CN1437736A

CN1437736A - 用于量化现金流回收和风险的方法和系统

Info

Publication number: CN1437736A
Application number: CN00819262A
Authority: CN
Inventors: C·D·约翰森; T·K·凯耶斯; D·J·斯潘塞; C·L·米德基夫; R·P·梅斯默; C·皮苏帕蒂; Y-T·陈
Original assignee: GE Capital Commercial Finance Inc
Current assignee: GE Corporate Financial Services Inc
Priority date: 1999-12-30
Filing date: 2000-12-20
Publication date: 2003-08-20
Also published as: JP2004500642A; TWI230339B; KR20020063615A; BR0017058A; US20020049653A1; EP1266318A2; WO2001050314A8; KR100766148B1; WO2001050314A2; US7162445B2; MXPA02006581A; PL355386A1

Abstract

一种为限制风险而通过选择资产估价的最低变化假设来估价大型资产分组的方法(32)，包括下述步骤：通过所有对估价特定资产具有优点的已知方法来估价资产，选择对正被估价的资产最准确的估价方法，对资产赋值。得出各个资产值，并将各个资产值列于表中，以便能从表中提取各个资产值，将它们以任何希望的方式分组。将资产按信用变量划分成各类，然后个别地评定。

Description

用于量化现金流回收和风险的方法和系统

相关申请引用文献

本发明主张美国临时申请号60/173843(申请日1999年12月30日)的权益，特此全部引用作为参考。

发明领域

本发明总体涉及对金融工具的估价方法，更具体来说，涉及对大量金融工具的快速估价。

发明背景

大量资产，例如贷款，举例来说，一万笔贷款，或者其他金融工具，有时因经济状况、计划中的或计划外的剥夺或者因法律赔偿而成为待售品。有时必须在数月内出售数以千计的、资产数额有时达数十亿美元的商业贷款或其他金融工具。当然，资产的出售者想最优化资产组合的价值，有时把资产分组成“份额”(tranches)。本文中所使用的术语“份额”不仅仅限于外钞，也包括不论国家或管辖区如何的资产和金融工具类别(groupings)。

竞买者可以对所有份额或者只对某些份额递盘。为了赢得一个份额，竞买者一般必须给出该份额的最高递盘价(highest bid)。在确定对某个份额的递盘金额时，竞买者常会雇用评估师(underwriters)在可利用的期限里对份额内尽可能多的资产进行估价。当递盘期限即将截止时，竞买者将对当时被评估(underwritten)的资产估价，然后努力对尚未被评估师分析的资产外推出(extrapolate)一个价值。

这个过程的结果是，竞买者可能会严重低估一个份额的价值，给出一个没有竞争性的递盘价，或者递盘价高于被承销资产的价值，并承担了难以估量的风险。当然，由于以竞买者能有赢利的价格赢得每个份额为目标，因此如果是因为对份额价值的严重低估而失去它就意味着丧失一个机会。这就需要准备一种系统以便在短时间内对大量金融工具作出精确估价并推断出给定递盘的收益的相关概率。

传统上，在资产和商业决策中的估价是根据预测进行的，这些预测因未来现金流的不确定性而要打折扣。这种方法的改进包括对最好、最坏、最可能情况的情景生成。在最近几年中，具有显著竞争性市场知识的良好属性的资产已经被用期权定价方法估价。需要产生一种限制风险的、为资产估价选择最低差异假设的“食物链”，因为已知的系统在没有比较性资产的情况下确定预测概率分布方面有局限，特别是在以有限的时间期间确定概率的应用中有局限。

发明内容

在示例性实施例中，提供一种迭代自适应(iterative andadaptive)方法，将资产组合划分成三个主要估价(majorvaluations)。对资产组合(asset portfolio)的第一类估价(valuation)的全部评估(full underwriting)是根据逆向(adverse)样本进行的。第二个估价类是从共同的描述性特征的类别中有效地抽样出来的，选择性的随机样本中的资产被全部评估(fullyunderwritten)。第三个估价类经过统计推断估价(statisticallyinferred valuation)，它利用评估值(underwriting values)和第一及第二部分的偏差(variances)并应用统计推断来单独地为第三部分中的每项资产估价。在对第三部分估价时运用聚类分析(clustering)和数据简化(data reduction)。

随着过程的进行和更多资产被评估，第一和第二部分中资产的数目增加，第三部分中的资产的数目减少，第三部分中的各资产的估价的差异变得越来越确定。更具体来说，根据在第一和第二部分中的资产的估价的相似性，将各资产划分成有价值的概率的聚类，使第三部分中的各资产得到估价。通过用这些估价来生成假想的投标，以确定在竞买者确定的参数内的最佳投标。最佳投标是通过一个循环的投标生成过程确定的。

本文公开一种为限制风险而为资产估价选择最低差异假设的方法，包括的步骤是，用对特定资产有优点的已知估价方法估价资产，为正被估价的资产选择最精确的估价方法，对资产赋值。

附图简介

图1是说明一个已知的对资产组合估价过程的流程图；

图2是说明按照本发明的一个实施例的对资产组合估价的流程图；

图3是一个流程图，更详细地说明了对大型资产组合通过划分为不同偏差类而进行快速评估过程的第一部分的一个实施例；

图4是一个流程图，说明了对大型资产组合从一个基底(basis)向一个份额或资产组合基底聚集的快速评估过程的第二部分；

图5说明了回收价值被推断的示例性资产的概率分布；

图6是图3所示过程的有监管学习步骤的流程图；

图7是图3所示过程的无监管学习步骤的流程图；

图8是无监管学习的过程的实施例；

图9是第一代(第一回)快速资产评估过程的实施例；

图10是用于图8中无监管学习中运用的模糊聚类方法的流程图；

图11是展示快速资产评估过程的模型选择和模型加权的例子的一对表格；

图12是展示快速资产评估过程的示例性特征的表；

图13是快速资产评估过程的示例性聚类方法的聚类图；

图14是一个计算机网络示意图。

发明详述

图1是说明一个已知的经过评估周期直至，举例来说，在拍卖中，递盘购买资产组合12的评估大型资产组合12的过程的示意图10。图1是一个典型的既非迭代也非自动的评估和外推过程10的高度概括。在示意图10中，评估人评估14资产组合12中的许多单独的资产，以生成已评估的第一部分16和未触及的其余部分18。在任何资产被评估之前，第一部分16是资产12的百分之零，其余部分18是百分之百。随着评估过程的推进，第一部分16增加，其余部分18减少。既定的目标是在递盘之前为购买资产组合而评估尽可能多的资产。评估人小组继续单独地评估14，直到马上就要递盘。进行一个粗略的外推20，以对剩余部分18进行估价。外推20变成未评估的(un-underwritten)推断值24。粗略的外推对其余部分18生成一个估价24。估价22就是第一部分16中各个资产值的总和。然而，估价24是由外推生成的一个分组估价(group valuation)，并可以相应地打折扣。然后将估价22和24加总，产生组合资产值(portfolio asset value)26。估价过程是在资产组合的每个份额中进行的。

图2是说明快速资产评估系统28的一个实施例的流程图。图2中包含了由系统28在对资产组合12估价时所采取的过程步骤的表示。系统28评估(“触及”)每一个资产，除去很少量的30未触及的资产，这部分资产被认为在统计上不显著或者在金融上无关紧要。具体来说，资产组合12中除数量30以外的所有资产都经过一个迭代的、自适应的评估32，其中，资产组合12中的资产被单独估价，单独列于表中，然后从表中被选择出来，划分到任何以递盘为目的(如下文所述的那样)而希望或要求的分组或份额中。如示意图10中那样，评估人开始全部评估14资产组合12中的各个资产，以产生全部评估的第一部分16资产。评估人也评估34资产组合12的第二部分36中的资产样本，计算机38统计推断40资产组合12的第三部分42的价值。计算机38也重复地生成44表示如下文所述的被赋予各部分16、36和43中资产的值的表(在下文说明)。在一个实施例中，计算机38被设置成独立的计算机。在另一个实施例中，计算机38被设置成通过诸如广域网(WAN)、局域网(LAN)的网络(见图14中所示)连接到至少一个客户系统的服务器。

举例来说，仍参看图2，将资产组合12的第三部分42的未抽样和未评估部分46经过一个统计推断过程40，它利用模糊-C方式聚类(“FCM”——Fuzzy-C means clustering)和一个复合的高/期望/低/时间安排/风险(“HELTR”——High/Expected/Low/Timing/Risk)评分生成两个类别48和50。HELTR定义为H——高现金流，E——期望现金流，L——低现金流，T——现金流的发生时间(例如按月计：0——6，7——18，19——36，37——60)和R——借款人的风险评估(信用分析师所用的9——boxer)。类别48被认为整体上有足够的供评估的共性。类别50被进一步划分为聚类52和54，它们依次被进一步细分。聚类52被细分为子聚类56和58，聚类54被细分为子聚类56、62和64。聚类和子聚类在“树”图66中显示，在评估框68中被表示为方块。这些个别的资产值然后被再划分为用于递盘的份额70、72和74。可以按出售者设置的安排组织任何数目的份额。

资产组合12中每项资产的各个资产值(未予示出)被输入数据库76，根据对于迭代自适应过程一给定的标准80，被选定的数据78被从中检索出来。当为评估任何资产而确定了基准80后，这一所确定的基准80存储在数据库76中，用于对数据库76中的共享这种确定基准的其他资产数据进行估价。迭代自适应估价过程32就这样生成82(下文说明)估价并把它们分组，用于递盘。

图3和4共同构成流程图85，说明用于评估大型资产组合12的系统28(图2中所示的)的实施例的功能概况。估价程序14、34和40(也参看图2)以下文所述的方式在系统28中被同时及顺序地使用。如上所述，全部评估14是第一类评估程序。用样本的全部评估进行分组与抽样评估34是第二类估价程序。统计推断40是第三类估价程序，它是一种自动化的分组和评估。程序14、34和40以如下文所述确定的客观基准为基础。

本文中所用的“评估”(underwriting)意思是这样一个过程，其中，某人(“评估人”(underwriter))按照订立的原则审查某资产，并确定购买该资产的当前购买价格。在评估期间，评估人使用预先存在或确定的基准80来估价。“基准”(Criteria)的意思是与资产价值相关的规则和基于这种类别的评级。例如，作为基准，评估人可以决定债务人的三年的现金流历史是与资产估价相关的一个信息类别，并可以对各种水平的现金流赋予一定的等级。

全部评估14以两种方式进行，一种是全部现金基准方式86，一种是部分现金基准方式88。全部现金基准方式86和部分现金基准方式88二者都以被完全且独立审查14(见图2)的资产集合90和92开始。这种完全审查14通常是因为相对于资产组合中的其他资产来说待审资产中的美元或其他适当的货币的数量很大，或者因为债务人很有名或很可靠，以至资产可以被快速地或全部地评估，或者资产是受市场注意的，以至对所述资产的价值没有多少分歧。资产集合90被评估人94估价，资产集合90中的每项资产得到一个偏差很少的估价，比如某种受现金或具有全部现金价值的可交易商品的支持的资产，并被放置在一个全价值表(full value table)96中。为表96中的各资产选择的各个值被存储起来作为一个全部评估的分组值(group value)98。

集合92被一组评估人100评估，这组评估人可能与小组94相同，但是每个资产接受一个折扣或部分值，并被放置在一个部分价值表(partial value table)102中。为表102中的份额的各资产选择的各个价值存储起来作为一个部分值全部评估分组值104。全部现金基准方式86和部分现金基准方式88(图2中所示的)的标准80被存储在用于自动估价40的监管学习206和无监管学习208的计算机(图2所示)的数字存储器(未予示出)中的数据库76(图2所示)中。

抽样评估34用两个程序完成，一个是全部抽样106程序，一个部分抽样108程序。全部抽样106被用于大型资产的各类别，包括在被抽样的资产类别中的样本分组的百分之百抽样110。全部抽样106中的资产不是单独地被评估，而是在基于确定的共性的全部抽样分组112中被评估的。由此便创建了而后根据规则114合并了一个全部抽样分组估价(未予示出)，以生成一个独立全样本资产价值表116。随后表116中的独立全样本资产价值被电子化地上载到由对某份额中的资产的分组所揭示的那样的递盘所需要的任何全部抽样组估价118中。

评估样本分组中的资产数可以小至1，大至任何资产数。部分抽样108用于中等类别的资产，包括通过对来自正被抽样的各分组的一个聚类内的代表分组的百分之百抽样和对该聚类中其他分组的随机抽样而构成一个聚类样本分组120。在部分抽样108中，所有分组都被抽样，但是有些是通过从聚类样本分组120的外推估价的。部分抽样108包括一个资产水平再评估(asset level re-underwrite)122，它用手工数据输入125产生一个α信用分析人表126，给予α信用分析人表一个资产类调整，以产生一个调整的信用分析人表130。如上所述，各资产被按照份额划分从调整的信用分析人表130中选择出来，以产生一个用于对(图2中所示的)份额70递盘的部分抽样信用值132。

自动评估程序40采用监管学习过程206、无监管学习过程208和来自统计推断算法的上载134来生成一个存储在数字存储装置中的评估聚类表136。在监管学习过程206中，一个有经验的、知道应问什么问题才能确定价值的评估人帮助计算机确定是否某资产是优良投资以及如何评估该资产。在无监管学习过程208中，计算机将各资产细分(segment)和分类，并客观地根据数据的反馈自我评估这些资产。评估人定期地审查无监管学习过程208，以判断计算机是否在作出有意义的评估结论。计算机用统计算法134来作出它的推断。例如——但不限于——一个实施例使用通用电器公司开发并利用的，通过运用多代产品开发(“MGPD”)方式而在审慎注意(duediligence)的资产估价过程中应用的六西格玛设计(“DFSS”——Design For Six Sigma)质量范式对资产数据越来越精确地作出估价。学习过程206和208随着评估的推进把累积的知识持续地、实时地结合到现金流回收和回收概率的计算中。监管学习过程206为了估价的目的使用商业规则来辨别具有共同方面的资产聚类。无监管学习过程208使用由程序40执行的先前数据估价的反馈来确定增加评估置信度的工作是否正在进展。如下文所述，由于使用高速计算机，对所有可用原始数据进行辨别以及发现这些可用原始数据的聚类之间的相互关系是可能的。

在一个示例性实施例中，一个使用HELTR评分技术对原始数据进行无监管组织的模糊聚类方式(“FCM”)过程被用来对组合中资产的信用评分的估价进行推断，如下文所述。为适应更复杂的细分分类(segments)，这种聚类技术已经被开发出来，以描述必须在不允许人工处理的时间段中评估的资产和资产组合中的高资产计数。

一个示例性方法首先在计算机化的系统中创建估价评分(静态和/概率回收)。之后针对特殊因素和经营决策对估价评分作修正。然后对描述相同资产的多个估价评分进行协调并对进行总体修正，以访问/推翻(interview/override)推断的估价。

创建估价评分是通过电子化地对比聚类号、聚类名、聚类的描述性特征、概率回收值(一个示例性例子是HELTR评分)和评估者根据每个聚类的描述性特征量得到的对每个聚类的估价的置信度而进行的。聚类号是特定描述性特征量集合的唯一标识符，描述性特征量是关于资产的事实，精通于估价的人员用它评估资产的价值。描述性特征量的例子包括——但不仅限于——支付状态、资产类型、以评分表示的债务人信用值、要求权(claim)的地点和优先级(seniority)。在一个实施例中，聚类名是一个字母数字混编的名称，描述聚类的描述性特征或来源。描述性特征的一个例子见于图12，在下文中作说明。

描述性特征是被用来揭示资产价值的事实或量纲或向量。计算机逻辑被用来核查任何重复的聚类并提醒分析人或评估人。

因为每项资产都能由很多描述性特征的组合来描述，所以同一项资产可能出现不同水平的值。概率回收值或信用评分或资产价值的任何数值表示都可以作为给定的不同资产水平的标识。各种描述性特征中的所有信息综合起来，使得能将购买或出售价格确定为一个固定的值或一个概率值。本文所用的一个示意性实施例是HELTR评分。每个聚类有唯一的一个描述性特征和指定的HELTR评分的集合。

每个聚类的唯一特征都有助于对聚类值的估价。不同的特征组合为特定聚类的计分提供更高的的置信度或置信度区间。例如，如果将任何资产描述为一张高2.5’’宽5”的绿纸——人们可能认为它具有0至1000美元的价值，但这个评估只有很小的置信度。如果再用一个事实或特征或向量将这同一个资产描述为是一个真正的20美元的钞票，人们就会对这个20美元的聚类值置以一个很高的置信度因数。

聚类的估价和置信度是在某时点确定的，并被标明。有时会出现新的可用信息，分析者就会对这个(些)值作出改变。该值是用一个数据域和决策规则来人工地或自动地修改的，在自动方式中是通过计算机代码进行的。原先的值被修改，以反映新信息。举例来说，假设原先的聚类置信度被标明为0.1，后来知道种其他资产具有与这个聚类的完全相同的描述性特征，刚刚以超过预测的“最可能的”价值的价格卖出。启用这样的规则，使得如果这个事件发生了，就将聚类置信度乘以10。0.1×10＝1是修改后的聚类置信度。

这样一个过程的目的是使同一个资产的多个评分相一致，控制与每个评估量纲的每个评估源相关联的置信度。用某资产的样本数据点，将HELTR作为示意例：

聚类号	聚类名	高	期望	低	时间	值的置信度	高	期望	低	时间
聚类号	聚类名	高	期望	低	时间	值的置信度	高	期望	低	时间	1	Lien positions-recourse	.85	.62	.15	3	.3	(.3/1.65)(..8 5)	(.3/1.65)(..62)	(.3/1.65)(.15)	(.3/1.65)(3)
2	Assetclassification-industry-age	.45	.4	.31	3	.7	(.7/1.65)(.45)	(.7/1.65)(.4)	(.7/1.65)(.31)	(.7/1.65)(3)	1	Lien positions-recourse	.85	.62	.15	3	.3	(.3/1.65)(..8 5)	(.3/1.65)(..62)	(.3/1.65)(.15)	(.3/1.65)(3)
2	Assetclassification-industry-age	.45	.4	.31	3	.7	(.7/1.65)(.45)	(.7/1.65)(.4)	(.7/1.65)(.31)	(.7/1.65)(3)	3	Coordinates-use-borrower	.9	.5	.2	2	.65	(.65/1.65)(.9)	(.65/1.65)(.5)	(.65/1.65)(.2)	(.65/1.65)(2)
n	x										3	Coordinates-use-borrower	.9	.5	.2	2	.65	(.65/1.65)(.9)	(.65/1.65)(.5)	(.65/1.65)(.2)	(.65/1.65)(2)
n	x																1.65	.6999	.4792	.2374	2.6059

聚类一致估价(consensus valuation)是，高值.6999，最大似然值.4792，低值.2374，时机(timing)2.6059。可以用不同逻辑来控制任何权数。

一致评分(consensus score)是在全局假设的背景中得出的。如果某全局假设发生变化，过程步骤128、138就会被包括在该方法中以对该一致评分作加权。直观的例子包括在某种估价因素中发现错误、宏观经济变化、某类资产了可代替的市场价值的建立，以及相对于所采用的其他方法，资产估价方法的增加或减少。

在另一个实施例中，一个交叉相关工具被用来快速地了解和描述某资产组合的组成。典型地，该工具被用来使一个用户选择的变量的响应与资产组合中其他变量相关。该工具快速地确定在两个特征变量与响应变量之间出乎预料的高相关或低相关性。特征变量是两种类型的，即连续的和分类的(categorical)。交叉相关性是由相关工具在所有所关心的变量与它们的区段或水平之间计算出来的，并——在一个实施例中——被呈现在二维矩阵中，以便于确定资产组合中资产之间的趋势。

首先，交叉相关工具将资产组合中的所有标志变量确定为连续的或绝对的。按连续变量的区段和按绝对变量的值计算每个变量的总合水平(aggregation levels)。

用该工具查看以确定相关的用户将选择一个响应变量Yr，例如期望回收(recovery)或计数。对标志变量对(x1和x2)的所有组合和它们的水平(a和b)，按下式计算响应变量的平均值Yr：

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

按照下式计算响应变量的期望值Yexpected：

Yexpected ＝(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与单独使用事件x 1＝a和x2＝b的加权值的期望值Yexpect的偏差Yerror是通过下式计算的：

Yer ror＝Yr-Yexpect

在一个实施例中，期望值和偏差呈现在多维显示中，以使与期望值的偏差容易确认。

在另一个示例性实施例中，运用了一个将原始数据转换为最终递盘价的转移函数过程，如下文所述。表136由从程序14、34和40得出的修改后的系数进行电子化调整，以对资产的信用评分138的系数作修正，并生成一个修正后的推断各个资产信用值的信用分析人表140。按份额划分的要求从表140提取各个资产的价值，以生成一个推断的信用估价142。最后对“未触及的”资产的可忽略的其余部分30作一个外推，以生成一个未触及资产表144。表144中的值被选出来生成一个对未触及资产的估价。

全部现金估价98、部分现金估价104、全部抽样信用估价118、部分抽样信用估价132、推断信用值142和从未触及资产表144中赋予的任何值被累积，并且它们是互不相容的，全部现金估价的优先级最高，依次降低，直至推断信用值142。估出的这些价值之和代表资产组合的价值。

图4是由系统28(图2所示)执行的递盘准备阶段168的流程图。累积的估价98、104、118、132、142和144在一个风险偏好贷款水平(risk preference loan level)评价步骤146中被组合起来。用现金流发生时刻表(timing table)150生成一个确定性现金流桥(bridge)148，以得出一个随机现金流桥152。一个随机或概率性现金流桥152被创建，并用来确定一个建议的份额递盘价154，对该份额递盘价重复地应用一个份额模型156，直到达到某个阈值158。阈值158，举例来说，是一个大于某值的内部收益率(“IRR”)、某个盈利时间(“TTP”——time to profit)和一个正的净现值(“NPV”)。

一般来说，NPV被定义为：

NPV＝C₀+C₁/(1+r) (公式A)其中C₀是在时刻0的投资，C₁是在时刻1的期望支付(payoff)，r是折现因子。基本概念是今天的一元比明天的一元值钱。

就保险单而言，NPV被定义为：

NPV = ΣP - ΣE - (ΣC) \times \frac{A}{E_{w}}

(公式 B)其中P是保险费，E是期望的名义成本，C是理赔成本。实质上，公式B表示净收入是如何生成的，即是利润与加权期望风险之差。注意累加是对特定部分中所有保险单的累加。同样注意所有保险费、名义成本和理赔成本在代入公式B之前已经作了折现处理。结果是，生成了一个获利记录。

如果达到阈值条件160，递盘154要经过一个模拟开标分析161，以预测是否能期望它是个赢标。密封递价拍卖的结局取决于与从每个竞买者收到的递盘的大小有关。拍卖的执行包括打开所有的递盘，将拍卖的物品出售给出价最高的竞买者。在传统的密封递价拍卖中，一旦出价被提交，竞买者就不允许改变它们了，而且在其他递盘被打开之前，竞买者不知道其他人递盘的情况，这使拍卖的结局是不确定性的。报出较高递盘价，赢得拍卖的概率就越高，但若是以较低的价格就能赢得拍卖，所获收益便会较低。

模拟竞争性递价通过设置一个递价/售价范围而提高获取最高赢利的概率，该范围有在自己的钱包耗尽之前耗尽任何竞争竞买者的钱包的倾向，使得在得到最希望得到的资产的同时保存最多的资本。定价决策被分析上的鲁棒性过程清楚地注意到，因为纯粹轶事的(anecdotal)商业判断能被不受幕后动机(hidden agenda)、个性和片面知识影响的数据驱动的方法所补充。

每个潜在的竞买者有一个向密封递价拍卖递交的可能出价(bids)的范围。该出价范围可以表示为一个统计分布。通过从出价的值的分布中随机抽样，一种可能的拍卖情景就可以被模拟出来。进一步通过使用某种迭代抽样技术，例如蒙特卡罗(Monte Carlo)分析，可以模拟许多情景，以产生一个结局分布。结局分布包括赢得拍卖物的概率和赢利值。通过改变自己出价的值，就能确定在竞买者自己的出价下赢得拍卖的概率。

以下的核心成分(elements)被用来模拟一个竞争性递价收益(bidding yield)，市场规则和契约代码化成计算机化的商业规则，潜在竞争/市场力量、预测的预算和优先权代码化成一个偏好矩阵(preference matrix)，同意要代码化成一个偏好矩阵的竞买者自己的出价能力、偏好、风险/回报权衡，以及一个计算机化的随机优化。

分析160模拟一个竞争性环境，环境中其他公司有各种针对系统28所计算的递盘价进行竞价的财务能力。在一个实施例中，分析160，例如——但不限于——包括一个总出价限额，如果资产的总值超过使用系统28的单位的财务能力时就要这样。在一个实施例中，在这种可供递盘的资源有限的情况下，分析160可以对针对份额的各种组合的递盘的获利能力进行评估。分析160也会考虑过去针对已知竞争者竞价的历史和竞买对手偏好的各种类型的资产的信息。在分析160中，对份额的出价(tranche bid)会在随后被估算，并由管理人员162设定，作出最终的份额递盘164。在作出递盘164之前的所有估价均可以任意重复。此外，由于该过程是自我调节和迭代的，随着越来越多的值被系统28执行的迭代所发现，份额递盘价(tranche bid price)164随着每次迭代而趋于攀升。

流程图85所描述的过程包括一个估价阶段166(图3所示)和一个递盘准备阶段168(图4所示)。估价阶段166包括程序14、34和40。估价阶段166持续地运行，直至停止，运行过程中自动估价程序40和抽样程序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，按照快速资产评估，资产组合12中的资产里面的数据类别170、172和174被按每项资产确定，并存储在数据库76中。迭代的自适应过程32选取部分选定数据78并以统计的方式对该部分选定数据78应用基准80以增加已知的资产价值，而不是增加粗略外推的资产值20。根据方法28，资产被划分成至少第一部分16、第二部分36和第三部分或其余部分42。采用程序14将部分16中的资产全部评估，以确定估价98和部分值全部评估的评价104并为这种估价建立基准80。利用程序34，过程28从第二部分36中抽取代表第二部分中各分组的若干资产作为样本，以确定第二部分36的全部抽样分组估价118和部分抽样信用值132并为这种估价建立另外的基准80。利用程序40，由诸如图2的计算机38的自动分析程序执行部分监管学习过程206和部分无监管学习过程208。为了学习，自动分析程序提取关于第三部分或其余部分42的已确立基准80和已选定数据78并将第三部分42划分成多个部分46，然后利用从数据库76输入的基准80和每个过程206和208，进一步将各部分46划分为类别48和50，将类别50划分成聚类52、54，将聚类52、54划分为子聚类56、58、60和62。通过统计推断确立子聚类56、58、60和64的各个资产估价。

将各个资产估价列于聚类表136(见图3)中，修正138后，列于信用分析人表140中。所确立的基准80是客观的，因为基准80来自数据库76，它们是在全部评估程序14和抽样评估程序34运行期间被放入数据库的。换言之，从全价值表96、部分价值表102、表116、α信用分析人表126、调整的信用分析人表130、调整的信用分析人表140和未触及资产表144中获得的所有资产的信息被放入数据存储装置(诸如计算机38的硬盘存储器178)中的数据库76，并由程序40用程序14和34中的基准80生成相关性。程序40运行期间，具有统计显著性，并且具有可接受的可靠性的准则80被输入。就是说，程序40在估价期间反复地学习，并建立准则80。监管学习过程206和无监管学习过程208通过与在数据库76中的关于全部评估的第一部分16中的资产和样本评估的第二部分36中的资产的已确立基准80建立相关性而提高统计推断估价142的准确性。与第三部分42中的一项或多项资产相关的已选数据与从部分16与/或36中已选出的数据类似，被放置在数据库76中，之后通过统计推断，第三部分42中的每项资产的价值就被查找出的信息所确定了。

在流程图85所描述的过程中，各资产是在个别资产水平上评估的，各个资产值被列表显示或被划分至一个或多个组合。为了对各种递盘情景有最大的适应性，资产组合12中的任何子集都在特定的时间段内被分别地评估和定价。在已知的过程10中，若某资产出售者重新划分资产，例如从按资产公司划分到按照借款人的地理位置划分，对递价(bids)重新评估则可能是不够的，因为需要进行粗略外推20。在使用系统28时，由于各个资产值被算出并列于表96、102、116、130、140和144中，这些值可以被电子化地重新划分为不同的估价98、104、118、132、142，它们的“食物链”选择基准是互不相容的，并且是从事估价的分析人能选择的，该选择基准将在下文进一步说明。如果出售者对资产分组，则按出售者分组或份额进行划分是很容易的，为该份额的一个适当的估价146也被计算出来。这样，各个资产价值很容易为第三部分42重新划分，以客观地获得该分组或份额的一个推断估价142

许多方法都可被用来确立资产值。根据评估的目的，不同评估方法的相对优点决定着对特定资产应采用的评估技术。一个方法类似于“食物链”，它在保留假设发展方法(assumption developmentmethods)的同时还选择具有最高置信度区间的区间。

在食物链的一个介绍性示例中，与个人意见相比，人们可能更愿意按公开市场中类似资产交易价值的多少来评估金融资产。按照等级顺序，市场对市场值的选择高于个人意见。

按照相同方式，组合中具有预测的现金流回收的资产可以用许多估价技术进行估价。一般的目的是以可能有的高概率确立未来现金流是什么。评估方法被按照它们准确量化现金流或现金等价物预测的能力的顺序，用最小负偏差(downside variances)和/或最大正偏差(upside variances)排序。当得知一旦采用了最优的方法，更精确的方法将阻止对资产价值的评估时，资产被以所有可用的，有准则或可能有商业逻辑来消除重复工作的方法估价。

为了提供最佳的资产价值预测，资产在一个食物链中被每一种方法估价，直至它们被针对每种资产的最优可用方法估计为止。一旦找到这个最佳值，该资产就可以说有了它的价值，而不管食物链中更低的(具有更大偏差的)其他价值，并被发送到完成状态(completed state)。

举例来说，用食物链来对一个资产组合估价。食物链中的第一种估价方法是与评估目的最匹配的方法，即以最高的准确程度(最小的置信区间)找到该值的方法。一旦资产被某个仅为这一种资产确定了一个价值的方法估价，它就被送到估价表，并从食物链中的任何进一步的步骤中去除。将原始资产组合中没有匹配任何评估方法的一系列资产保留在未触及资产表中。最终目的是使这个未触及资产表中减至零个资产。

以下一个是按照优先顺序的食物链的例子。(a)资产的100％的现有现金，(b)资产的部分现有现金，(c)类似资产的流动市场价值，(d)直接评估，和(e)推断评估。

食物链方法能发现最佳概率分布形态，减少概率分布方差(尤其在负尾部)，能在保留要素(constituencies)中的所有可用已知信息的同时迅速建立概率分布，并在价值发现过程中提供作出对价值最佳估计的能力。

如图4中所示，递盘准备阶段168的总架构是确定递盘价(pricebid)164，类似于期权估价范式(option valuation paradigms)中，获胜的投资人有权利，但没有义务回收该投资。对于每个份额，价值被分解成三个部分——货币的时间价值、固有价值和可能的现金流。货币的时间价值和固有价值是确定性地计算出来的，一旦确定，就基本不变。货币时间价值的计算方法是，将公司低风险投资的资本成本乘以代表为了进行当前的投资而失去的其他投资的机会的适用时期。内在价值是一种已知的流动资产价值，它高于购买价格，并且在得到资产控制权后立即可用。一个实施例是成功地以低于市场价值的价格买入，作为资产组合一部分的证券。可能现金流偏差是关于一个勤勉尽责的团队作出的假设以及它选择的，将原始数据转换成现金流回收流的过程的函数。本文所述的系统经过设置，以减少负偏差和发现价值。

图5表示一个典型的最小三点资产评估的三角形概率分布图180。按照过程40，每个金融工具被在至少三种情况下估价。纵轴182代表递增的概率，横轴184代表递增的回收部分。图中显示了面值线(face value line)188的一个清算或最坏情况百分数186、面值188的最好情况百分数190和面值188的最大似然情况百分数和回收价值192。最坏情况百分数186的概率是零，最好情况190的概率是零，回收的最大似然百分数192的概率194是由点196表示的值。在由连接点186、196和190的连线定义的曲线200以下的面积198的大小，代表资产的价值。标记出的资产价值由矩形202表示，它由100％回收面值188的100％概率线204围成，是可以归因于由曲线200代表的资产的那部分面值188的一个度量。点186、196和190以及线188和204，以及由此形成的区域198和202，将视所涉及的为被评估的资产选择的数据78和应用于该资产的基准80和所认为的资产价值回收的概率而变。横轴184可以用货币单位(例如美元)而不是面值百分数来表示。采用货币单位时，不同资产的曲线200以下的面积198将以货币单位计，这样，各区域198的大小彼此相关，因而对总体出价70、72和74具有意义。对资产情况了解越多，就能使曲线200越精确。确立了基准80后统计方法便应用于曲线200，以帮助确定点186、196和190的位置，并因此确定区域198也即资产的期望值。影响价值的现金流的发生时刻(timing)可以建立在发生时刻特征的直方图结果上。

例如，可以将现金流回收的发生时刻分解成0——6个月、7——12个月、13——18个月等等的3个区段。使用算法134的自动分析器38能以对估算估计回收(gauge recovery)的发生时刻和被评估人确定为可能的利率(rate)的敏感性分析权衡为基础，选择区段宽度。在示例性实施例中，当折现因子大于25％时，应当采用最少4个区段。对10至25之间的折现因子，至少应用6个区段来包含各个可能的回收期(recovery periods)。

按照程序40选择出其他数据源，评估人能用来评估金融工具的价值。由评估团队94、100、114和140在程序14和34中确立的基准80在这方面是有用的。按照由流程图85所描述的过程，原始数据被转变为一个回收，同时一个规则集被选来对该原始数据应用一个评估，这个规则集被以基准80的形式编码到评估数据库中。在程序14、34或40中的评估期间，每次某聚类被多个采样数触及，一个一致预测就被得出并应用于该聚类。按照系统28，份额水平下的现金流和发生时刻的概率分布是通过在资产水平上得出估价转移函数146而确定的，它将占用原始数据，使数据将生成和积累份额中各个资产的估价的假设合理化。

由于不是所有回收都是同类的，所以提供一种确定现金流回收的可变性的方法。各个资产被按分组暴露而聚集。传统上在允许的时间内评估尽可能多的面值，因为认识到有可观的样本依然要聚集。对聚类储备(reserves)的估计采用一个等于145加面值计数(facecount)的2.65％的样本大小和一个方差回归分析。这对面值计数100的资产产生30的样本大小，面值计数1000的资产产生150的样本大小，面值计数5000的资产产生400的样本大小，面值计数10000的资产产生500的样本大小，面值计数20000的资产产生600的样本大小。

在统计推断程序40期间，留在资产组合12的第三部分42中的资产按描述性评估特征或基准80被聚集，随机样本从每个聚类和被评估的样本中被抽取。在一个实施例中，当在资产水平上的平均方差降到10％以下时停止程序40中的从聚类中抽样。在另一个实施例中，当在份额水平上的平均方差降到15％以下时停止抽样。如果潜在的出售单元小于整个资产组合，则资产组合平均方差不被当作停止点。按照程序40，聚类抽样的回收评估被推断到对应的聚类总体上。在使用系统28时，目标是经三个或更多的唯一性聚类触及每个推断出的资产估价。在程序40期间，聚类的评估置信度和描述性特征的相关性被加权。

举例来说——但不是限定——0＝这个聚类的描述性特征将提供有意义的估价这件事没有置信度；1＝这个聚类的描述性特征将提供与个别地评估每个工具一样准确的估价这件事有完全的置信度；1和0之间的数字表示评估中有部分置信度。这些值的一致出现在调整的信用分析人表130中。然后在程序40中，资产水平上的现金流被调整的信用分析人表140中的宏观经济系数加以调整。宏观经济系数在一个实施例中是与主要资产类相关联的，例如——但不限于——房地产住宅贷款或商业设备贷款。这些系数可能是全球适用的，例如——但不限于——法律环境、国内生产总值(GDP)预测、担保人环境、收款效率、债务人组码等等。

一种从资产组合抽样的方法包括在关键资产、债务人和抵押品特性之间寻找非常影响/产生风险的特征。下面的表A提供一个资产评估情形中的一例资产组合特征列表。

表A：资产组合特征

债务人大小(按债务人组UPB)抵押的银团联合的(是/否)担保的贷款类型(定期的、循环的、等等)第一留置权中的％UPB收款评分(0＝差，1＝好)12个月收款数占UPB的％上一次支付本金的％#债务人贷款债务人UPB的贷款部分单一家庭居所居民的零售的工业的医院宜人的多家庭的土地开发了的/未开发的/其他办公场所股票/保证金贷款

资产特征的细分(segmentation)是通过把特征编码成“虚拟变量”而完成的。例如，一个常用的资产特征是“债务人在过去12个月中付过款吗？”，如果回答是肯定的，则将其在变量中编码为“1”，否则编码为“0”。类似的“虚拟变量”被用于其他资产特征。

细分过程通过以能将资产组合中相似的资产各自分组的方式处理经编码的资产特征的任何统计程序来完成。K方式聚类(K-meansclustering)便是一种这样的算法。在一个采用三个资产特征——未支付本金余额(UPB)；取值0-1的支付概率；和抵押评分，即以房地产抵押品作抵押的概率——的例子中，资产可以分成五个有类似特征的分组。

对资产分组后，准备为进一步评估审查而抽取并提交的样本的数量会被计算出来，计算方法是：确定能说明每个细份额(segment)中的总回收的置信度水平(k)，确定希望估算每个细份额中的总回收的精确度(h)，以及提供对回收水平和范围的以总未支付本金余额(UPB)的百分数表示的一个先验估计(R)，所依据的公式为：

Var ({\hat{Y}}_{R}) = n [1 - \frac{n}{N}] \times \frac{{[Σ_{1}^{N} x_{i}]}^{2}}{{[Σ_{1}^{n} x_{i}]}^{2}} \times \frac{Σ_{1}^{N} {(y_{i} - {Rx}_{i})}^{2}}{N - 1}

n＝样本规模

N＝聚类大小

xi＝样本i的UPB

yi＝样本i的回收

h^{2} = k^{2} \times n [1 - \frac{n}{N}] \times \frac{{[Σ_{1}^{N} x_{i}]}^{2}}{{[Σ_{1}^{n} x_{i}]}^{2}} \times \frac{Σ_{1}^{N} {(y_{i} - {Rx}_{i})}^{2}}{N - 1}

(方程C)

h＝用Y_R估算Y＝∑Y_i的容错率

{\hat{Y}}_{R} = \hat{R} \times Σ_{i = 1}^{N} x_{i} = \frac{Σ_{i = 1}^{n} y_{i}}{Σ_{i = 1}^{n} x_{i}} \times Σ_{i = 1}^{N} x_{i} = \frac{Σ_{i = 1}^{n} ρ_{i} x_{i}}{Σ_{i = 1}^{n} x_{i}} \times Σ_{i = 1}^{N} x_{i}

(方程D)

k＝契比雪夫不等式(Tchebyshev Formula)中的常数：

| {\hat{Y}}_{R} - μ_{{\hat{Y}}_{R}} | \leq k \sqrt{Var ({\hat{Y}}_{R})}

概率

&GreaterEqual; 1 - \frac{1}{k^{2}}

对n解方程C，获得对给定聚类要求的样本规模。解方程C进一步让用户能以1-(1/k²)的概率声明所计算的样本规模n，并且相关联的被评估值将把总聚类回收估算到残差比率h内，假设全部细份额回收的估算是用方程D计算的。

在实践中，在没有可用数据的条件下估算总回收中的可变性是困难的。一个电子表单工具通过在蒙特卡罗模拟中生成数据而实现以上计算，并通过对结果的分析引导用户，直到得出理想的样本规模。

表B提供一例对一组20个贷款的研究结果，估算的(期望的)回收在UPB的20％至30％之间，UPB的范围在1MM至2MM之间。需要8个样本来以75％的置信度对总回收至实际的10％以内的这20个贷款进行估算。

表B：样本规模表单向导(Spreadsheet Wizard)

样本规模	预期回收	CumeExp Rec	Cume UPB	Exp Rec％	残值	M(聚类大小)	n(样本规模)	期望回收％27.5％
样本规模	预期回收	CumeExp Rec	Cume UPB	Exp Rec％	残值	M(聚类大小)	n(样本规模)	期望回收％27.5％	1 779,131 779,131 2,936,279 26.5％ -2 716,951 1,496,082 5,447,631 27.5％ 27,2593 359,327 1,855,409 6,702,090 27.7％ 12,0424 481,798 2,337,206 8,538,875 27.4％ (20,956)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 5,794,346 21,153,615 27.4％ 25,36311 735,334 6,523,680 24,031,814 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 11,125,248 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 12,160,329 27.5％ 30,810	面值范围	ER％范围	面值
2,000,000 5.0％ 44.160.329										面值范围	ER％范围	面值
2,000,000 5.0％ 44.160.329			最小面值	最小ER％	期望回收
1,000,000 25.0％ 12.123.821			最小面值	最小ER％	期望回收
1,000,000 25.0％ 12.123.821			置信度	k	精确度	精确度％
75.0％ 2.00 1,212,382 10.0％				k	精确度	精确度％
75.0％ 2.00 1,212,382 10.0％

对每个资产作出经过适当的方差调整的预测并构造包括资产组合中每一个资产的估价表。用按出售单位(at the unit of sale)的连续概率评估回收，出售单位在一个实施例中是个份额。在系统28的使用中，内部收益率(“IRR”)和方差然后要被评估。较好的份额对给定的IRR有较低的方差。每个份额的净现值(“NPV”)高于0的概率是用项目的折现率来评估的。确定折现率的方法是资本的机会成本加上固定转换成本加上预测的现金流回收的差异中内在的固有不确定的风险报酬率。如果看起来项目肯定有负的净现值的概率大于5％，则不递盘。交易评估是按份额的，其决策标准是IRR、份额中IRR的风险差异、对份额付款的意愿和能力的估算、盈利时间(“TPP”)和按份额的回报中的风险差异、以及按无风险折现率折算的按份额的期望现金流的净现值。

在竞争性递价的情况中，当资产组合的内容不是可转让的时，投资人或出售者有强烈的财务动机只选择可用于交易的总资产中将给予他们的总体财务结构最佳的风险/回报的各部分。用具有更高可能性的最大正概率的资产实现最低的风险/收益要求，对投资人来说更有吸引力。

将总资产组合划分成可单独交易的分资产组合或份额(subportfolio or ranches)。每个份额有一个从先前分析中得出的预测现金流概率分布和时间区段，然后给予这些份额一个试行价格。新资产要与已有资产的卖方或买方的表现(performance)相结合并经过蒙特卡罗事件生成(case generation)(并说明有关的交叉相关性)。

份额选择过程包括随机选择不购买的份额。当资产组合影响呈现某种模式时，对按什么价格购买的份额的最佳选择要受由随机优化找到的约束条件的限制。

使用净现值可能会因为与双重折现关联的影响而产生误导，双重折现发生于将悲观情形折现以获得现值(PV)时。盈利时间被用来克服这个局限，边际资本成本和无风险利率也被用在折现过程中，就像进行估价的分析者确定的那样。

推断估价程序40的监管学习过程206和部分抽样程序108的步骤120、122和126有相当的类似性，因为评估人积极参与该过程，但是该过程是自动化的。图6是表示用于可细分的金融工具资产的自动化评估的过程210的流程图。金融工具的第一组聚类按共同特征定义。专家对于价值的意见214从根据特征定义的样本中给出。这个意见被用于一个样本评估过程216，各特征组合的值被检查并成为一致218。过程210然后选择并设定220各个要被使用的特征，然后将各个资产划分222成聚类。对每个聚类资产应用聚类估价224。用聚类估价将各值按规则分解226，以生成一个信用分析人表228。

图7是一个包括几个模块的无监管学习208的示例性实施例的流程图。数据采集模块230从任何可能的渠道收集相关数据78。变量选择模块232识别被信用审查视为关键的、或在分离各个资产组时具有最大区分力的有关资产的变量。分层细分模块234根据由分析人选择的关键变量将整个资产组合细分成区段。FCM模块236根据资产数据的自然结构进一步把每个区段分类成聚类。评估审查模块238将预计的现金流和风险评分138(如图3所示)分配至每个聚类。这个评分随后为了从正在程序40中被调整以产生调整的资产被提供到信用分析表136的各个资产中，以生成调整后的信用分析人表140。这个过程是重复的、连续的，能由计算机执行，使得它能在其他地方正在执行标准评估的同时继续。

图8表示一个备选的示例性推断估价过程240，用以替代图3和4中所描述的过程。在备选过程240中，采用一个全部评估、部分评估和推断评估相结合的七步骤过程来为房地产贷款资产组合快速估价。第一步，根据风险对资产抽样242。第二步，资产被评估244，估价被记录。第三步，市场价值聚类被构造246，例如如下文所述的那样由FCM构造。第四步，为被评估资产建立248回归模型。第五步，从早先建立248的模型中为被评估资产选择一个最佳模型250。第六步，计算252被选择的模型的计数。第七步，将所选择的模型以按计数加权的方式应用254到未被评估的或被推断地评估的资产组合12的部分42，以预测每个未被评估的资产的各个值。然后将按照过程240所产生的各个资产价值放到调整的信用分析人表140中(见图3)。

在抽样资产242中，评估人用层次化随机抽样来选择供详细审查的资产。各层次是根据抵押品特征构造的。房地产资产组合的抵押品特征包括抵押品用途(商业的还是住宅的)、以前的评估额、市场值聚类(根据以前的评估额、土地面积、建筑面积、当前评估额、法庭拍卖实现的价格、地产类型和地产位置预测)。通常资产是按逆向方式抽样的，即是有意地从未付本金余额(“UPB”)或先前评估额(“PAA”)降序排列的列表中选择的。

评估244在很大程度上是个人工过程，其中专家评估人对抵押资产的价值给出一个看法。评估后的估价被存储在一个主数据库表中，比如数据库76(图2所示)中。估价通常是按现行市场价格以货币单位(例如100,000KRW)合计的。

图9是系统28所采用的过程的自动化部分的高级概览290。自动化程序被评估人用来辅助根据程序34(也见图3)的全部评估。从程序34中获得的知识用于推断估价程序40，以降低金融工具的勤勉尽责估价(due diligence valuations)中的成本和不确定性，以及降低适当勤奋评估之间的成本和易变性(variablity)。评估要经过一个包括资产水平评估146、确定性现金流桥148、随机性现金流桥152和现金流表150的现金流模型。结果的估计递盘价154要经过博弈策略160和管理调整162，以产生最后的递盘价164。

图10是一个构造聚类的示例性实施例的流程图246。在构造聚类246时，评估人借助诸如(图3中所示的)算法134之类的算法，用一个以分类和回归树(“CART”)为基础的模型进行分析，分析的结果是将UW资产按抵押品用途和市场价值(“CUMV”)分组，以先前评估额(“PAA”)作为主导变量。

下面概述两种评价基于CART的模型的方法。一种方法采用基于CART的方法的残差平方和(SSE-the sum of squared error)与一个简单模型的SSE的比率，称作残差比率(error ratio)。简单模型是把一个平均资产价格赋予所有资产的模型。第二种方法计算确定系数(coefficient of determination)，记为R²，其定义为

R²＝1-(SSE/SST)，其中SST是加总平方和(a sum of squarestotal)。

R²是每个细份额内的一个资产相对于整个总体的贡献，特定细份额内某资产的R²值越高，则贡献越高。将不同资产组合的细份额根据这两种方法排定次序，给出一个表示该模型在每个资产组合细份额内的预测能力有多好的指示，就例如对每个份额的定价给予竞买者一定的舒适水平。

R²(CART) 71.4％ 88.9％ 77.5％

R²(简单) 55.4％ 88.6％ 57.5％表C：按资产的评定残差比率和R²值

第一步是定义相关资产组合的细份额(portfoliosegmentations)。细份额可以是根据例如产业、未付余额(UPB)、区域或顾客风险预先定义的份额。以上的表C是一例根据份额和资产评级(B或C)定义的细份额。

表C提供一例对具有5个份额和两种不同资产类型(B和C)的资产组合的研究的输出。该表显示了如何对不同细份额的残差比率排序。同样，每个细份额内C类资产中的每项资产的R²值也被计算出来。

第二步是为CART模型和简单模型(平均价格的外推)计算所感兴趣的每个资产组合细份额的SSE。残差比率通过用基于CART模型的SSE除以基于简单模型的SSE而计算出来。如果残差比率小于1，则CART模型是比简单模型好的预测工具。作为附加的好处，可以通过按照残差比率尺度选择在每个细份额中表现最佳的模型，以CART和简单模型的“混合”组合的形式构建一个高级模型。

第三步是计算每个资产组合细份额内每个资产的R²值。每个资产的R²值的计算方法是(每个细份额的SST——每个细份额的SSE)/(所有资产的总SST×每个细份额内的资产数)。

最后按照在第二步中计算的残差比率和在第三步中计算的R²值排定所有细份额的等级。该模型在预测按残差比率和R²值这两个尺度等级都较高的细份额的价格数值时是准确的，高级模型是用这些尺度构建的。

表D表示根据这两个性能尺度对(表C中的)类型C的资产的5个份额的相对排序。

份额 CO	C	R²	残差比率次序	R²次序
份额 CO	C	R²	残差比率次序	R²次序	CO 01	0.73	0.18％	2	2
CO 02	.0 61	0.06％	1	5	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 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为构造模型而选择的聚类而构造聚类246的一个实施例的流程图。(图2中所示的)计算机38通过采用已选数据78和执行用以生成聚类的FCM分析的方法来构造聚类246。

图11表示建立模型248、选择最佳模型250和计算计数252，其中用数据库76建立6个模型。(图3中所示的)计算机38执行这个过程。模型建立248被用来辅助评估人排定资产的优先顺序，以进行全部评估14和基于样本的评估24以及推断评估。

图11中的下面是一个表，表示一个从按照模型建立248d而建立的6个模型中选择最佳模型250的示例性实施例。各模型按照用哪些变量作为X而不同。所有模型都使用CUMV聚类(这些对所有资产都存在)。来自建立模型248的模型除了被用来预测市场价值(“MAV”)258外还被用来预测法庭拍卖值(“CAV”)256。其他实施例(未予示出)使用其他模型来预测其他值。

在选择最佳模型250时，选择所考察的K个回归模型(这里的K＝6)的最佳模型。每个UW资产的最佳模型是按照以下尺度选择的：min{abs(y-y_k)，1E⁹⁹}，其中y是要预测的UW值，y_k是根据第k个回归模型的的预测，k＝1，2，…，K。

在计算计数252时，计算这K个模型各自在每个CUMV内被选择的次数。图11含有对应于CAV和MAV模拟情景的这些计数。其他模拟情景在其他实施例中使用。

在应用模型254时，用到了所有对每个非UW资产产生一个预测的模型的加权平均预测。权重是根据频率计数252而构造的，预测来自建模过程。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系统的一个作用是，每个使每个输入变量，比如X变量，在模型中出现的非UW资产将从每个模型得到一个预测的UW值。其他模型软件包也有这个特点。下面的方程E详细说明了该程序。

{\overset{\hat{&OverBar;}}{y}}_{1} = \frac{\underset{i, j, k}{Σ} I_{lk} f_{ijk} {\hat{y}}_{lk}}{\underset{i, j, k}{Σ} I_{lk} f_{ijk}}

(方程 E)

方程E中，如果模型k为资产l产生过一个预测，I_1k等于1，否则等于零；f_ijk＝模型k为第i个CUMV类(i＝1，2)以及第j个CUMV聚类(j＝1，2，3)中的UW资产被选择的次数；y_lk＝对模型k中的y_l的预测。注意每一种对一个资产有一个预测的建模方法只有一个贡献，每个都被该建模方法被选择用于同一个CUMV聚类的所有UW资产的次数加权。

过程240也被用于估算均值预测的置信度下限(“LCL”)和置信度上限(“UCL”)，只是把方程E中的y_ik换成相应的统计值。

回头再参看图3，监管学习过程206和无监管学习过程208使用聚类方法。“聚类”(c1ustering)是一种试图评估数据集的模式(patterns)之间的关系的工具，它把模式组织成分组或聚类(clusters)，每个聚类内的模式彼此比属于不同聚类的模式更相似。就是说，聚类的目的是从大的数据集中提取自然的分组，产生某系统的行为的简洁的表示。无监管学习步骤208采用一种模糊聚类方法(“FCM”)和知识工程来为估价自动地分组。FCM是一种在统计建模中广泛应用广为人知的方法。该方法的目的是最小化聚类内距离(intra-cluster distance)和最大化聚类间(inter-cluster)距离。通常使用欧几里得(Euclidean)距离。

FCM 248(见图10)同时最小化聚类内距离和最大化聚类间距离。通常使用Euclidean距离。FCM是一种迭代优化算法，它最小化成本函数

J = Σ_{k = 1}^{n} Σ_{i = 1}^{c} μ_{ik}^{m} {| | X_{k} - V_{i} | |}^{2}

(方程 F)其中n为数据点数；c是聚类数，X_k是第k个数据点；V_i是第i个聚类中心(cluster centroid)；μ_ik＝1是第i个聚类中第k个数据的成员程度(degree of membership)；m是大于1的常数(通常m＝2)。注意μ_ik是个实数，范围是[0，1]。μ_ik＝1的意思是第i个数据绝对在第k个聚类中，μ_ik＝0的意思是第i个数据绝对不在第k个聚类中。如果μ_ik＝0.5，则意味着第i个数据部分地在第k个聚类中的程度是0.5。从直观上讲，如果每个数据点只属于特定聚类并且没有对任何其他聚类的部分成员程度，则成本函数将被最小化。就是说，在把每个数据分配给其属于的聚类时没有含糊。

成员程度μ_ik被定义为

μ_{ik} = \frac{1}{Σ_{j = 1}^{c} {(\frac{{| | X_{k} - V_{i} | |}^{2}}{{| | X_{k} - V_{j} | |}^{2}})}^{\frac{1}{m - 1}}}

(方程 G)

从直观上讲，当X_k向V_i接近时，聚类中心V_i中的数据X_k的成员程度μ_ik会增加。同时，μ_ik在X_k远离V_j(其他聚类)时变小。

第i个聚类中心V_i被定义为

V_{i} = \frac{Σ_{k = 1}^{n} {(μ_{ik})}^{m} X_{k}}{Σ_{k = 1}^{n} {(μ_{ik})}^{m}}

(方程 H)从直观上讲，第i个聚类中心V_i是X_k的坐标的加权和，其中k是数据点数。

从希望的聚类数c和对每个聚类中心V_i(i＝1，2，…，c)的初始估算开始，FCM将收敛到一个对V_i的解，它或者代表成本函数的一个局部最小点或者代表它的一个鞍点。FCM解的质量，同多数非线性优化算法的质量一样，在很大程度上取决于对初始值(数c和初始聚类中心V_i)的选择。

在一个示例性实施例中，整个资产组合12被无监管模糊聚类细分，每个聚类被评估专家审查，由此辅助评估人为全部评估14和样本评估34选择金融工具。备选方案是，可以将这个FCM只应用到部分42。结果，每个聚类都得到一个为调整138的目的(见图3)而分配的HELTR综合评分。实质上，HELTR综合评分捕获的是现金流期望值和其范围、其发生时刻(timing)以及与每个聚类相关联的风险的期望值和范围。

现在参看图2，全部评估部分16与总资产组合12的比率在一个实施例中是资产的25％和所有资产的面值的60％。这些资产的全部评估由于他们的规模和值而得到保障。然而，这个评估对所有评估人都是相当一致的，所以评估不可能产生一种显著的递盘差异。然而，在示例性实施例中构成资产75％、但是是资产面值的40％的、包含部分36和42的其余40％，在被评估之前是高度投机性的。在值可以在部分36和42f中找到的程度上，例如——但不限于——粗略外推的额外5％，该差别意味着赢得或丧失对整个资产组合递盘或对整个份额递盘的差别，这意味着千百万美元的利润差别。

就保险单而言，按照程序40，统计学被用来试图回答三个基本问题：(a)应如何收集数据？(b)应如何总结所收集的数据？(c)数据总结的准确度如何？算法134回答问题(c)，是一种没有理论证明的基于计算机的方法。用于保险单推断估价的算法134适合于回答对传统统计分析来说过于复杂的统计推断。用于保险单估价的算法134通过反复地有替换的抽样而模拟统计估计的分布。该算法总体上由三个步骤构成：(I)有替换地抽样(sampling with replacement)，(II)估计感兴趣的统计值，和(III)估算标准差。

按照保险算法134，NPV标准误的估算是按下列方式执行的。对于每个风险模型和对于模型中的每个细份额，假设该细份额中有N个保险单，用有替换地抽样来选择n个样本(例如n＝100)。在本例中，每个样本也含有N个保险单。对于每个样本以及对于所有历史保险单：

\frac{A}{E_{w}} = \frac{Σ (Act)}{\frac{Σ (Wtdexp)}{0.72858}}

(方程 I)

下一步通过

NPV = ΣP - ΣE - (ΣC) \times \frac{A}{E_{w}}

(方程 J)

为最近的保险单生成净现值。计算n个净现值的样本标准差。在方程I中，Act是每个个别保险单的实际的理赔额，Wtexp是加权的期望理赔额。

图12是用于信用计分的示例性基准80和指令性规则集的表。其他基准可以根据金融工具的类型和特定递盘条件或竞买者的任何其他需要或偏好而选择。

图13一个更详细的树型图260，类似于树状图66(见图2的下面)。在图13中，分叉的条件是(a)是否是担保的(secured)，(b)是否是循环的(revolving)，(c)上一次付款是否为零。结果是六个聚类262、264、268、270、272，非正式地称该树为“摇动树”(shakertree)。

图14表示一个按照本发明的一个实施例的示例性系统300。系统300包括至少一个配置为服务器的计算机302和多个与服务器302相连以形成网络的计算机304。在一个实施例中，计算机304是包括网络浏览器的客户机系统，服务器302是计算机304能通过因特网访问的。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)或广域网(WAN)等网络、拨号连接、有线调制解调器和专用高速ISDN线路。计算机304可以是任何能够互连到因特网的装置，包括基于网络(web)的电话或其他基于网络的可连接设备，包括无线网络和卫星。服务器302包括一个连接到集中的数据库76(也在图2示出)的数据库服务器306，数据库76是一个含有描述资产组合的集合的数据库。在一个实施例中，中央数据库76被存储在数据库服务器306上，由计算机群304之一的用户通过计算机304群之一向服务器子系统302登录而访问。在一个备选实施例中，中央数据库76被存储在远离服务器302的地方。服务器302被进一步设置得能接收和存储用于以上所述资产评估方法的信息。

尽管系统300被描述为一个连网的系统，但预期本文所述的用于审查和处置资产组合的方法和算法能在不与其他计算机连网的独立计算机系统中实现。

尽管就各种特定实施例描述了本发明，本领域的熟练人员会知道，本发明能在权利要求的精神和范围内的修改的情况下实施。

Claims

1.为限制风险而为资产估价选择最低差异假设的方法(32)，所述方法包含下列步骤：

用对特定资产有优点的多个估价方法估价资产；

为正被估价的资产选择一个最精确的估价方法；和

用所选择的方法对资产赋值。

2.按照权利要求1的方法(32)，其中，所述选择估价方法的步骤进一步包含按照量化诸如现金流预测值的对象的精确度的顺序为各种估价方法排序的步骤。

3.按照权利要求2的方法(32)，进一步包含选择一个具有最小下边差异和最大上边差异的至少之一的估价的步骤。

4.按照权利要求1的方法(32)，其中，选择估价方法的步骤进一步包含当找到最佳估价方法时中断选择其余估价方法的备选估价的步骤。

5.按照权利要求1的方法(32)，其中，所述向资产赋值的步骤进一步包含为资产估价找出最佳概率分布形态的步骤。

6.按照权利要求5的方法(32)，其中，所述为资产估价找出最佳概率分布形态的步骤进一步包含减少概率分布差异的步骤。

7.按照权利要求5的方法(32)，其中，所述为资产估价找出最佳概率分布形态的步骤进一步包含提供确定概率分布的能力的步骤。

8.按照权利要求5的方法(32)，其中，所述为资产估价找出最佳概率分布形态的步骤进一步包含提供估价过程中任何时刻的最佳值概念的步骤。

9.按照权利要求1的方法(32)，其中，所述用对特定资产有优点的已知估价方法估价资产的步骤进一步包含的步骤是，按照掌握中的100％现金的资产估价、部分现金的资产估价、资产的直接评估和资产的推断评估的至少之一估价资产。

10.用于为限制风险而为资产估价选择最低差异假设的投资组合估价系统(300)，所述系统包含：

配置成服务器(302)的计算机(304)，该计算机进一步配置有资产组合(12)的数据库(76)；

至少一个通过网络连接到所述服务器的客户机系统，所述服务器被设置得能用对特定资产有优点的多个估价方法估价资产，为正被估价的资产选择一个最精确的估价方法并对资产赋值。

11.按照权利要求10的系统(300)，其中，所述服务器(302)被设置得能按照量化现金流精确度的顺序为各种估价方法排序。

12.按照权利要求11的系统(300)，其中，所述服务器(302)被设置得能选择一个具有最小下边差异和最大上边差异的至少之一的估价。

13.按照权利要求10的系统(300)，其中，所述服务器(302)被设置得能在找到最佳估价方法时停止选择其余估价方法。

14.按照权利要求10的系统(300)，其中，所述服务器(302)被设置得能为资产估价找出最佳概率分布形态。

15.按照权利要求14的系统(300)，其中，所述服务器(302)被设置得能减少概率分布差异。

16.按照权利要求14的系统(300)，其中，所述服务器(302)被设置得能提供确定概率分布的能力。

17.按照权利要求14的系统(300)，其中，所述服务器(302)被设置得能提供估价过程中任何时刻的最佳值概念。

18.按照权利要求10的系统(300)，其中，所述服务器(302)被设置得能按照掌握中的100％现金的资产估价、部分现金的资产估价、资产的直接评估和资产的推断评估的至少之一估价资产。

19.用于为限制风险而为资产估价选择最低差异假设的计算机(38)，所述计算机包括有资产组合(12)的数据库(76)，所述计算机被程序设置得能：

用对特定资产有优点的多个估价方法估价资产；

为正被估价的资产选择一个最精确的估价方法；和

对资产赋值。

20.按照权利要求19的计算机(38)，被程序设置得能按照量化现金流精确度的顺序为各种估价方法排序。

21.按照权利要求20的计算机(38)，被程序设置得能选择一个具有最小下边差异和最大上边差异的至少之一的估价。

22.按照权利要求19的计算机(38)，被程序设置得能在找到最佳估价方法时停止选择其余估价方法。

23.按照权利要求19的计算机(38)，被程序设置得能为资产估价找出最佳概率分布形态。

24.按照权利要求23的计算机(38)，被程序设置得能减少概率分布差异。

25.按照权利要求23的计算机(38)，被程序设置得能提供确定概率分布的能力。

26.按照权利要求23的计算机(38)，被程序设置得能提供估价过程中任何时刻的最佳值概念。

27.按照权利要求19的计算机(38)，被程序设置得能按照掌握中的100％现金的资产估价、部分现金的资产估价、资产的直接评估和资产的推断评估的至少之一估价资产。