75
SST的和     599,969,990,091,046     72,331,126,127,450     872,301,116,218,504
SSE(CART)的和     252,066,256,567,362     26,677,527,094,665     276,965,783,662,221
SSE(简单)的和     440,700,263,796,025     38,837,006,656,004     477,337,270,451,034   0,733617     0.18％
CO 02 当前PUB THB的和     56,779,400     379,755,147     438,544,547
贷款No的计数     9     118     127
SST的和     32,332,549,696,133     1,039,401,135,208,180     1,071,733,684,904,320
SSE(CART)的和     6,139,933,273,655     83,849,225,515,428     89,969,160,092,084
SSE(简单)的和     7,037,799,486,365     136,366,441,963,041     143,404,241,449,408   0,614882     0.06％
CO 03 当前PUB THB的和     798,969,257     276,915,573     1,075,884,830
贷款No的计数     96     99     197
SST的和     2,669,807,879,172,572     1,017,087,163,438,750     3,888,895,042,611,439
SSE(CART)的和     729,304,505,050,634     85,902,258,632,574     795,206,763,663,411
SSE(简单)的和     929,822,648,064,552     41,730,444,375,417     971,553,092,439,969   1,579237     0.45％
CO 04 当前PUB THB的和     916,281,888     184,828,399     1,101,110,287
贷款No的计数     116     28     144
SST的和     927,232,177,539,735     223,991,862,418,471     1,151,224,139,953,210
SSE(CART)的和     329,889,566,636,764     92,347,778,016,417     422,217,344,655,182
SSE(简单)的和     880,543,329,448,792     62,722,788,782,154     751,266,118,230,950   1,472316     0.11％
CO 05 当前PUB THB的和     221,769,261     41,505,412     263,274,692
贷款No的计数     36     19     55
SST的和     270,033,444,922,605     154,601,058,694,453     434,634,503,617,058
SSE(CART)的和     28,547,982,198,094     10,191,005,095,780     38,738,988,293,887
SSE(简单)的和     20,897,015,065,914     8,519,509,247,449     37,416,524,313,367   1,196196     0.14％
当前UPB THB的总和     2,641,755,934     965,705,540     3,607,455,475
贷款No的总计数     325     274     599
SST的总和     4,699,376,041,422,196     2,517,412,345,887,330     7,216,789,387,309,520
SSE(CART)的总和     1,345,950,243,746,726     279,167,798,660,054     1,625,118,040,406,770
SSE(简单)的总和     2,095,001,055,880,559     285,975,191,024,073     2,380,977,246,884,730   0,976192     0.22％
                     R平方(CART)                              71.4％                     88.9％                     77.5％
                     R平方(简单)                              55.4％                     88.6％                     67.0％
一个第一步骤是定义相关的有价证券分段。该分段可以是预先定义的批，例如根据工业、未付平衡(UPB)量、区域或顾客风险。上面的表C是根据批和资产分等(B或C)定义的段的例子。
表C从具有5批和两个不同资产类型(B和C)的有价证券的研究中提供一个输出例子。该表表示如何为不同段排列误差比率。另外，也为在每一段内的类型C的资产计算为每一资产的R2值。
第二步骤是为感兴趣的每一有价证券段为CART模型和简单模型(平均价格的外推)计算SSE值。用基于简单模型的SSE除以基于CART模型的SSE计算误差率。如果该误差率小于1，则基于CART的模型是比简单模型更好的预测。作为增加的好处，可以作为“混合物”组合CART和简单模型成为一个高级模型，通过根据误差率度量标准，选择在每一段执行最好的模型。
第三步骤是为在每一有价证券段内的每一资产计算R2值。每一资产的R2作为(每段的SST-每段的SSE)/(所有资产的总SST X在每段内的资产数目)计算。
最后，把所有段根据在第二步骤中计算的误差率和在第三步骤中计算的R2值排队。该模型在为在两种度量标准，误差率和R2，中都是高等级的段预测价格值时很准确，使用这些度量标准组合高级模型。
表D表示根据这两个性能度量标准为类型C(从表C来)的资产5批的相对等级排序。
表D：有价证券段等级排序
批CO  C  R平方 等级误差率 等级R平方
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是一个流程图，表示使用FCM形成类246以选择建立模型的类的一个示例实施例。计算机38(在图2中表示)通过取选择的数据78和执行FCM分析产生类而形成类246。
图11表示建立模型248，选择最好的模型250和计算计数252，其中使用数据库76建立6个模型。计算机38(在图3中表示)执行这一过程。使用模型建立248帮助认购人为完全认购14和基于样本的认购34以及为推断估值给资产区分优先级。
图11下面的部分是一个表，表示从根据建立模型248d建立的6个模型中选择最好的模型250的一个示例实施例。这些模型按照使用那些变量作为X而不同。所有的模型使用CUMV类(对于所有资产这些是存在的)。使用来自建立模型248的模型在市场价值(“MAV”-MarketValue)258之外预测法庭拍卖价值(“CAV”-Court Auction Value)256。其它的实施例(未示出)使用其它的模型预测其它值。
在选择最好模型250中，在考虑(这里，K＝6)下选择K回归模型的最好模型。根据下面的度量标准：
Figure A0080699400321
为每一认购资产选择最好模型，式中y是要预测的认购值， 是从第k个回归模型的预测，k＝1，2，…，K。
在计算计数252中，计数每一K模型在每一CUMV类中被选择的次数。图11包含为CAV和MAV模型建立方案的这些计数。在其它实施例中使用其它模型建立方案。
当应用模型254时，使用从为每一非认购资产产生一个预测的所有模型加权的平均预测。权重从计算的计数252的频率中构造，预测来自模型建立过程。在一个实施例中，使用商业统计分析软件(SAS)系统产生模型。使用SAS系统的人工产物是每一个非认购资产将从每一模型得到一个预测的认购值，对所述模型非认购资产具有每一个输入变量，亦即“X变量”存在。(其它模型建立包共享这一特征。)下面的等式E详述该过程。
Figure A0080699400323
在等式C中，如果模型k为资产l产生一个预测，Ilk＝1，否则是零，fijk＝模型k在第i个CUMV类型(i＝1，2)和第j个CUMV类(j＝1，2，3)中间被选择的次数，
Figure A0080699400324
＝为yl从模型k中选择的预测。注意，从每一个模型建立方法中只有一个贡献，对该方法一个资产有一个预测，每一个用该模型建立方法为同一CUMV类的所有认购资产选择的次数加权。
也使用过程240来估计为平均预测的可信度下限(“LCL”-LowerConfidence Limit)和可信度上限(“UCL”-Upper ConfidenceLimit)，用相应的统计代替等式E中的
Figure A0080699400331
返回来参考图3，指导学习过程206和不学习过程208使用聚类。“聚类”是一个工具，它试图评价数据集的模式之间的关系，它通过把这些模式组织成组或类，使得在一类内的模式比属于不同类的模式彼此更相似来实现。也就是说，聚类的目的是从一个大的数据集中提取数据的自然分组，产生系统行为的一个精确表示。不指导学习步骤208，使用一个模糊聚类方法(“FCM”)和知识工程来自动为评估把资产分组。FCM是一个公知的方法，它在统计模型建立中广泛使用。该方法的目标是使类内距离最小化和使类间距离最大化。通常使用欧几里德距离。
同时FCM 248(见图10)使类内距离最小而使类间距离最大。通常使用欧几里德距离。FCM是一个反复优化算法，它使成本函数最小，式中，n是数据点的数目，c是类的数目，Xk是第k个数据点，Vi是第i个类质心，μik是在第i个类中的第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，μik是实数，以[0，1]为界。μik＝1意味着第i个数据确定在第k个类中，而μik＝0意味着第i个数据确定不在第k个类中。如果μik＝0.5，则意味着第i个数据部分在第k个类中，程度为0.5。直觉地，如果每一个数据点确切属于一个特定的类并且对任何其它类无部分程度的成员关系的话，则成本函数将最小。也就是说，在指定每一数据点给它属于的类时没有二义性。
用下式定义成员关系的程度μik
Figure A0080699400341
直觉上，在类质心Vi中的数据点Xk的成员关系随Xk接近Vi而增加。同时，当Xk更远离开Vj(其它类)时μik将变小。
第i个类质心Vi由下式定义：
直觉上，第i个类质心Vi是Xk的坐标的加权和，式中k是数据点的数目。
以希望的类数c和为每一类中心Vi开始，i＝1，2，…，c，FCM将收敛于为Vi的一个解，它表示要么是一个局部最小值，或者是成本函数的一个鞍点。FCM解的质量，就像大多数非线性优化问题一样，强烈依赖于初始值-  数目c和初始类质心Vi-的选择。
在一个示例实施例中，整个有价证券12由不指导模糊聚类分段，并且每一段由认购专家审查，从而帮助认购人为完全认购14和采样认购34选择金融证券。另外可选的方案为，可以把这一FCM只应用于部分42。作为结果，每一类得到一个为调整138(见图3)的目的指定的HELTR复合得分。基本上，HELTR复合得分获取了期望的现金流量及其范围，以及与每一类关联的定时和风险。
现在参考图2，完全认购部分16对总有价证券12的比率在一个示例实施例中是资产的25％和所有资产面值的60％。这些资产的完全认购由于它们的大小和价值而被保证。然而，这一认购对所有认购者相当一致，所以该认购不可能产生有意义的投标差异。然而，包括在一个示例实施例中组成资产75％和仅40％面值的部分36和42的剩余的40％到认购前是高度冒险的。例如但不作为限制，可以在部分36和42中发现的价值对于粗略外推可达到另外的百分之五的程度，这一差别意味着在赢得和输掉整个有价证券投标或者整个批投标之间的差别，意味着利润中数百万的美元差。
在保险单的场合，按照过程40，使用统计试图回答3个基本问题：(a)我们应该怎样收集数据？(b)我们应该怎样总结我们收集的数据？(c)我们的数据总结的准确性如何？算法134回答问题(c)，它是一个基于计算机的方法，不需要复杂的理论证明。用于保险单推断估值的算法134适合回答对于常规统计分析过于复杂的统计推断。用于保险单估值的算法134通过以重复的重置采样模拟统计估值的分布。该算法一般由3个主要步骤组成：(I)重置采样(sampling wichreplacement)，(II)利益的评估统计，(III)估计标准偏差。
按照保险算法134，如下执行NPV标准误差估计。对于每一风险模型和为模型中的每一段，假定在该段中有N个保险单，使用重置采样选择n个样本(例如n＝100)。在这一例子中每一个样本也包含N个保险单。对于每一样本，和对所有的历史保险单：
Figure A0080699400351
接着，用
Figure A0080699400352
(等式J)为最近的保险单产生纯现值。为n个NPV值计算样本标准偏差。在等式I中，Act是实际要求，Wtdexp是为每一单个保险单的加权的期望要求。
图12是为信用得分138的示例判据80和示例规则集合的一个表。可以选择其它的判据，取决于金融证券的类型和特定投标条件或投标商的任何其它希望或优选项。
图13是一个更详细的树图260，它相似于树图66(见图2的下部)。在图13中，通过(a)是否安全，(b)是否周转，(c)最后的付款是否是零进行分段。其结果是6个类262、264、266、268、270、272，偶然也称为“筛选树”(shaker tree)。
图14表示按照本发明的一个实施例的示例系统300。系统300包括至少一个配置作为服务器302的计算机和连接到服务器302的多个其它的计算机304以形成一个网络。在一个实施例中，计算机304是包括一个万维网流览器的客户机系统，服务器302对计算机304可通过因特网访问。另外，服务器302是一个计算机。计算机304通过包括一个网络的多种接口互连到因特网，所述网络包括诸如局域网(LAN)或广域网(WAN)，拨号连接，电缆调制解调器和特殊的高速ISDN线路。计算机304可以是任何能够互连到因特网上的设备，包括基于万维网的电话或其它基于万维网的可连接设备，包括无线万维网和卫星。服务器302包括一个连接到一个集中数据库76(也在图2中表示)的数据库服务器306，数据库76包含有说明资产有价证券集的数据。在一个实施例中，中心数据库76存储在数据库服务器306中，由在一个计算机304上的用户通过登录到服务器子系统302使用一个计算机304访问。在另一个可选择的实施例中，中心数据库76存储在远离服务器302的地方。另外配置服务器302以接收和存储用于上面说明的资产评估方法的信息。
虽然系统300作为一个网络系统说明，但是这里为说明的用于检查和操作资产有价证券的方法和算法能够以不与其它计算机联网的独立的计算机系统实现。
虽然本发明根据各种特定的实施例说明，但是熟悉本技术领域的人理解，本发明可以在权利要求的精神和范围内加以修改实现。

Claims (24)

1.一种在仅对资产的一部分进行认购时为了优化认购保险总额而用于采样在该资产有价证券(12)中的资产的方法(32)，所述方法包括步骤：
确定在该有价证券中的资产的说明性属性；
编码各个属性；以及
根据该说明性属性的出现情况对该认购的资产进行分类(120)。
2.根据权利要求1的方法(32)，其特征在于还包括确定要提交的用于进一步认购(122)检查的多个样本的步骤。
3.根据权利要求2的方法(32)，其特征在于所述确定要提交的用于进一步认购(122)检查的多个样本的步骤还包括步骤：
在该有价证券的每一段中建立关于该总的回收概率的可信度；
确立对每一段中总的回收进行评估的精度；
作为总的未付资本平衡(UPB)的百分比提供对回收的程度和范围的评估。
4.根据权利要求3的方法(32)，其特征在于所述建立关于该总的回收概率的可信度的步骤还包括根据下列公式对于资产的类(120)确定样本的大小n，以及求解n的步骤：
Figure A0080699400021
h＝希望的精度n＝样本大小N＝类大小xi＝对样本i的UPByi＝对样本i的回收
Figure A0080699400022
h＝为用
Figure A0080699400023
估计 的容差。
5.根据权利要求4的方法(32)，其特征在于所述提供对回收的程度和范围的评估的步骤还包括根据下列公式评估回收的程度和范围的步骤：
Figure A0080699400031
k＝Tchebyshev公式中的常数：其中概率
Figure A0080699400033
6.根据权利要求1的方法(32)，其特征在于所述对认购资产进行分类(120)的步骤还包括使用指导分类过程(206)分类该资产的步骤。
7.根据权利要求1的方法(32)，其特征在于所述对认购资产进行分类(120)的步骤还包括使用不指导分类过程(208)分类该资产的步骤。
8.根据权利要求1的方法(32)，其特征在于所述对认购资产进行分类(120)的步骤还包括使用Monte Carlo过程分类该资产的步骤。
9.一种配置成为了优化认购保险总额而用于采样在资产有价证券(12)中的资产的系统(300)，所述系统包括：
一个配置为一个服务器(302)并且还配置有一个资产有价证券的数据库(76)的计算机，其用于启动价值过程分析；
至少一个通过网络连接到所述服务器的客户系统(304)，所述服务器还配置成用于：
确定在该有价证券中的资产的说明性属性；
编码各个属性；以及
根据该说明性属性的出现情况对该认购的资产进行分类(120)。
10.根据权利要求9的系统(300)，其特征在于还配置成确定要提交的用于进一步认购(122)检查的多个样本。
11.根据权利要求10的系统(300)，其特征在于所述服务器(302)配置成：
在该有价证券(12)的每一段中建立关于该总的回收概率的可信度；
确立对每一段中总的回收进行评估的精度；
作为总的未付资本平衡(UPB)的百分比提供对回收的程度和范围的评估。
12.根据权利要求11的系统(300)，其特征在于所述服务器(302)配置成根据下列公式对于资产的类通过求解n确定样本的大小n：h＝希望的精度n＝样本大小N＝类大小xi＝对样本i的UPByi＝对样本i的回收
Figure A0080699400042
h＝为用
Figure A0080699400043
估计
Figure A0080699400044
的容差。
13.根据权利要求12的系统(300)，其特征在于所述服务器(302)配置成根据下列公式评估回收的程度和范围：k＝Tchebyshev公式中的常数：其中概率
14.根据权利要求9的系统(300)，其特征在于所述服务器(302)配置成使用指导分类过程(206)分类(120)该资产。
15.根据权利要求9的系统(300)，其特征在于所述服务器(302)配置成使用不指导分类过程(208)分类(120)该资产。
16.根据权利要求9的系统(300)，其特征在于所述服务器(302)配置成使用Monte Carlo过程分类(120)该资产。
17.一种为了优化认购保险总额而用于采样在资产有价证券(12)中的资产的计算机(38)，所述计算机包括一个资产有价证券和价值过程分析的数据库，所述计算机被编程以：
确定在该有价证券中的资产的说明性属性；
编码各个属性；以及
根据该说明性属性的出现情况对该认购的资产进行分类(120)。
18.根据权利要求17的计算机(38)，其特征在于所述计算机被编程以确定要提交的用于进一步认购(122)检查的多个样本。
19.根据权利要求18的计算机(38)，其特征在于所述计算机被编程
以：
在该有价证券(12)的每一段中建立关于该总的回收概率的可信度；
确立对每一段中总的回收进行评估的精度；
作为总的未付资本平衡(UPB)的百分比提供对回收的程度和范围的评估。
20.根据权利要求19的计算机(38)，其特征在于所述计算机被编程以根据下列公式对于资产的类通过求解n确定样本的大小n：h＝希望的精度n＝样本大小N＝类大小xi＝对样本i的UPByi＝对样本i的回收h＝为用 估计
Figure A0080699400063
的容差。
21.根据权利要求20的计算机(38)，其特征在于所述计算机被编程以根据下列公式评估回收的程度和范围：k＝Tchebyshev公式中的常数：
Figure A0080699400065
其中概率
22.根据权利要求17的计算机(38)，其特征在于所述计算机被编程以使用指导分类过程(206)分类(120)该资产。
23.根据权利要求17的计算机(38)，其特征在于所述计算机被编程以使用不指导分类过程(208)分类(120)该资产。
24.根据权利要求17的计算机(38)，其特征在于所述计算机被编程以使用Monte Carlo过程分类(120)该资产。
CN00806994A 1999-12-30 2000-12-21 为优化认购而有效采样有价证券的方法和系统 Pending CN1378673A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US17395799P 1999-12-30 1999-12-30
US60/173957 1999-12-30
US09/737,628 US7003484B2 (en) 1999-12-30 2000-12-14 Methods and systems for efficiently sampling portfolios for optimal underwriting
US09/737628 2000-12-15

Publications (1)

Publication Number Publication Date
CN1378673A true CN1378673A (zh) 2002-11-06

Family

ID=26869722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN00806994A Pending CN1378673A (zh) 1999-12-30 2000-12-21 为优化认购而有效采样有价证券的方法和系统

Country Status (13)

Country Link
US (1) US7003484B2 (zh)
EP (1) EP1212694A2 (zh)
JP (1) JP2003529139A (zh)
KR (1) KR100766149B1 (zh)
CN (1) CN1378673A (zh)
AU (1) AU2288101A (zh)
BR (1) BR0008636A (zh)
CA (1) CA2362446A1 (zh)
HU (1) HUP0301071A2 (zh)
MX (1) MXPA01008623A (zh)
PL (1) PL366251A1 (zh)
TW (1) TW530234B (zh)
WO (1) WO2001050318A2 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647993A (zh) * 2018-04-09 2018-10-12 西南民族大学 一种识别招投标过程中投标者之间关系的方法

Families Citing this family (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090018891A1 (en) * 2003-12-30 2009-01-15 Jeff Scott Eder Market value matrix
US20040236673A1 (en) * 2000-10-17 2004-11-25 Eder Jeff Scott Collaborative risk transfer system
US20020138466A1 (en) * 2001-01-13 2002-09-26 International Business Machines Corporation Method, computer program and data processing system for data clustering
US6920448B2 (en) * 2001-05-09 2005-07-19 Agilent Technologies, Inc. Domain specific knowledge-based metasearch system and methods of using
US7003503B2 (en) * 2001-06-07 2006-02-21 Idealswork Inc. Ranking items
US7110525B1 (en) 2001-06-25 2006-09-19 Toby Heller Agent training sensitive call routing system
US20030097196A1 (en) * 2001-11-13 2003-05-22 Koninklijke Philips Electronics N.V. Method and apparatus for generating a stereotypical profile for recommending items of interest using item-based clustering
US20080027769A1 (en) * 2002-09-09 2008-01-31 Jeff Scott Eder Knowledge based performance management system
US7983974B2 (en) * 2002-08-14 2011-07-19 GE Corporate Finanical Services, Inc. Snapshot approach for underwriting valuation of asset portfolios
WO2004061561A2 (en) 2002-12-30 2004-07-22 Fannie Mae System and method for facilitating delivery of a loan to a secondary mortgage market purchaser
WO2004061565A2 (en) 2002-12-30 2004-07-22 Fannie Mae System and method for facilitating sale of a loan to a secondary market purchaser
WO2004061556A2 (en) 2002-12-30 2004-07-22 Fannie Mae System and method of processing data pertaining to financial assets
US9818136B1 (en) 2003-02-05 2017-11-14 Steven M. Hoffberg System and method for determining contingent relevance
US20040153330A1 (en) * 2003-02-05 2004-08-05 Fidelity National Financial, Inc. System and method for evaluating future collateral risk quality of real estate
US20040186804A1 (en) * 2003-03-19 2004-09-23 Anindya Chakraborty Methods and systems for analytical-based multifactor multiobjective portfolio risk optimization
US7640201B2 (en) 2003-03-19 2009-12-29 General Electric Company Methods and systems for analytical-based multifactor Multiobjective portfolio risk optimization
US7593880B2 (en) * 2003-03-19 2009-09-22 General Electric Company Methods and systems for analytical-based multifactor multiobjective portfolio risk optimization
CA2562717A1 (en) * 2003-04-17 2004-11-04 Portfolio Search, Inc. Methods for evaluating the financial strength of a holding in comparison to other holdings
US8046298B1 (en) 2003-07-21 2011-10-25 Fannie Mae Systems and methods for facilitating the flow of capital through the housing finance industry
US20070214081A1 (en) * 2003-12-31 2007-09-13 Jacobs Leslie L Jr Method, Apparatus, and Computer Readable Medium for Providing a Stream of Payments
US7469228B2 (en) * 2004-02-20 2008-12-23 General Electric Company Systems and methods for efficient frontier supplementation in multi-objective portfolio analysis
US8219477B2 (en) * 2004-02-20 2012-07-10 General Electric Company Systems and methods for multi-objective portfolio analysis using pareto sorting evolutionary algorithms
US8126795B2 (en) * 2004-02-20 2012-02-28 General Electric Company Systems and methods for initial sampling in multi-objective portfolio analysis
US7630928B2 (en) * 2004-02-20 2009-12-08 General Electric Company Systems and methods for multi-objective portfolio analysis and decision-making using visualization techniques
US7542932B2 (en) * 2004-02-20 2009-06-02 General Electric Company Systems and methods for multi-objective portfolio optimization
US7672889B2 (en) * 2004-07-15 2010-03-02 Brooks Kent F System and method for providing customizable investment tools
US7987124B1 (en) 2004-08-20 2011-07-26 Fannie Mae Method of and system for evaluating an appraisal value associated with a loan
US20060074707A1 (en) * 2004-10-06 2006-04-06 Schuette Thomas A Method and system for user management of a fleet of vehicles including long term fleet planning
US7685063B2 (en) 2005-03-25 2010-03-23 The Crawford Group, Inc. Client-server architecture for managing customer vehicle leasing
US20060265235A1 (en) * 2005-05-12 2006-11-23 The Crawford Group, Inc. Method and system for managing vehicle leases
US8775224B2 (en) 2006-01-04 2014-07-08 International Business Machines Corporation Method and apparatus for dynamic specification of a business value by a discovered resource
WO2008104952A2 (en) * 2007-02-28 2008-09-04 Miga Solutions, Inc. Asset management system and method
US20090240574A1 (en) * 2007-04-30 2009-09-24 Cake Financial Corporation Systems and Methods for Ranking Investors and Rating Investment Positions
US20090048981A1 (en) * 2007-08-17 2009-02-19 Mcbain Millan Jorge Indalecio SiteWare a 3D (x,y,z dimensions) 4D (time;past(s), present future(s)) & 5D (Business Rules) infrastructure business intelligence and configuration management solution managing all enterprise physical and logical assets characteristics and relationships
US7653593B2 (en) * 2007-11-08 2010-01-26 Equifax, Inc. Macroeconomic-adjusted credit risk score systems and methods
US9892461B2 (en) * 2008-06-09 2018-02-13 Ge Corporate Financial Services, Inc. Methods and systems for assessing underwriting and distribution risks associated with subordinate debt
US20110040582A1 (en) * 2009-08-17 2011-02-17 Kieran Mullins Online system and method of insurance underwriting
US9524510B2 (en) 2013-10-02 2016-12-20 Turn Inc. Adaptive fuzzy fallback stratified sampling for fast reporting and forecasting
US9892462B1 (en) * 2013-12-23 2018-02-13 Massachusetts Mutual Life Insurance Company Heuristic model for improving the underwriting process
US10489861B1 (en) 2013-12-23 2019-11-26 Massachusetts Mutual Life Insurance Company Methods and systems for improving the underwriting process
US11403711B1 (en) 2013-12-23 2022-08-02 Massachusetts Mutual Life Insurance Company Method of evaluating heuristics outcome in the underwriting process
US20190244289A1 (en) * 2018-02-08 2019-08-08 2Bc Innovations, Llc Asset utilization optimization communication system and components thereof
KR102103578B1 (ko) * 2018-11-28 2020-04-23 (주)밸류파인더스 몬테카를로 유전자 알고리즘을 사용한 포트폴리오 자산 선택방법
US11393175B2 (en) 2020-02-06 2022-07-19 Network Documentation & Implementation Inc. Methods and systems for digital twin augmented reality replication of non-homogeneous elements in integrated environments

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9222884D0 (en) * 1992-10-30 1992-12-16 Massachusetts Inst Technology System for administration of privatization in newly democratic nations
WO1996006402A1 (en) * 1994-08-23 1996-02-29 Financial Models Company Inc. Portfolio performance analysis system
US6249775B1 (en) * 1997-07-11 2001-06-19 The Chase Manhattan Bank Method for mortgage and closed end loan portfolio management
US5987435A (en) * 1997-10-30 1999-11-16 Case Shiller Weiss, Inc. Proxy asset data processor
US7165043B2 (en) * 1999-12-30 2007-01-16 Ge Corporate Financial Services, Inc. Valuation prediction models in situations with missing inputs

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647993A (zh) * 2018-04-09 2018-10-12 西南民族大学 一种识别招投标过程中投标者之间关系的方法

Also Published As

Publication number Publication date
TW530234B (en) 2003-05-01
KR100766149B1 (ko) 2007-10-10
US7003484B2 (en) 2006-02-21
WO2001050318A8 (en) 2002-04-11
EP1212694A2 (en) 2002-06-12
AU2288101A (en) 2001-07-16
BR0008636A (pt) 2002-01-08
CA2362446A1 (en) 2001-07-12
WO2001050318A9 (en) 2002-07-18
WO2001050318A2 (en) 2001-07-12
US20020116309A1 (en) 2002-08-22
KR20010109302A (ko) 2001-12-08
PL366251A1 (en) 2005-01-24
MXPA01008623A (es) 2003-06-24
HUP0301071A2 (en) 2003-08-28
JP2003529139A (ja) 2003-09-30

Similar Documents

Publication Publication Date Title
CN1378673A (zh) 为优化认购而有效采样有价证券的方法和系统
CN1360697A (zh) 寻找价值和减小风险的方法和系统
CN1372667A (zh) 在有缺失输入的情形中的评价预测模型
CN1630862A (zh) 诸如金融工具的资产的投资组合的快速评价
CN1370297A (zh) 优化收益和现值的方法和系统
CN1413332A (zh) 信用计分的自动推断估价的方法和系统
CN1411582A (zh) 用于模拟竞争性投标效率的方法和装置
CN1437736A (zh) 用于量化现金流回收和风险的方法和系统
US7120599B2 (en) Methods and systems for modeling using classification and regression trees
US6985881B2 (en) Methods and apparatus for automated underwriting of segmentable portfolio assets
CN1437735A (zh) 估价系统的快速开发的方法和系统
CN1578960A (zh) 用于自动化的资产组合描述统计的交叉相关工具
AU2600801A (en) Valuation prediction models in situations with missing inputs

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: WD

Ref document number: 1050943

Country of ref document: HK