JP2003529138A

JP2003529138A - 収益と現在価値を最適化するための方法とシステム

Info

Publication number: JP2003529138A
Application number: JP2001550602A
Authority: JP
Inventors: ジョンソン，クリストファー・ディー; エドガー，マルク・ティー; キーズ，ティム・ケー
Original assignee: ジーイー・キャピタル・コマーシャル・ファイナンス，インコーポレーテッド
Priority date: 1999-12-30
Filing date: 2000-12-19
Publication date: 2003-09-30
Also published as: WO2001050311A8; BR0008610A; WO2001050311A2; US7082411B2; CN1370297A; HK1049717A1; TWI242724B; AU2730301A; KR20010108282A; US20020049659A1; CA2362441A1; PL349805A1; EP1194875A2; KR100771710B1; HUP0301068A2; MXPA01008619A

Abstract

(57)【要約】部分的なフルアンダーライトや、部分的なサンプルに基づくアンダーライトや、残りのものに対する推定値によって大きな資産グループを評価する方法である。ここでは、全資産に対する反復的／適応的な統計的評価と、その評価から得られ推定価値を生成するために利用される統計的推定値が用いられる。個々の資産が評価されてテーブルにリストされるので、入札するための所望の、もしくは、所定の方法で、個々の資産価値を取り出して、それを素早くグループ化することができる。資産は、データベース中に収集され、信用変数によって分割され、これらの変数に基づく格付けによってさらに分割され、その後、個々に格付けされる。次に、入札をグループ化し、個々の評価値を蓄積することによって得られた評価値全体に基づいて、資産は再グループ化される。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】

本発明は、一般に、金融商品(financial instruments)の評価(valuation)方法
、特に、大量の金融商品を迅速に評価する方法に関する。

【０００２】

【発明の背景】

経済状況や計画的／非計画的な資産分割に応じて、もしくは、法的救済処置の
結果、ローン、例えば、何万件ものローンやその他の金融商品などの多くの資産
が時々売却される。時として数十億ドルに匹敵する資産を含むことがある数千件
ものぼる商業ローンやその他の金融商品を、２〜３ヶ月以内に売却しなければな
らない時がある。もちろん、資産の売り手はポートフォリオ値を最適化したいと
願っており、「トランシュ(tranche) 」資産をグループ化することもある。ここ
で、「トランシュ」という言葉は、外国手形だけに限られるものではなく、国や
管轄とは無関係に、資産や金融商品をグループ化したものも含まれる。

【０００３】入札者は、すべてのトランシュ、もしくは、その一部だけに対して入札できる
。一般に、入札者はトランシュを獲得するために、そのトランシュに対して最高
値で入札する必要がある。特定のトランシュに対する入札価格を決定することに
関して、限られた利用可能な限定された時間内にトランシュ内のできるだけ多く
のローンを評価するために入札者は引受業者を雇う。入札期限が切れそうなとき
は、入札者は、その時点でアンダーライト(underwrite)されたローンを評価し、
それから引受業者がまだ分析していないローンに対する評価値を外挿する。

【０００４】このプロセスにより、入札者は、トランシュを大幅に過小評価して競争力のな
い入札を行うかもしれないし、もしくは、アンダーライトされた価値よりも高値
で入札し、無制限のリスクを負うことになるかもしれない。もちろん、本目的は
、入札者が収益を得ることが可能な価格でトランシュを獲得することであるため
、過小評価しすぎてトランシュを失うことは、チャンスを失うことを意味する。
短期間に多数の金融商品を正確に評価することを容易にするシステムを提供する
ことで、所定の入札に関する収益の確率がわかることが望ましい。

【０００５】伝統的に、ポートフォリオレベルでの入札や売買申し込みは、ポートフォリオ
内の各資産に関連する推定値の総和として設定される。投資や保険などの業界で
は、買い手や売り手の欲求を満たすようなリスク／収益構成を選択するために、
分散が利用されてきた。内部収益率や純現在価値の確率の必要条件を満たす金融
商品のポートフォリオの各トランシュの入札価格を決定することが、さらに望ま
しい。

【０００６】

【発明の概要】

模範的な一実施形態では、反復的／適応的アプローチにより、ポートフォリオ
は三つの主要な評価値に分割される。資産ポートフォリオの第１の評価タイプの
フルアンダーライト(full underwriting) は、反対のサンプルに基づいて実行さ
れる。第２の評価タイプは、共通の記述属性を含むカテゴリから効率よくサンプ
リングされ、選択可能なランダムサンプルの資産はフルアンダーライトされる。
アンダーライトする第１と第２の部分の評価値や分散を利用し、また、統計的推
論を適用して、第３の部分の各資産を個々に評価することによって、第３の評価
タイプに統計的推定評価が施される。第３の部分を評価する際は、クラスタリン
グ(clustering)とデータの削減が行われる。

【０００７】プロセスが進行するにつれて、より多くの資産がアンダーライトされ、第１と
第２の部分の資産の数は増加するが、第３の部分の資産の数は減少し、さらに、
第３の部分の資産の評価値の分散がますます明らかとなる。特に、第１と第２の
部分の資産の評価値に対する類似性に基づいて資産を複数のクラスタにグループ
化することによって、第３の部分の資産が評価される。入札者が決定した複数の
パラメータから最適な入札を決定するための評価を行うことによって、仮説的な
入札が行われる。反復的入札生成プロセスを通して、最適な入札が明らかにされ
る。例えば、内部収益率（ＩＲＲ）と純現在価値（ＮＰＶ）の確率の必要条件を
満たす金融商品のポートフォリオのうちの少なくとも一つのトランシュの入札価
格を決定する方法は、ポートフォリオを売買可能な個別のサブポートフォリオ、
即ち、複数のトランシュに分け、各トランシュに試験的な入札価格を与え、買い
手や売り手の資産パフォーマンス履歴データと複数のトランシュを組合わせる工
程と、トランシュに関して、ＮＰＶやＩＲＲの分析を実行する工程とを含む。

【０００８】

【発明の詳しい説明】

図１は、アンダーライトサイクルを経て、例えば、オークションで資産のポー
トフォリオ１２を買い取るための入札を行うまでの、大きな資産ポートフォリオ
１２を評価する周知のプロセスを図解１０したものである。図１は、反復的でな
くオートメーション化もされていない模範的なアンダーライト／外挿プロセス１
０の上位レベルの概観である。図１０では、引受業者が多数の資産からポートフ
ォリオ１２をアンダーライト１４し、アンダーライトされた第一の部分１６と未
着手の残り部分１８を生成する。資産をアンダーライトする前は、第一の部分１
６はポートフォリオ１２のうちのゼロパーセントであり、残り部分１８はそのう
ちの１００パーセントである。アンダーライトプロセスが進行すると、第一の部
分１６が増加し、残り部分１８が減少する。目的は、資産のポートフォリオを買
い取るために入札する前に出来るだけ多くの資産をアンダーライトすることであ
る。引受業者のチームは各々、入札直前までアンダーライト１４を続ける。概外
挿２０を行うことで残り部分１８を評価する。外挿値２０は、アンダーライトさ
れていない推定値２４となる。概外挿を行うことで、残り部分１８に対する評価
値２４を生成する。評価値２２は、第一の部分１６の個々の資産値を単純に合計
したものである。しかし、評価値２４は、外挿によって生成されたグループ評価
値であるため、低く評価されてしまうことがある。次に、評価２２と２４を合計
して、ポートフォリオ資産値２６を作る。評価プロセスは、ポートフォリオの各
トランシュに対して行われる。

【０００９】図２は、迅速に資産を評価するためのシステム２８の一実施形態を示す図であ
る。図２には、資産ポートフォリオ１２を評価する際にシステム２８がとるプロ
セス工程が示されている。システム２８は、統計的に重要でないか、金融上重要
でないと見なされた未着手のわずかな量３０を除いた全資産を個々に評価する（
「扱う」）。特に、（以下で説明されるように）量３０以外のポートフォリオ１
２の全資産は反復的／適応的評価３２を受けて、ポートフォリオ１２の資産が個
々に評価され、テーブルに個々にリストされ、次に、テーブルから選択され、入
札の目的上必要なグループ、即ち、トランシュにグループ化される。図１０では
、引受業者は、フルアンダーライトされた資産の第一の部分１６を作るために、
ポートフォリオ１２の資産のフルアンダーライト１４を開始する。また、引受業
者は、ポートフォリオ１２の第２の部分３６の資産のサンプルもアンダーライト
３４し、コンピュータ３８は、ポートフォリオ１２の第三の部分４２の価値を統
計的に推定する４０。また、コンピュータ３８は、以下に述べるように、部分１
６、３６、４２の資産に割り当てられた価値を示すテーブル（以下に述べる）を
繰り返し生成４４する。一実施形態のコンピュータ３８は、スタンドアロン型コ
ンピュータとして構成されている。他の実施形態のコンピュータ３８は、（図１
４で示されて説明される）ネットワーク、例えば、ワイドエリアネットワーク（
ＷＡＮ）またはローカルエリアネットワーク（ＬＡＮ）を介して少なくとも一つ
のクライアントシステムに接続されるサーバとして構成される。

【００１０】引き続き図２を参照すると、例えば、ファジーＣミーンズ（ｍｅａｎｓ）クラ
スタリング（“ＦＣＭ”）と高値／期待値／低値／タイミング値／リスク値（「
ＨＥＬＴＲ」）の合成スコアを用いて、ポートフォリオ１２の第三の部分４２の
、サンプリングもされずアンダーライトもされない部分４６が統計推定４０され
て、２つのカテゴリ４８、５０が生成される。ＨＥＬＴＲは、Ｈ：高キャッシュ
フロー、Ｅ：期待キャッシュフロー、Ｌ：低キャッシュフロー、Ｔ：キャッシュ
フロータイミング値（例えば、月単位：０〜６、７〜１８、１９〜３６、３７〜
６０）、Ｒ：借り手のリスク評価値（９：信用アナリストによって使用されるボ
クサー(boxer) ）として定義されている。カテゴリ４８は、評価全体に十分な共
通性を持つとみなされる。カテゴリ５０は、さらにクラスタ５２と５４に分けら
れ、また、さらに区分化される。クラスタ５２はサブクラスタ５６と５８に分け
られ、クラスタ５４はサブクラスタ６０、６２、６４に分けられる。クラスタと
サブクラスタは評価ブロック６８のボックスとして、「ツリー」図６６に示され
ている。これらの個々の資産値は、入札のためにトランシュ７０、７２、７４に
再グループ化される。売り手は、どのような構成セットのトランシュもアセンブ
ルすることができる。

【００１１】ポートフォリオ１２の各資産の個別資産データ（不図示）はデータベース７６
に入力され、それから、反復的／適応的プロセス３２用の所定の評価基準８０に
基づいて選択されたデータ７８がサンプリングされる。資産を評価するために評
価基準８０を確立すると、その確立された評価基準８０はデータベース７６に格
納され、そして、その確立された評価基準を共有するデータベース７６内のその
他の資産データを評価する際に用いられる。従って、反復的／適応的評価プロセ
ス３２は、（以下で説明される）評価を行って８２、それを入札用にグループ化
する。

【００１２】図３と４は、多数の資産ポートフォリオ１２を評価するためのシステム２８（
図２に示す）の一実施形態の機能概要を示すフローチャート８５である。評価処
理１４、３４、４０（図２参照）は、以下に示す方法で、同時か順番にシステム
２８で使用される。上述したように、フルアンダーライト１４は、第１のタイプ
の評価処理である。グループ化しサンプリングするアンダーライト処理３４では
、サンプルをフルアンダーライトするが、これは第２のタイプの評価処理である
。統計推定４０は第３の評価処理であって、オートメーション化されたグループ
化処理と、オートメーション化された評価を行う。処理１４、３４、４０は、以
下に述べられるように、設定された目的の評価基準に基づく。

【００１３】ここで使われる「アンダーライト」は、確立された原則に基づいてある者（「
引受業者」）が資産を見直し、資産購入のために現在の買取価格を決定するプロ
セスを意味する。アンダーライト中に、引受業者は、既存の、即ち、確立された
評価基準８０を用いて評価する。「評価基準」は、資産値に関するルールと、複
数のカテゴリに基づく格付けを意味する。例えば、評価基準として、引受業者は
借り手の３年分のキャッシュフローの履歴を資産評価に関する情報カテゴリとし
、様々なレベルのキャッシュフローに対して一定の格付けをすることができる。

【００１４】フルアンダーライト１４には、二つの方法、即ち、フルキャッシュベースの方
法８６と部分的キャッシュベースの方法８８がある。フルキャッシュベースの方
法８６も部分的キャッシュベースの方法８８も、個々にフルリビューされた１４
資産セット９０、９２から始まる（図２参照）。このフルレビュー１４では、通
常、高額のドル、あるいは、その他の適切な通貨に依存して、資産の量をポート
フォリオの他の資産と比較して見直すか、もしくは、借り手が周知の者であった
り信頼できる者なので、資産に対して素早くフルアンダーライトできる、即ち、
資産値に関してほとんど差が無いように市場に対してその資産の値がつけられる
場合のその借り手に基づいて見直しが行なわれる。資産セット９０は引受業者９
４によって評価され、セット９０の各資産は、現金担保や完全な時価を有する商
品のように変動が非常に少ないとの評価値が得られて、完全評価テーブル９６に
入力される。テーブル９６の資産に対して選択された個々の価値は、フルアンダ
ーライトされたグループ値９８として格納される。

【００１５】セット９２は、チーム９４と同じでよい引受業者チーム１００によって評価さ
れるが、各資産はディスカウントされた値、即ち、部分的な評価値が与えられ、
部分価値テーブル１０２に入力される。テーブル１０２内のトランシュの資産に
対して選ばれた個々の価値は、フルアンダーライトされたグループ値１０４の部
分的価値として格納される。フルキャッシュベースの方法８６と部分的キャッシ
ュベースの方法８８用の評価基準８０（図２参照）は、コンピュータ３８（図２
参照）のデジタル記憶メモリ（図示せず）内のデータベース７６（図２参照）に
格納され、それは、オートメーション化された評価４０での監視付き学習(super
vised learning) ２０６と監視無し学習(unsupervised learning) ２０８で使用
される。

【００１６】サンプリングを行うアンダーライト３４は、２つの処理、即ち、フルサンプリ
ング１０６処理と部分サンプリング１０８処理によって行われる。フルサンプリ
ング１０６は大きな資産のカテゴリのために利用され、また、サンプリングされ
る資産のカテゴリ内のサンプルグループを１００％サンプリングする処理１１０
を含む。フルサンプリング処理１０６の資産は個々にアンダーライトされないが
、所定の共通項に基づいてフルサンプリンググループ１１２内でアンダーライト
される。そして、得られたフルサンプリンググループの評価を行い（不図示）、
次に、ルール１１４に基づいて区別を廃止して、個々のフルサンプル資産値テー
ブル１１６を生成する。次に、トランシュ内の資産をグループ化することによっ
て提案されたように、入札に必要なフルサンプリンググループの評価処理１１８
に対して、テーブル１１６内の個々のフルサンプル資産値を電子的にアップロー
ドする。アンダーライトするサンプルグループの資産の数は、最低１つから何個
まででもよい。部分サンプリング１０８は資産の中間カテゴリ用であり、サンプ
リングされるグループのクラスタ内から代表的なグループを１００％サンプリン
グし、クラスタ内の他のグループをランダムにサンプリングすることにより、ク
ラスタサンプルグループ１２０を形成する処理を含む。部分サンプリング１０８
では全グループをサンプリングするが、クラスタサンプルグループ１２０から外
挿することによってその一部は部分的に評価される。部分サンプリング１０８に
は、手動でデータを入力１２５して資産レベルを再アンダーライト１２２するこ
とが含まれるが、それによって、アルファ信用アナリストテーブル１２６が作成
され、次に、それに対して資産クラス調整１２８が施されて、信用アナリストテ
ーブル１３０が作成される。上述したように、トランシュのグループ化に基づい
て調整された信用アナリストテーブル１３０から個々の資産が選択されて、トラ
ンシュ７０（図２参照）の入札時に使用するための部分サンプリング信用値１３
２が作成される。

【００１７】自動評価処理４０は、監視付き学習プロセス２０６と監視無し学習プロセス２
０８と、統計的推定アルゴリズム１３４からアップロードしたものを利用して、
デジタル記憶装置に格納されたアンダーライトクラスタテーブル１３６を生成す
る。監視付き学習プロセス２０６では、価値を設定するために何について問い合
わせればよいかを知っている経験を積んだ引受業者はコンピュータを支援して、
資産が良い投資であるか否か、また、その資産をどのように評価するかをコンピ
ュータに決定させる。監視無し学習プロセス２０８では、コンピュータが資産を
区分化して分類し、データからのフィードバックに基づいて資産の自己評価を客
観的に行う。引受業者は定期的に監視無し学習プロセス２０８を見直して、コン
ピュータが理にかなったアンダーライト結果を出しているかどうかを確認する。
コンピュータは、統計的アルゴリズム１３４を用いて推論する。例えば、一実施
形態では、これに限定されるわけではないが、ジェネラルエレクトリック(Gener
al Electric)社で開発されて利用されたデザインフォーシックスシグマ（Design
For Six Sigma；「ＤＦＳＳ」）の品質パラダイムを用いているが、これは、多
世代製品開発（「ＭＧＰＤ」）モードを使用して高精度の資産データ評価を行う
デューデリジェンス（Due Diligence ；「ＤＤ」）資産評価プロセスに適用され
る。学習プロセス２０６、２０８は評価の進展につれて蓄積された知識を組み込
んで、キャッシュフローのリカバリーやリカバリー確率の計算を進行中の実時間
で行う。評価の目的のために、監視付き学習プロセス２０６はビジネスルールを
用いることによって、共通点のある資産のクラスタを決定する。監視無し学習プ
ロセス２０８は、処理４０によって以前に実行されたデータ評価からのフィード
バックを利用して、評価の信頼性が上がっているかどうかを確認する。以下で説
明されるが、高速コンピュータを利用することによって、利用可能な全ての原デ
ータを確認したり、利用可能なこれらの原データのクラスタ間の相互関係を見つ
けることが可能となる。

【００１８】以下で説明されるが、模範的な一実施形態では、ＨＥＬＴＲスコアリング技術
を利用した、原データを監視無しで編成するファジークラスタリングミーンズ（
「ＦＣＭ」）プロセスを用いて、ポートフォリオの資産に対する信用スコアの評
価額を推定する。手動処理が不可能な時間内に評価する必要のあるポートフォリ
オ内の資産と大きな資産総数を記述するための高度な分類区分に対応して、この
クラスタリング技術が発達してきた。

【００１９】一つの模範的な方法では、まず、コンピュータシステムで、複数の評価スコア
（静的な、または、確率的なリカバリー値）を編成する。それから、特定の要因
やビジネスの決定に対する評価スコアを調整する。次に、同じ資産について記述
した複数の評価スコアを一致させたり、推定された評価値について詳細な調査／
オーバライドを行うための全体的な調整が行われる。

【００２０】クラスタ番号とクラスタ名とクラスタの記述属性と確率的リカバリー値（図示
された例はＨＥＬＴＲスコアである）と、各クラスタの記述属性の強度に基づく
各クラスタの評価に対する引受業者の確信度を電子的な形式で対照させることに
よって、複数の評価スコアが編成される。クラスタ番号は複数の記述属性の特定
のセットのユニークな識別名であり、また、その複数の記述属性は資産に関する
ものであって、評価に熟練した者がそれを用いて資産価値を評価するための事実
を示すものである。

【００２１】記述属性の例としては支払状況や資産の種類や、スコアで表される借り手の信
用値や、請求権の所在と順位が含まれるが、これに限定されることはない。一実
施形態のクラスタ名は、クラスタの記述属性、即ち、ソースを表す英数字名であ
る。図１２には、以下に述べられるような記述属性の一例が示されている。

【００２２】記述属性は、資産の価値を明らかにするために使われたという事実や要因やベ
クトルである。コンピュータの論理を使って、複製されたクラスタをチェックし
、また、もしあれば、アナリストや引受業者に警告を与えることができる。

【００２３】複数の記述属性の多くの組合せによって各資産を記述できるので、同じ資産に
対して様々なレベルの評価を行うことができる。確率的リカバリー値や、クレジ
ットスコアや、資産価値を示す数字は、個々の資産レベルで指定された価値を示
すものである。購入価格や販売価格を固定値または確率値として算定できるよう
に、様々な記述属性からの全情報が統合される。

【００２４】ここで図示されている本実施形態には、ＨＥＬＴＲスコアが用いられる。各ク
ラスタは、ユニークな記述属性のセットと所定のＨＥＬＴＲスコアを備える。

【００２５】全てのクラスタのユニークな属性は、クラスタの価値を評価するのに役立つ。
属性の異なる組み合わせにより、高い信頼性、即ち、特定のクラスタのスコアの
信頼区間が得られる。例えば、ある資産が、高さ２．５インチ、幅５インチの緑
色の紙片に記述されている場合は、人は、この資産に対して０〜１０００ドルの
価値を与え、その評価にはまったく確信が持てないであろう。もし、この同じ資
産が本物の２０ＵＳドル紙幣であるというもう一つの事実や属性やベクトルが記
述されていたなら、人は、この２０ＵＳドルというクラスタ価値に対して、非常
に高い信頼をもつことになる。

【００２６】クラスタの価値と信頼度は、ある時点で決定されて記録される。新しい情報が
利用可能になると、時々、アナリストはその値を変更したくなる。データフィー
ルドと決定ルールに従って、その値は、手動か、もしくは、コンピュータのコー
ドを介したオートメーション化された手段によって自動的に変更される。前の値
は操作されて、新しい情報が反映される。例として、前のクラスタ信頼性が０．
１と記録され、このクラスタと全く同じ記述属性をもつ別の資産が「最も可能性
のある」価値以上でまさに売れた仮定する。この事象が発生した場合は、クラス
タの信頼性を１０倍するというルールが働き、修正されたクラスタの信頼性は、
０．１ｘ１０＝１となる。

【００２７】このプロセスの目的は、各評価ソースに関する信頼性に対する各評価値の大き
さを制御して、同じ資産に対する複数のスコアを一致させることである。特定の
資産に対する複数のサンプルデータポイントと共に、一例として、ＨＥＬＴＲを
使うと、

【００２８】

【表１】

【００２９】クラスタ一致評価値は、その最高値が０．６９９９、その期待値が０．４７９
２、その最低値が０．２３７４であって、そのタイミングは２．６０５９である
。複数の重み値を操作するために、様々な論理を適用することができる。

【００３０】仮定された全体状況から一致スコアが見出される。全体的に前提を変更する必
要がある場合は、一致スコアに重み付けするプロセス工程１２８、１３８を本方
法に備えさせる。

【００３１】この例としては、特定の評価要因の不正が発見されたり、マクロ経済的な変化
が発生したり、資産クラスに対して代替可能な市場価値が確立されたり、推定さ
れた資産の評価方法の結果の方が利用されるその他の方法の結果よりも損失あっ
たり、もしくは、増加があったりする場合がある。

【００３２】別な実施形態では、ポートフォリオの構成をすばやく理解して記述するために
、相互相関ツールを使用する。一般に、このツールを用いることによって、ユー
ザによって選択された資産ポートフォリオ変数のその他の変数に対する応答を相
関づけることができる。このツールによって、２つの属性変数と応答変数間の予
期せぬ高相関／低相関関係をすばやく見つけることができる。属性変数には、２
つのタイプ、即ち、継続変数とカテゴリ変数がある。相関ツールによって、注目
の全変数間の相互相関が計算され、一実施の形態では、それらのビン（ｂｉｎ）
、即ち、レベルが２次元マトリクスで与えられるので、ポートフォリオの複数の
資産の傾向を簡単に得ることができる。

【００３３】まず、相互相関ツールは、資産ポートフォリオの属性変数を継続変数、もしく
は、カテゴリ変数として識別する。各変数に対する集合レベルは、継続変数に対
してはビンによって、また、カテゴリ変数に対しては価値によって計算される。

【００３４】このツールを使って相関を求めたいユーザは、応答変数Ｙｒ、例えば、期待さ
れるリカバリー、即ち、そのカウント値を選択する。複数の対の属性変数（ｘｌ
、ｘ２）とそれらのレベル（ａ、ｂ）の全組合わせについて、応答変数Ｙｒの平
均値が、Ｙｒ＝sum(Y(xl=a及びx2=b))／count(xl=a及びx2=b) から計算される。から計算される。

【００３５】応答変数の期待値Ｙ_expectは、次式Ｙ_expect＝［sum(Y(xl=a))＊count(xl=a)＋sum(Y(x2=b)) ＊count(x2=b))］／［count(xl=a)＊count(x2=b)］から計算される。

【００３６】期待値Ｙ_expectから選択された応答変数Ｙ_rの偏差値Ｙ_errorは、重みづけされ
た値ｘｌ＝ａとｘ２＝ｂを別々に用いることによって、Ｙ_error ＝Ｙ_r - Ｙ_expect から計算される。

【００３７】期待値からの差を簡単にわかるようにするため、一実施形態の期待値と偏差値
は多次元で表示される。

【００３８】その他の模範的な一実施形態では、以下に述べるように、原データを最終的に
入札価格に変換するトランスファ機能プロセスが使われる。処理１４、３４、４
０で生成された修正係数を用いて、テーブル１３６は電気的に調整されて、資産
のクレジットスコア１３８に対して係数調整が施され、また、推定された個々の
資産信用値の調整された信用アナリストテーブル１４０が生成される。トランシ
ュのグループ化によって必要となるテーブル１４０から個々の資産値が取り出さ
れ、推定された信用評価値１４２が生成される。最終的に、「未着手の」資産の
わずかな残りの部分３０に対する外挿を行って、未着手資産テーブル１４４を作
成する。１つの未着手の資産評価値を生成するために、テーブル１４４から複数
の値が選択される。

【００３９】フルキャッシュ評価値９８と、部分キャッシュ評価値１０４と、フルサンプリ
ング信用評価値１１８と、部分信用値１３２と、推定信用値１４２と、未着手資
産テーブル１４４から割り当てられた値は蓄積され、また、これらは相互に排他
的であって、フルキャッシュ評価値９８から推定信用値１４２までは、連続する
優先度を備える。複数の評価値の合計はポートフォリオの値を表す。

【００４０】図４は、システム２８（図２に示す）によって実行される入札準備ステージ１
６８のフローチャートである。リスク選好ローンレベル評価工程１４６では、蓄
積された評価値９８、１０４、１１８、１３２、１４２、１４４が結合される。
キャッシュフロータイミングテーブル１５０を使って、決定論的キャッシュフロ
ーブリッジ１４８が作られ、そして、確率論的キャッシュフローブリッジ１５２
が作られる。確率論的キャッシュフローブリッジ１５２が作成され、それは、特
定のしきい値１５８に達するまで反復的にトランシュモデル１５６が適用される
トランシュ入札価格案１５４を確定するために使用される。しきい値１５８は、
例えば、ある値以上の内部収益率（「ＩＲＲ」）や、特定の収益期間（「ＴＴＰ
」）や、正の純現在価値（「ＮＰＶ」）である。

【００４１】一般に、ＮＰＶは、ＮＰＶ＝Ｃ₀＋［Ｃ₁／（１＋ｒ）］（式Ａ）として定義される。ここで、Ｃ₀は時点０での投資額、Ｃ₁は時点１での期待収
益値、ｒは割引率(discount factor) である。基本的な概念は、今日のドルは明
日のドル以上の価値があるということである。

【００４２】保険証券の場合、ＮＰＶは、ＮＰＶ＝ΣＰ−ΣＥ−（ΣＣ）×（Ａ／Ｅ_W）（式Ｂ）のように定義される。ここで、Ｐは契約料、Ｅは名目の期待コスト、Ｃは請求コ
ストである。式Ｂは、利益と重みづけされた期待リスクの差としての純利益がど
のように生成されるかを基本的に示す。尚、総和計算とは特定セグメントの全契
約を合計するものである。さらに、すべての契約料と名目コストと請求コストは
、式に当てはめられる前に割引される。その結果、収益性スコアが生成される。

【００４３】しきい値条件１６０が満たされる場合、入札１５４に対してシミュレーション
に基づく開札分析１６１が施されて、落札が期待できるかどうかが予測される。
封緘入札の結果は、各入札者から受けた入札の大きさに依存する。オークション
の実行とは、一般公開入札にして、最も高値をつけた入札者に商品を売却するこ
とである。伝統的な封緘入札では、入札者は一旦入札したらその入札を変更でき
ず、また、開札されるまで他の入札者の入札がわからないため、オークションの
結果を不明瞭にしていた。高値をつければオークションで落札する確率は高くな
るが、もしオークションで低価格の落札ができたならば、その利益は低くなる。

【００４４】自由競争による入札をシミュレーションすることによって、最高収益をあげる
確率が上がる。このことは、自分自身の財源より先に競争入札者の財源を空にす
る傾向のある入札／売上価格範囲を設定することによって可能となり、これによ
って、資金を最もよく保持した状態で最も望ましい資産を得ることが可能となる
。ロバストな分析プロセスでは、価格の決定に焦点を合わせている。何故ならば
、思惑や性格や一方的な知識に依存しないデータ指向のアプローチによって、純
粋に事例に基づくビジネス判断を増やすことができるからである。

【００４５】各入札者は、封緘入札のオークションに対して入札範囲を用意することがある
。この入札範囲を統計分布として表現することができる。入札値の分布から確率
論的サンプリングを行うことにより、一つのオークションシナリオをシミュレー
ションできる。さらに、反復サンプリング技術、例えば、モンテカルロ分析を用
いて、多くのシナリオがシミュレートされて、その結果の分布が作成される。そ
の結果の分布には、オークション商品の落札確率や利益を得る確率も含まれる。
自分自身の入札価格を変更することにより、自分自身の入札価格に対するオーク
ションの落札確率を求めることができる。

【００４６】以下の主要な要素を用いることによって、自由競争入札の結果のシミュレーシ
ョンを行うことができる。即ち、市場のルールと契約に基づいてコンピュータ化
されたビジネスルールのコードや、潜在的競争／市場原理や予想された予算と優
先度に基づく好みマトリクスを表すコードや、自分自身の入札能力や、好みや、
好みマトリクスにコード化可能なリスク／収益のトレードオフや、コンピュータ
化された確率論的最適化処理である。

【００４７】分析工程１６０では、システム２８によって計算された入札値と比べて様々な
経済的な入札能力をもつ他社が含まれる自由競争環境をシミュレートする。一実
施形態の分析工程１６０には、例えば、これに限定されないが、資産の合計値が
システム２８を用いるエンティティの経済的な能力を超える場合には、入札総量
規制が含まれる。一実施形態の分析工程１６０では、入札リソースが限定されて
いる場合は、様々な組合せのトランシュ上で入札した場合の収益性が評価される
ことがある。また、分析工程１６０では、既知の競争相手に対抗して入札した際
の過去の履歴や、競合する入札者が好む様々なタイプの資産に関する情報を考慮
する。分析工程１６０ではトランシュ入札値を評価し、次に、管理部１６２がそ
れを設定して、最終的にトランシュ入札１６４が行われる。入札前にすべての評
価１６４を好きなだけ繰り返すことができる。さらに、このプロセスは自己調整
的で反復的であるので、システム２８によって実行される繰り返しからより大き
な価値が見いだされると、トランシュ入札価格１６４は上昇する傾向がある。

【００４８】フローチャート８５で示されるプロセスには、評価ステージ１６６（図３に示
す）と入札準備ステージ１６８（図４に示す）が含まれる。評価ステージ１６６
には、処理１４、３４、４０が含まれる。評価ステージ１６６は停止するまで継
続的に実行され、これには、様々な資産やカテゴリ内の資産の別な価値を見いだ
す試みを行う自動評価処理４０とサンプリング処理３４が含まれる。

【００４９】再び図２を参照すると、高速な資産評価に基づいて、ポートフォリオ１２の資
産内のデータカテゴリ１７０、１７２、１７４が各資産毎に識別されて、データ
ベース７６に格納される。反復的／適応的評価プロセス３２では選択データ７８
の一部を取り込み、統計的手法によって選択データ７８の一部に評価基準８０を
適用するので、概外挿２０された資産評価値よりも周知の資産評価値の方が増大
する。方法２８に基づいて、資産は、少なくとも、第１の部分１６と第２の部分
３６と第３の部分、もしくは、残り部分４２に分割される。処理１４を用いて部
分１６の資産がフルアンダーライトされて、評価工程９８と、フルアンダーライ
トされた部分的評価値の評価工程１０４が確定されて、その評価に対する評価基
準８０が確立される。処理３４を用いて、プロセス２８は第２の部分３６のグル
ープを表す第２の部分３６からの多数の資産をサンプリングすることにより、第
２の部分３６に対するフルサンプリンググループ評価工程１１８と部分サンプリ
ング信用評価工程１３２が確定し、その評価に対する追加の評価基準８０が確立
される。処理４０を用いて、図２のコンピュータ３８等のオートメーション化さ
れたアナライザによって、部分的監視付き学習プロセス２０６と部分的監視無し
学習プロセス２０８が実行される。学習するために、オートメーション化された
アナライザは、第３の部分、もしくは、残り部分４２に関して選択されたデータ
７８と確立された評価基準８０を抽出し、次に、データベース７６とプロセス２
０６、２０８から抽出された評価基準８０を使って、第３の部分４２を複数の部
分４６に分割し、各部分４６をカテゴリ４８、５０に分割し、カテゴリ５０をク
ラスタ５２、５４に分割し、また、クラスタ５２、５４をサブクラスタ５６、５
８、６０、６２、６４に分割する。統計的推定を行うことによって、サブクラス
タ５６、５８、６０、６２、６４の資産に対する個々の資産評価値が確立される
。

【００５０】個々の資産評価値はクラスタテーブル１３６（図３参照）にリストされ、調整
１３８された後に、信用アナリストテーブル１４０にリストされる。確立された
評価基準８０は客観的であるが、これは、フルアンダーライト１４とサンプルア
ンダーライト３４を行う際に評価基準８０が置かれたデータベース７６から、そ
の評価基準８０が得られるからである。言い換えると、全評価テーブル９６と部
分評価テーブル１０２とテーブル１１６とアルファ信用アナリストテーブル１２
６と調整された信用アナリストテーブル１３０と調整された信用アナリストテー
ブル１４０と未着手資産テーブル１４４から得られる全資産に関する情報は、コ
ンピュータ３８のハードディスク記憶装置１７８等のデジタル記憶装置のデータ
ベース７６に置かれ、処理１４、３４からの評価基準８０を用いて相関関係が処
理４０によって生成される。処理４０の実行中に、許容できる信頼度を備えた、
統計的に重要な評価基準８０が入力される。つまり、処理４０は、評価基準８０
を評価して確立するために繰り返し学習する。監視付き学習プロセス２０６と監
視無し学習プロセス２０８によって、統計的推定評価工程１４２での正確さが改
善されるが、これは、フルアンダーライトされた第１の部分１６の資産を、サン
プリングに基づいてアンダーライトされた第２の部分３６の資産のデータベース
７６に確立された評価基準８０に相関させることによって達成される。第３の部
分４２の一つ以上の資産に関連する選択されたデータ７８は、部分１６や部分３
６の資産について選択されたデータ７８と同様にデータベース７６に配置され、
次に、統計的推定によって、その配置情報から第３の部分４２の各資産の評価値
が決定される。

【００５１】フローチャート８５に示されるプロセスの実行中に、資産は個々の資産レベル
で評価され、個々の資産評価値は、一つ以上の組み合わせとして表で表される、
即ち、グループ化される。様々な入札シナリオに最大の柔軟性を持たせるために
、ポートフォリオ１２のサブセットは、特定の時間枠内で個別に評価され値づけ
される。周知のプロセス１０では、例えば、資産会社によってグループ化する場
合から、借り手の地理的位置によってグループ化する場合に至るまでの、複数の
資産の売り手がその複数の資産を再グループ化する場合は、入札を再評価するこ
とは不適切なことがある。何故ならば、概外挿２０を行う必要があるからである
。システム２８を用いる際は、個々の資産評価値が作られて、テーブル９６、１
０２、１１６、１３０、１４０、１４４にリストされるので、これらの評価値を
異なる評価工程９８、１０４、１１３、１３２、１４２に電子的に再グループ化
することができる。尚、それらの工程の「食物連鎖」の選択評価基準は相互に排
他的であり、また、評価を施すアナリストによって選択が可能であり、これにつ
いては以下で説明される。売り手が複数の資産をグループ化する場合、売り手の
グループ、即ち、トランシュに基づいて容易にグループ化することができ、また
、そのトランシュに対して適切な評価１４６が施される。このように、個々の資
産評価値を第３の部分４２のために容易に再グループ化して、そのグループ、も
しくは、トランシュに対して推定された評価値１４２を客観的に得ることができ
る。

【００５２】資産値を確立するために多くの方法を用いることができる。評価の目的に依存
するが、異なる複数の評価方法での相対的メリットは、特定の資産に対して望ま
しい評価技術を確立できることである。一つの方法は「食物連鎖」に類似するも
のであっても、前提開発方法(assumption development method) を維持しながら
、最高信頼区間を有する区間を選択するものである。

【００５３】食物連鎖の入門的な一例では、個人の意見よりも自由市場で同様の資産がいく
らで取引されているかによって、金融資産を評価することを人は好む。個人の意
見よりも、序列でマーケットツーマーケット(market-to-market)値が選択される
。

【００５４】同様に、予測されたキャッシュフローリカバリーをもつポートフォリオの資産
を、多くの評価技術によって評価することができる。一般的な目的は、高い確率
で将来のキャッシュフローがどうなるかを設定することである。複数の評価方法
は、キャッシュフローやキャッシュの等価物を正確に計量する能力や、下がる方
向の最小分散値や上がる方向の最大分散値を用いた予測値の順にランク付けされ
る。

【００５５】メリットがある、もしくは、論理的ビジネスルールを備える利用可能な方法の
全てによって資産が評価されるが、そのルールとは、一旦最良の方法が利用され
ると、より正確な方法では資産額を評価する必要がなくなることがわかっている
場合は、繰り返し作業を除外するというものである。

【００５６】資産評価値を最適に予測するために、食物連鎖内の各方法によって資産が評価
されるが、この評価は、特定の各資産用に利用可能な最適な方法によって資産が
評価されるまで続く。一旦、最高の評価値が得られると、食物連鎖内でより低い
（差がより大きい）その他の評価値とは無関係にその評価値が資産に与えられ、
その資産は完了状態になる。

【００５７】一例では、食物連鎖を用いて資産のポートフォリオが評価される。食物連鎖の
第一の評価方法は、評価目的、即ち、最も正確（最もタイトな信頼区間）な評価
値を見つける目的に最も一致する方法である。１つの方法によって資産が評価さ
れるとすぐに、その資産価値は評価テーブルに送られて、食物連鎖内で次に控え
る工程から削除される。尚、その方法のために、ユニークな資産に対する評価値
が設定された。どの評価方法とも調和しなかった元のポートフォリオからの資産
リストは、未着手資産テーブル内に保持される。その目的は、この未着手のテー
ブルをゼロ資産にすることである。

【００５８】食物連鎖の一例を好みの順に以下に示す。即ち、（ａ）資産を得るための１０
０％手持ちの現金、（ｂ）資産を得るための一部の手持ちの現金、（ｃ）同様な
資産に対する流動的市場価値、（ｄ）ダイレクト（ｄｉｒｅｃｔ）アンダーライ
ト、（ｅ）推定されたアンダーライトである。

【００５９】食物連鎖のアプローチによって、最適な確率分布形状を見つける能力が提供さ
れ、確率分布の分散（特に、下側のテール部分）が減らされ、購買者の利用可能
な全知識を保持した状態で確率分布を素早く確立する能力が提供され、また、発
見プロセスのどの地点でも最適な評価値が提供される。

【００６０】図４に示すように、入札準備ステージ１６８の一般的な枠組みは、落札した投
資家は投資を回収するための義務ではなく権利を備えるというオプションとして
の評価パラダイムと同様に、入札１６４価格を決定することである。評価値に対
する区別が廃止されて、各トランシュに対する三つの部分が作られる。即ち、貨
幣の時間的価値要素、固有の価値要素、可能なキャッシュフロー要素である。貨
幣の時間的価値と固有の価値は決定論的に計算され、一度確立されるとほとんど
変化がなくなる。貨幣の時間的価値は、低リスクの投資に対する会社の資本コス
トに、適用可能期間の投資額を掛けて計算されるが、ここで、適用可能期間とは
、現在の投資を行うために先行する代替的な投資の機会を表すものである。固有
の価値は流動的資産の評価値として周知であり、購買価格よりも高く、資産の権
利の取得直後に利用可能になる。一実施形態としては、ポートフォリオの一部と
して市場価格よりも安く購入された流通証券がある。可能なキャッシュフローの
分散は、デューデリジェンス(due diligence) チームが作る前提(assumption)の
関数であり、また、原データをキャッシュフローリカバリーストリームに変換す
るためにそのチームが選択するプロセスである。ここで述べるシステムは、負の
変化小さくして評価値を求めるように構成されている。

【００６１】図５は、一般的な最低三点資産評価１８０を示す三角確率分布のグラフである
。プロセス４０に基づいて、金融商品ごとに、最低の三つのケースが評価される
。縦軸１８２は増加する確率、横軸１８４は増加するリカバリー部分をそれぞれ
意味する。破産、即ち、額面ライン１８８で最悪の場合のパーセントと、額面１
８８で最良の場合のパーセント１９０と、最もありうる場合のパーセントと、額
面１８８のリカバリー値１９２が示されている。最悪の場合のパーセントの確率
１８６はゼロであり、最良の場合のシナリオでの確率１９０はゼロであり、リカ
バリーが最もありえるパーセント１９２の確率１９４は点１９６で示される値で
ある。ライン接続点１８６、１９６、１９０によって定義される曲線２００下の
領域１９８の大きさは、資産の評価値を表す。表記資産価値は、額面値１８８の
１００％リカバリー値の１００％確率ライン２０４が境界となる長方形の領域２
０２に対応し、また、曲線２００によって表される資産に帰する額面値１８８の
一部の大きさである。資産に適用され、また、資産価値のリカバリー確率に帰す
る評価基準８０と、当該資産に対して選択されたデータ７８に依存して、ポイン
ト１８６，１９６、１９０とライン１８８、２０４とそれらによる領域１９８、
２０２は変化する。横軸１８４は、額面の割合ではなく、通貨単位（例えば、ド
ル）で表すこともできる。通貨単位を用いる場合は、異なる複数の資産に対する
、曲線２００の下の領域１９８は通貨単位であり、従って、複数の領域１９８は
、それらの大きさ、つまり、入札７０、７２、７４全体の重要度に関して互いに
関連がある。資産についてよりわかるようになるに従って、曲線２００はより精
密になる。評価基準８０を確立することによって、ポイント１８６、１９６、１
９０とこれによる領域１９８を確立する、即ち、資産価値の期待値を確立するた
めの支援がなされるときに、曲線２００に統計学が適用される。価値に影響を与
えるキャッシュフローのタイミングは、タイミング属性のヒストグラムの結果に
基づくものであってよい。

【００６２】例えば、キャッシュフローリカバリータイミングは、０−６ヶ月、７−１２ヶ
月、１３−１８ヶ月等の三つのビンに分けられる。アルゴリズム１３４を利用し
てオートメーション化されたアナライザ３８は感度スタディを行って、評価値と
タイミング間でのトレードオフに基づき、ビンの幅を選択することができる。尚
、そのトレードオフは、引受業者が決定できる標準リカバリー値／レートと比較
される。模範的な一実施形態では、割引率が２５％よりも大きい場合、最低４つ
のビンを使用しなければならない。割引率が１０から２５の場合、可能性のある
リカバリー期間をカバーするために最低６つのビンを使用しなければならない。

【００６３】処理４０によって、引受業者が金融商品の価値を評価するために利用できるそ
の他のデータソースが選択される。この観点から、処理１４、３４内で、アンダ
ーライトチーム９４、１００、１１４、１２２、１４４によって確立された基準
８０は有用である。フローチャート８５で示されるプロセスに基づいて、原デー
タはリカバリー値に変えられ、原データを評価するために１つのルールセットが
選択され、このルールセットは評価基準８０の形態で評価データベースにコード
化される。処理１４、３４、４０での評価中に複数回のヒットが発生して１つの
クラスタとの接触がある毎に、合意の予測値が作られて、クラスタに適用される
。システム２８によって、トランシュレベルでのキャッシュフローの確率分布と
タイミングが決定される。このことは、原データが取り込まれ、そのデータから
トランシュ内の個々の資産の評価値が生成され、まとめられるという前提を正当
化する、資産レベルの評価トランスファ機能１４６を開発することによって達成
される。

【００６４】すべてのリカバリーが同質ということはないので、キャッシュフローのリカバ
リーを可変にする方法を提供する。個々の資産は、グループイクスポージャ(gro
up exposure)によってクラスタ化される。伝統的には、クラスタリングが施され
る予定のかなり大きなサンプルがまだ残っていることを認識しながら、できるだ
け大きな額面が許容時間内にアンダーライトされる。額面の２．６５％＋１４５
の大きさのサンプルと差の回帰分析を利用して、クラスタリングのための準備金
が推定される。これにより、サンプルの大きさは、１００件の資産の額面に対し
ては３０となり、１，０００件の資産の額面に対して１５０となり、５，０００
件の資産の額面に対しては４００となり、１０，０００件の資産の額面に対して
は５００となり、２０，０００件の資産の額面に対しては６００となる。

【００６５】統計的推定処理４０の実行中、ポートフォリオ１２の第３の部分４２に残って
いる資産は、記述的アンダーライト属性、もしくは、基準８０によってクラスタ
化され、各クラスタとアンダーライトされたサンプルからランダムサンプルが取
り出される。一実施形態では、資産レベルの平均分散が１０％以下になる場合、
処理４０のクラスタからのサンプリングを停止する。他の実施形態では、トラン
シュレベルの平均分散が１５％以下になると、サンプリングを停止する。潜在的
な単位売上げがポートフォリオ全体よりも小さい場合は、ポートフォリオの平均
分散は停止点としては使用されない。処理４０でのクラスタサンプリングでのリ
カバリー評価値は、該当するクラスタ集合上で推定される。システム２８を使用
する場合は、三つ以上のユニークなクラスタを介して推定資産評価の各々に着手
することが目標である。処理４０の実行中、クラスタのアンダーライトを行う信
頼性と記述属性の適合性に対して重み付けがなされる。

【００６６】これに限定されることはないが、一例として、０は、このクラスタの記述属性
から意味のある評価値が提供されることに関する信頼性がないことを意味し、１
は、各商品を個々にアンダーライトするときに、このクラスタの記述属性から正
確な評価値が提供されることに関して完全に信頼性があることを意味し、１と０
の間の数は、評価値について部分的な信頼性があることを意味する。これらの値
は、調整された信用アナリストテーブル１３０内で照合される。処理４０では、
資産レベルでのキャッシュフローは、調整された信用アナリストテーブル１４０
内のマクロ経済係数によって調整される。一実施形態では、マクロ経済係数は主
要資産のクラス、例えば、これに限定されることはないが、不動産用モーゲージ
や商業設備ローンに関連している。この係数は、例えば、これに限定されること
はないが、法律制度、国内総生産（「ＧＤＰ」）予測値、保証会社、収集効率、
借り手グループの規約等に広く適用することができる。

【００６７】ポートフォリオをサンプリングする一つの方法には、主要資産の特徴や借り手
の特徴や担保の特徴に、影響が大きかったりリスクを生み出してしまう属性がな
いかどうか探索することが含まれる。以下のテーブルＡは、資産評価シナリオで
のポートフォリオ属性リストの一例である。

【００６８】

【表２】

【００６９】属性を「ダミー変数」に符号化することにより、資産属性は区分化される。例
えば、共通の資産属性が「借り手はこの１２ヶ月で支払いを行ったか？」という
質問で、答えがはいの場合は、「１」、そうでなければ、「０」として変数を符
号化する。同様に、「ダミー変数」は、その他の資産属性にも使用される。

【００７０】符号化された資産属性を処理する統計処理を使って、ポートフォリオを同様の
資産グループに区分化することによって、区分化処理が実行される。このアルゴ
リズムの一つがＫミーンズクラスタリングである。一例では、３つの資産属性、
即ち、未払い元本残高（ＵＰＢ）と支払確率と０から１までの等級と、不動産担
保によって保証される確率である担保付スコアが用いられ、資産を同様の属性を
有する五つのグループに分類することができる。

【００７１】一旦、資産がグループ化されると、サンプリングされて、アンダーライトの見
直しをさらに行うために提供されるサンプルの数が計算される。これは、下記の
式に基づき、各セグメント（ｋ）のリカバリー合計値に関する計算書を作成する
ことの信頼性レベル（ｋ）を確立し、各セグメント（ｈ）のリカバリー合計値を
人が推定する精度（ｈ）を確立し、リカバリーのレベルと範囲の先験的な推定値
（Ｒ）を合計未払い残高（ＵＰＢ）の割合（％）として提供することによって計
算される。

【００７２】

【数１】

【００７３】ｎ＝サンプルサイズ、Ｎ＝クラスタサイズ、ｘ_i ＝サンプルｉのＵＰＢ、ｙ_i ＝サンプルｉのリカバリー値、

【００７４】

【数２】

【００７５】＝クラスタ期待リカバリー値（％）、

【００７６】

【数３】

【００７７】（式Ｃ）ここで、

【００７８】

【外１】

【００７９】

【数４】

【００８０】（式Ｄ）ｋはチェビシェフの公式の定数、確率≧１−（１／ｋ²）で、

【００８１】

【数５】

【００８２】。

【００８３】ｎに対して式Ｃを解くことにより、所定のクラスタに対して必要なサンプルサ
イズが得られる。更に、式Ｃを解くことにより、ユーザは、確率１−（１／ｋ² ）を用いて計算されたサンプルサイズｎを得ることができ、また、それに関連す
るアンダーライトされた価値から、誤差ｈ以内でクラスタリカバリー合計値を推
定できる。ここでは、セグメントリカバリー合計の推定値は、式Ｄによって決定
されると仮定している。

【００８４】実際には、利用可能なデータがない場合は、リカバリー合計値の変動性を推定
することは難しい。スプレッドシートツールでは、モンテカルロシミュレーショ
ンによりデータを生成し、その結果を分析して、好ましいサンプルサイズが得ら
れるようにユーザを導くことによって、上述の処理を実施する。

【００８５】テーブルＢは、２０件のローンのグループについての調査からのアウトプット
の一例を示すものである。尚、ＵＰＢの推定（期待）リカバリー値は２０％から
３０％であって、ＵＰＢの範囲は１ＭＭから２ＭＭである。７５％の信頼性で、
２０件のローンのリカバリー合計が１０％以内と推定するには、８つのサンプル
が必要である。

【００８６】［テーブルＢ］：サンプルサイズスプレッドシートウィザード

【００８７】

【表３】

【００８８】適切な分散調整が施された予測値が各資産に対して生成され、ポートフォリオ
の全資産を含むように評価テーブルが構成される。一実施形態ではトランシュで
ある売上単位の連続確率を用いて、リカバリー値が評価される。システム２８を
用いる場合は、内部収益率（「ＩＲＲ」）と分散が評価される。所定のＩＲＲに
対して小分散のトランシュが好ましい。プロジェクトの割引率を使って、各トラ
ンシュの純現在価値（「ＮＰＶ」）が０より大きい確率が算定される。資本オポ
チュニティコストと、ＦＸスワップコストと、予測キャッシュフローリカバリー
の分散に固有な一般的不確実性のリスクとから割引率が決定される。プロジェク
トが負のＮＰＶを有するという確実性が５％以上であることが明らかである場合
は、入札は行われない。以下の決定基準を用いて、トランシュ毎に取引が評価さ
れる。即ち、ＩＲＲと、トランシュ内のＩＲＲのリスク分散と、トランシュの支
払い推定能力とその意思と、収益期間（「ＴＰＰ」）と、トランシュによる元金
回収リスクの分散と、ゼロリスクレートに割引かれたトランシュ毎の期待キャッ
シュフローのＮＰＶである。

【００８９】自由競争入札環境で、資産ポートフォリオの内容について交渉できない場合は
、強い金銭的なインセンティブを備える投資家、もしくは、売り手は、財政的構
成全体に最大のリスク／収益を提供する取引で利用可能な資産合計のうちの一部
だけを選ぶ。最小のリスク／収益の予測値で、上がる方の複数の最大確率のうち
でより高い確率の資産をうまく処理することは、投資家にとってさらに魅力的で
ある。

【００９０】ポートフォリオ全体は、売買可能なサブポートフォリオ、即ち、トランシュに
個別に分けられる。各トランシュは、以前の分析から予測されたキャッシュフロ
ー確率分布と期間を備える。次に、これらのトランシュには試験的な価格がつけ
られる。新たな資産は、売り手や買い手の既存の資産のパフォーマンスと組合せ
られて、（明らかにされる、それに関連する相互相関を利用した）モンテカルロ
法のケース生成処理が施される。

【００９１】トランシュ選択プロセスには、購入目的ではなく、トランシュをランダムに選
択することが含まれる。一旦ポートフォリオの効果が特定のパターンをとると、
拘束条件下で確率論的な最適化を行うことによって、いくらでどのトランシュを
購入するかの選択を最適に行うことができる。

【００９２】ＮＰＶを用いた場合は、悲観的なケースシナリオを考慮してＰＶを得る際に起
こりがちな２重の割引きに関連する影響から、誤った方向に導かれる場合がある
。この制限を克服するために収益期間を用いるか、もしくは、評価を行うための
分析によって求められたように割引を行う際に、限界資本費用、即ち、ゼロリス
クレートを用いることができる。

【００９３】推定評価処理４０の監視付き学習プロセス２０６と、部分サンプリング処理１
０８の工程１２０、１２２、１２６は、そのプロセスが自動化されているという
点を除き、引受業者が実際にそのプロセスに関与するという点で似ている。図６
は、区分化可能な金融商品資産をオートメーションでアンダーライトするプロセ
ス２１０を示すフローチャートである。まず、共通属性により、金融商品のクラ
スタが定義される２１２。属性に基づいて定義されたクラスタから選択されたサ
ンプルの価値についてエキスパートの意見２１４が与えられる。この意見はサン
プルアンダーライトプロセス２１６で利用され、その価値の属性の組み合わせが
あるかどうかがチェックされる２１８。プロセス２１０は、使用する個々の属性
を選択して設定し２２０、次に、個々の資産をクラスタに分類する２２２。各ク
ラスタ資産をクラスタ評価する２２４。クラスタ評価によって、複数の評価値の
区分がルール２２６に基づいて撤回されて、信用アナリストテーブル２２８が作
成される。

【００９４】図７は、複数のモジュールを含む監視無し学習２０８の模範的な一実施形態の
フローチャートである。データ取得モジュール２３０は、どこででも利用可能な
適切なデータ７８を収集する。変数選択モジュール２３２は、信用の見直しを行
ったり、様々な資産グループを分割する際に最も細かな差を区別できる能力を利
用して、クリティカルと考えられる資産関連変数を識別する。階層区分化モジュ
ール２３４は、アナリストによって選択されたクリティカル変数に基づいて、資
産のポートフォリオ全体を複数のビンに区分化する。ＦＣＭモジュール２３６は
、資産データの本来の構造に基づいて、各ビンをさらに複数のクラスタに分類す
る。アンダーライトリビューモジュール２３８は、推定されたキャッシュフロー
とリスクスコア１３８（図３に示す）を各クラスタに割り当てる。次に、処理４
０で調整された複数のクラスタからの複数の資産の信用アナリストテーブル１３
６内の個々の資産価値に、このスコアが与えられて、調整された信用アナリスト
テーブル１４０が作成される。このプロセスは反復的で継続的であり、コンピュ
ータによって実行可能であるので、他の場所で標準のアンダーライトがなされて
いる一方でそれを継続することができる。

【００９５】図８は、図３と図４で述べたプロセスの代わりに用いられる、別の模範的な推
定評価プロセス２４０を示す。代替のプロセス２４０では、７工程のプロセスを
用い、フルアンダーライトと部分アンダーライトと推定評価を組み合わせてそれ
らを利用することによって、不動産ローンのポートフォリオを迅速に評価するこ
とができる。第１に、リスクに基づいて資産をサンプリングする（工程２４２）
。第２に、資産をアンダーライトし（工程２４４）、評価値を記録する。第３に
、以下に述べるように、ＦＣＭ等によって複数の市場価値クラスタを形成する（
工程２４６）。第４に、アンダーライトされた資産に対する回帰モデルを構築す
る（工程２４８）。（工程２４８で）アンダーライトされた資産に対して構築さ
れた複数のモデルからベストモデルを選択する（工程２５０）。第６に、選択し
たモデルの総数を計算する（工程２５２）。第７に、アンダーライトされていな
い、もしくは、推論評価されたポートフォリオ１２の部分４２に、（工程２５０
で）選択されたモデルを適用し（工程２５４）、ここでは、その総数で重み付け
することによって、アンダーライトされていない各資産価値が予測される。プロ
セス２４０で作成された個々の資産価値は、調整された信用アナリストテーブル
１４０（図３参照）に置かれる。

【００９６】資産をサンプリングするときは（工程２４２）、引受業者は、詳細な見直しを
行う資産を選択するために、階層化サンプリング法を利用する。階層は、複数の
担保属性から構成される。不動産ポートフォリオの担保属性の例としては、担保
の用途（商業用、もしくは、住宅用）や、以前の評価額や、（以前の評価額や土
地面積やビル面積や現在の評価額やコートオークションでの実勢価格や財産の種
類や財産の所在から推定される）市場価値クラスタが含まれる。一般に、資産は
逆のやり方でサンプリングされる、即ち、未払い元本残高（「ＵＰＢ」）や、前
評価額（「ＰＡＡ」）が減る順にわざわざ並べられたリストから資産が選択され
る。

【００９７】アンダーライト（工程２４４）は手動の大きなプロセスであって、この中では
、エキスパートである引受業者は、価値の概念を担保付き資産に置いている。ア
ンダーライトされた評価額は、データベース７６（図２に示す）等のマスタデー
タベーステーブルに格納される。一般に、通貨単位（例えば、１００，０００個
のＫＲＷ）での、その時の相場で評価値が要約される。

【００９８】図９は、システム２８で用いられるプロセスのオートメーション化された部分
の高レベルの概要２９０である。オートメーション化処理は引受業者によって用
いられるものであって、処理３４に基づくフルアンダーライトを支援する（図３
参照）。複数の金融商品をデューデリジェンスに基づき評価する際の費用と不確
実性を下げるために、また、デューデリジェンスに基づく複数の評価にかかるコ
ストとその変動性を下げるために、処理３４で得られた知識は推定評価処理４０
に適用される。一つのキャッシュフローモデルに評価値が与えられるが、このモ
デルには、資産レベル評価値１４６と決定論的キャッシュフローブリッジ１４８
と確率論的キャッシュフローブリッジ１５２とキャッシュフローテーブル１５０
が含まれる。ゲーム戦略１６０と管理調整１６２での処理が、その結果の入札評
価値１５４に対して施されて、最終的に入札１６４が行われる。

【００９９】図１０は、クラスタを形成する工程２４６の模範的な一実施形態のフローチャ
ートである。クラスタを形成する際に（工程２４６）、引受業者は、例えば、ア
ルゴリズム１３４（図３に示す）等のアルゴリズムによる支援を受けながら、分
類／回帰ツリー（Classification And Regression Tree；「ＣＡＲＴ」）ベース
モデルを使って分析を行う。尚、このモデルは、担保用途／市場価格（Collater
al Usage and Market Value ；「ＣＵＭＶ」）グループが、前評価額（「ＰＡＡ
」）をドライビング変数として利用して、ＵＷ資産をグループ化した結果得られ
たものである。

【０１００】ＣＡＲＴベースモデルのパフォーマンスを評価する二つの方法が以下で説明さ
れる。第１の方法では、エラー率と呼ばれる、ＣＡＲＴに基づく方法での２乗誤
差（ＳＳＥ）とシンプルモデルでの２乗誤差の比を用いる。シンプルモデルとは
、全資産に対して平均資産価格を割り当てるモデルである。第２の方法では、Ｒ² ＝１ − （ＳＳＥ／ＳＳＴ）ここで、ＳＳＴは２乗和で定義される決定係数Ｒ²を計算する。

【０１０１】Ｒ²は、各セグメント内の単一資産の、その全体に対する寄与度であって、特
定セグメント内の資産についてＲ²値が大きいと、寄与度も大きくなる。複数の
異なるポートフォリオセグメントは二つの方法に基づいてランク付けされている
。即ち、モデルの予測能力が各ポートフォリオセグメントでいかに良いものであ
るかを示す方法と、例えば、各トランシュの価格づけの際に入札者に満足レベル
を与える方法である。

【０１０２】［テーブルＣ］：資産当りのエラー率の順位及びＲ²値

【０１０３】

【表４】

【０１０４】第一の工程では、関連するポートフォリオのセグメント化の定義を行う。例え
ば、企業や未払い残高（ＵＰＢ）額や地域や顧客のリスクに基づいて予め定義さ
れた複数のトランシュが、セグメント化されたものであってもよい。上のテーブ
ルＣは、トランシュと資産ランキング（ＢまたはＣ）に基づいて定義されたセグ
メントの一例である。

【０１０５】テーブルＣは、ポートフォリオの研究からのアウトプットの一例であって、５
つのトランシュと２つの異なる資産タイプ（ＢとＣ）が含まれる。本テーブルは
、エラー率が複数の異なるセグメントに対してどのようにランク付けされるかを
示している。また、各資産に対するＲ²値は、各セグメント内のタイプＣの資産
に対して計算されたものである。

【０１０６】第二の工程では、ＣＡＲＴモデルとシンプルモデル（平均価格の外挿）で、注
目の各ポートフォリオセグメントのＳＳＥ値を計算する。エラー率は、シンプル
モデルに基づくＳＳＥ値によって割られたＣＡＲＴモデルに基づくＳＳＥ値から
計算される。エラー率が１より小さい場合は、シンプルモデルよりもＣＡＲＴベ
ースモデルの方がよい推定値を出すことができる。また、エラー率の測定基準に
基づいて各セグメントで最適なモデルを選択し、ＣＡＲＴモデルとシンプルモデ
ルを「ハイブリッドに」組合せて、より優れたモデルを作ることができることが
、別なメリットである。

【０１０７】第三の工程では、各ポートフォリオセグメント内の各資産に対するＲ²値を計
算する。資産毎のＲ²値は、（セグメント毎のＳＳＴ−セグメント毎のＳＳＥ）
／（全資産に対する総ＳＳＴ値×各セグメントの資産数）として計算される。

【０１０８】最後に、第二の工程で計算されたエラー率と第三の工程で計算されたＲ²値に
基づいて、全セグメントがランク付けされる。二つの測定基準であるエラー率と
Ｒ²値の両方で、上位にランク付けされたセグメントに対する価格値を予測する
場合はそのモデルは正確に働くので、これらの測定基準を用いることによって、
より優れたモデルが組み立てられる。

【０１０９】テーブルＤは、二つのパフォーマンスをもつ測定基準に基づいて、（テーブル
Ｃからの）タイプＣの資産に関する５つのトランシュの相対的ランキングを示す
。

【０１１０】［テーブルＤ］：ポートフォリオセグメントランキング

【０１１１】

【表５】

【０１１２】図１０は、ＦＣＭを用いて複数のクラスタを形成し、モデリング用にクラスタ
を選択する模範的な一実施形態を示すフローチャートである。コンピュータ３８
（図２に示す）は、選択されたデータ７８を取り出し、クラスタを作成するため
のＦＣＭ分析を実施することによって、クラスタを形成する（工程２４６）。

【０１１３】図１１は、モデルの構築（工程２４８）と、最適なモデルの選択（工程２５０
）と、総数の算出（工程２５２）を示し、ここでは、データベース７６を利用し
て６個のモデルが構築される。コンピュータ３８（図３に示す）がこのプロセス
を実行する。

【０１１４】フルアンダーライト１４とサンプルに基づくアンダーライト３４と、推定によ
る評価を行う資産に対して優先順位をつける際に引受業者を支援するために、モ
デルの構築（工程２４８）が用いられる。

【０１１５】図１１の下の部分は、モデルの構築２４８ｄに基づいて、６個のモデルから最
適なモデルを選択（工程２５０）するための模範的な一実施形態を示すテーブル
である。本モデルは、どの変数がＸの変数として使われるかによって異なる。す
べてのモデルは、ＣＵＭＶクラスタ（これらは全資産に対して存在する）を使用
する。モデルの構築２４８からのモデルは、市場価値（「ＭＡＶ」）２５８だけ
でなく、コートオークション価値（「ＣＡＶ」）を予測するために使用される。
その他の実施形態（不図示）では、その他の価値を予測するために他のモデルが
使用される。

【０１１６】最適なモデルの選択２５０では、検討中のＫ個の回帰モデル（ここでは、Ｋ＝
６）から最適なモデルが選択される。各ＵＷ資産に対する最適なモデルが、以下
の測定基準：

【０１１７】

【外２】

【０１１８】に基づいて選択される。ここで、ｙは予測されるＵＷ値であり、

【０１１９】

【外３】

【０１２０】総数の算出２５２では、各ＣＵＭＶクラスタ内でＫ個のモデルのそれぞれが選
択される回数がカウントされる。図１１には、ＣＡＶとＭＡＶのモデリングシナ
リオでの回数が含まれる。その他のモデリングシナリオはその他の実施形態で使
用される。

【０１２１】モデル２５４を適用する場合は、非ＵＷ資産の各々に対する予測値を生成する
全モデルから得られる加重平均予測値が利用される。計算されたカウント値２５
２の頻度から複数の重み値が構成され、また、モデリングプロセスから予測値が
得られる。一実施形態では、モデルを構築するために、商業用統計分析ソフトウ
ェア（ＳＡＳ）システムが使用される。ＳＡＳシステムを使用することによって
、非ＵＷ資産の各々に対して、各モデルでのＵＷ予測値が得られる。尚、そのモ
デルでは、非ＵＷ資産の各々は入力変数、即ち、現在の「Ｘ変数」を備える。そ
の他のモデリングパッケージもこの特徴を備えている。以下の方程式Ｅはこの処
理の詳細を示す。

【０１２２】

【数６】

【０１２３】（式Ｅ）式Ｃでは、モデルｋによって資産ｌの予測値を作る場合、Ｉ_lk＝１となり、そ
うでなければＩ_lk＝０になる。ｆ_ijkは、ｉ番目のＣＵＭＶタイプ（ｉ＝１，２
）とｊ番目のＣＵＭＶクラスタ（ｊ＝１，２，３）のＵＷ資産に対してモデルｋ
が選択される回数である。

【０１２４】

【外４】

【０１２５】各モデリング方法からの寄与は１つだけであって、そのモデルでは資産は予測値
をもち、その各々は、同じＣＵＭＶクラスタの全ＵＷ資産に対するモデリング方
法が選択された回数によって重み付けられることに注意されたい。

【０１２６】

【外５】

【０１２７】めに下位の信頼限界（「ＬＣＬ」）と上位の信頼限界（「ＵＣＬ」）を推定する
ためにプロセス２４０が利用される。

【０１２８】再び、図３を参照すると、監視付き学習プロセス２０６と監視無し学習プロセ
ス２０８はクラスタリングを利用する。「クラスタリング」とは、データセット
のパターン間の関係を評価するためのツールであり、これは、複数の異なるクラ
スタに属するパターンよりも、１つのクラスタ内の複数のパターンの方が互いに
似ているように、複数のパターンを複数のグループ、即ち、複数のクラスタに組
織化することによってなされる。即ち、クラスタリングの目的は、大きなデータ
セットからデータ本来のグループを抽出して、システムのふるまいの簡潔な表現
を作りだすことである。監視無し学習工程２０８は、評価のために自動的に資産
をグループ化するための知識工学と、ファジークラスタリング方法（「ＦＣＭ」
）を用いている。ＦＣＭは広く使用され、統計的モデリングに適用されている周
知の方法である。この方法は、クラスタ内距離を最小にし、クラスタ間距離を最
大にすることを目的としている。一般に、ユークリッド距離が用いられる。

【０１２９】同時に、ＦＣＭ２４８（図１０参照）は、クラスタ内距離を最小にし、クラス
タ間距離を最大にする。一般に、ユークリッド距離が用いられる。ＦＣＭは、コ
スト関数を最小にする反復最適化アルゴリズムである。

【０１３０】

【数７】

【０１３１】（式Ｆ）ここで、ｎはデータポイントの数、ｃはクラスタの数、Ｘ_kはｋ番目のデータポ
イント、Ｖｉはｉ番目のクラスタのセントロイド、μ_ikはｉ番目のクラスタのｋ
番目のデータのメンバーシップの程度、ｍは１より大きな定数（一般に、ｍ＝２
）である。尚、μ_ikは実数で、［０，１］で境界付けられている。μ_ik＝１は、
ｉ番目のデータがｋ番目のクラスタに限定されていることを意味するが、μ_ik＝
０は、ｉ番目のデータがｋ番目のクラスタに限定されていないことを意味する。
もし、μ_ik＝０．５ならば、ｉ番目のデータは０．５の程度にｋ番目のクラスタ
の一部であることを意味する。直観的には、各データポイントが特定のクラスタ
に確実に属し、部分的にも他のクラスタとのメンバーシップ関係がない場合は、
コスト関数は最小になるだろう。即ち、各データポイントをそれが属するクラス
タに割り当てる際の曖昧さが存在しない。

【０１３２】メンバーシップの程度μ_ikは、

【０１３３】

【数８】

【０１３４】（式Ｇ）によって定義される。

【０１３５】直観的には、クラスタセントロイドＶ_i内のデータポイントＸ_kのメンバーシ
ップの程度μ_ikは、Ｘ_kがＶ_iに接近するにつれて増加する。同時に、μ_ikは、
Ｘ_kがＶ_j（他のクラスタ）から離れるにつれて小さくなる。

【０１３６】ｉ番目のクラスタのセントロイドＶ_iは、

【０１３７】

【数９】

【０１３８】（式Ｈ）によって定義される。

【０１３９】直観的には、ｉ番目のクラスタセントロイドＶ_iは、Ｘ_k座標の加重和であり
、ここで、ｋはデータポイントの数を表す。

【０１４０】まず、所望のクラスタ数ｃと各クラスタセントロイドＶ_i（ｉ＝１，２，....
，ｃ）に対する初期推定では、ＦＣＭはＶｉに対して、コスト関数の極小値また
は鞍点のいずれかを示す１つの解に収束させる。ほとんどの非線形最適化問題の
解の品質と同様に、ＦＣＭの解の品質は、初期値、つまり、数ｃと初期クラスタ
セントロイド（Ｖ_i）の選択に大きく依存する。

【０１４１】模範的な一実施形態では、ポートフォリオ１２全体が監視無しファジークラス
タリングによってセグメント化され、各クラスタはアンダーライトのエキスパー
トによって見直される。これによって、フルアンダーライト１４やサンプルに基
づくアンダーライト３４を行う金融商品を選択する際に引受業者が支援される。
別の方法では、このＦＣＭを部分４２に適用することができる。その結果、調整
１３８（図３参照）の目的で、各クラスタにはＨＥＬＴＲ合成スコアが割り当て
られる。本質的には、ＨＥＬＴＲ合成スコアは、キャッシュフローの期待値とそ
の範囲の両方と、そのタイミングと、各クラスタに関するリスクを表現したもの
である。

【０１４２】図２を参照すると、模範的な一実施形態では、ポートフォリオ１２全体に対す
るフルアンダーライト部分１６の割合は、それら複数の資産の２５％であり、ま
た、全資産の額面の６０％である。これらの資産のフルアンダーライトは、その
大きさと価値によって保証される。しかし、このアンダーライトは、全引受業者
に対して公正で均一であるので、アンダーライトが大きな入札の違いを引き起こ
すことはない。しかし、模範的な一実施形態では、部分３６と４２を備える残り
の４０％はそれらの複数の資産の７５％を構成するが、額面の４０％だけが、ア
ンダーライトされるまで非常に投機的な部分である。部分３６、４２ｆで値が見
いだせる範囲内で、例えば、これに限定されることはないが、概外挿値を５％を
超える値が見いだされることがあり、ここでは、全ポートフォリオの入札、もし
くは、全トランシュの入札での成功と失敗の差を意味する差が存在し、これは、
数億ドルの利益差を意味する差である。

【０１４３】保険証券の場合、処理４０では、統計学を用いて三つの基本的な質問に答える
試みを行う。即ち、（ａ）我々はどうやってデータを集めるのか？（ｂ）我々は
集めたデータをどう要約するのか？（ｃ）我々のデータをどのくらい正確に要約
するのか？である。アルゴリズム１３４は、質問（ｃ）に答えるものであり、高
度な理論的証明のないコンピュータに基づく方法である。保険証券の推定評価用
アルゴリズム１３４は、伝統的な統計的分析には複雑すぎる統計的推定に適して
いる。保険証券評価アルゴリズム１３４では、復元抽出を繰り返し行うことによ
って、推定の統計分布をシミュレートする。このアルゴリズムは、一般に、主に
三つの工程から構成される。即ち、（Ｉ）復元抽出、（ＩＩ）注目の統計値の評
価、（ＩＩＩ）標準偏差の推定、である。

【０１４４】保険アルゴリズム１３４では、ＮＰＶの標準誤差の推定は以下のように行われ
る。各複数のリスクモデルのそれぞれと、それらのモデルの各セグメントに関し
て、セグメント内にＮ個の保険証券があると仮定すると、ｎ個のサンプル（例え
ば、ｎ＝１００）が復元抽出によって選択される。この例では、各サンプルはＮ
個の保険証券を含む。各サンプルと、過去の全保険証券に対しては、

【０１４５】

【数１０】

【０１４６】（式Ｉ）次に、最近の保険証券の純現在価値が、ＮＰＶ＝ΣＰ−ΣＥ−（ΣＣ）×（Ａ／Ｅ_W）（式Ｊ）によって生成される。ｎ個のＮＰＶ価値に対するサンプル標準偏差を計算する。
式Ｉでは、Ａｃｔは実際の請求額であって、Ｗｔｄｅｘｐは個々の保険証券に対
する期待重み付き請求額である。

【０１４７】図１２は、信用スコア付け１３８のための模範的な一評価基準８０と模範的な
ルールセットのテーブルである。その他の評価基準は、金融商品の種類、特定の
入札条件、または、入札者のその他の希望や好みによって選択される。

【０１４８】図１３は、ツリー図６６（図２の下の部分参照）と同様の詳細なツリー図２６
０である。図１３では、（ａ）担保付かどうか、（ｂ）リボルビングかどうか、
（ｃ）最新の支払がゼロであったかどうかによって分けられる。その結果、通常
、「シェイカーツリー(shaker tree) 」として周知の６つのクラスタ２６２、２
６４、２６６、２６８、２７０、２７２に分けられる。

【０１４９】図１４は、本発明の一実施形態の模範的なシステム３００を示す。システム３
００は、サーバ３０２として構成される少なくとも一つのコンピュータと、ネッ
トワークを形成するためにサーバ３０２に接続されたその他の複数のコンピュー
タ３０４を備える。一実施形態でのコンピュータ３０４は、ウェブブラウザを含
むクライアントシステムであり、サーバ３０２はインターネット経由でコンピュ
ータ３０４にアクセスできる。また、サーバ３０２はコンピュータである。ロー
カルエリアネットワーク（ＬＡＮ）やワイドエリアネットワーク（ＷＡＮ）やダ
イヤルイン接続やケーブルモデムや特殊な高速ＩＳＤＮライン等のネットワーク
を含む多くのインタフェースを通して、コンピュータ３０４はインターネットに
相互接続されている。コンピュータ３０４は、インターネットに相互接続できる
装置であり、インターネットには、ウェブに基づく電話や無線ウェブや衛星回線
を含むその他のウェブに基づき接続可能な機器が含まれる。サーバ３０２は、集
中型データベース７６（図２に示す）に接続されたデータベースサーバ３０６を
含み、集中型データベース７６は、資産ポートフォリオのデータ記述セットを含
む。一実施形態の集中型データベース７６は、データベースサーバ３０６に格納
され、ユーザによって複数のコンピュータ３０４のうちの一台からアクセスされ
るが、これは複数のコンピュータ３０４のうちの一台を介してサーバサブシステ
ム３０２にログオンすることによる。別の実施形態では、集中型データベース７
６がサーバ３０２からリモートで格納される。さらに、上述の資産評価方法のた
めの情報を受信して格納するようにサーバ３０２は構成される。

【０１５０】システム３００はネットワークシステムとして説明されたが、ここで説明され
た資産ポートフォリオの査定／操作方法とそのアルゴリズムは、その他のコンピ
ュータにネットワーク接続されていないスタンドアロン型のコンピュータシステ
ムでも実行できると考えられる。

【０１５１】本発明は様々な特定の実施形態で説明されたが、当業者であれば、請求項の精
神と範囲の中で本発明を変更して実施できることがわかっている。

【図面の簡単な説明】

【図１】資産のポートフォリオを評価する周知のプロセスを示したフローチャートであ
る。

【図２】本発明の一実施形態に基づき、資産のポートフォリオを評価することを示した
フローチャートである。

【図３Ａ】資産を分散のカテゴリに分割して、多数の資産のポートフォリオを迅速に評価
する第一部分の一実施形態を詳細に示すフローチャートである。

【図３Ｂ】資産を分散のカテゴリに分割して、多数の資産のポートフォリオを迅速に評価
する第一部分の一実施形態を詳細に示すフローチャートである。

【図４】単独の単位から、トランシュの単位、もしくは、ポートフォリオの単位に至る
単位でまとめられた大きなポートフォリオを迅速に評価するプロセスの第２部分
を示すフローチャートである。

【図５】リカバリー値が推定される模範的な資産の確率分布を示す。

【図６】図３のプロセスの監視付き学習工程のフローチャートである。

【図７】図３のプロセスの監視無し学習工程のフローチャートである。

【図８】監視無し学習プロセスの実施形態である。

【図９】世代１（第１のパス）の高速資産評価プロセスの実施形態である。

【図１０】図８の監視無し学習で使われるファジークラスタリングのフローチャートであ
る。

【図１１Ａ】高速資産評価プロセスのためのモデル選択、および、モデルの重み付けの例を
示す一対のテーブルである。

【図１１Ｂ】高速資産評価プロセスのためのモデル選択、および、モデルの重み付けの例を
示す一対のテーブルである。

【図１２】高速資産評価プロセスのための模範的な属性を示すテーブルである。

【図１３】高速資産評価プロセスのための模範的なクラスタリング方法のクラスタ図であ
る。

【図１４】コンピュータネットワークの構成図である。

───────────────────────────────────────────────────── フロントページの続き (81)指定国ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＣＹ，ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ，ＴＲ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＧＷ，ＭＬ，ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，ＧＭ，ＫＥ，ＬＳ，ＭＷ，ＭＺ，ＳＤ，ＳＬ，ＳＺ，ＴＺ，ＵＧ，ＺＷ)，ＥＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ，ＭＤ，ＲＵ，ＴＪ，ＴＭ)，ＡＬ，ＡＭ，ＡＴ，ＡＵ，ＡＺ，ＢＡ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＣＡ，ＣＨ，ＣＮ，ＣＵ，ＣＺ，ＤＥ，ＤＫ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＤ，ＧＥ，ＧＨ，ＧＭ，ＨＲ，ＨＵ，ＩＤ，ＩＬ，ＩＮ，ＩＳ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＣ，ＬＫ，ＬＲ，ＬＳ，ＬＴ，ＬＵ，ＬＶ，ＭＤ，ＭＧ，ＭＫ，ＭＮ，ＭＷ，ＭＸ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，ＳＫ，ＳＬ，ＴＪ，ＴＭ，ＴＲ，ＴＴ，ＵＡ，ＵＧ，ＵＺ，ＶＮ，ＹＵ，ＺＷ (72)発明者エドガー，マルク・ティーアメリカ合衆国、12065、ニューヨーク州、クリフトン・パーク、フォックスウッド・ドライブ、1015番 (72)発明者キーズ，ティム・ケーアメリカ合衆国、06896、コネチカット州、ウエスト・レディング、トップレッジ・ロード、16番Ｆターム(参考） 5B056 BB64 BB66

Claims

【特許請求の範囲】

【請求項１】内部収益率（ＩＲＲ）と純現在価値（ＮＰＶ）と収益期間確
率の必要条件のうちの少なくとも一つを満たす、金融商品ポートフォリオの少な
くとも一つのトランシュの入札価格を決定する方法であって、前記ポートフォリオを売買可能で個別のサブポートフォリオ、即ち、複数のト
ランシュに分ける工程と、各トランシュに試験的な入札価格を与える工程と、買い手や売り手とその他の市場とアンダーライトのうちの少なくとも一つの資
産パフォーマンス履歴データと前記複数のトランシュを組合わせる工程と、トランシュに関して、ＮＰＶ、ＩＲＲ、そして収益期間の分析のうちの少なく
とも一つを実行する工程と、を含む方法。
【請求項２】ポートフォリオを売買可能で個別のサブポートフォリオ、即
ち、複数のトランシュに分ける前記工程は、キャッシュフロー確率分布と期間を
以前の分析から予測する工程をさらに含む請求項１の方法。
【請求項３】キャッシュフロー確率分布を予測する前記工程は、最低限必
要な高評価値と、最も可能性のある評価値と、低評価値と、その他の適切な確率
分布のうちの少なくとも一つとして、トランシュの確率的評価値を表す工程をさ
らに含む請求項１の方法。
【請求項４】資産パフォーマンス履歴データと複数のトランシュを組み合
わせる前記工程は、分布作成のための反復サンプリング技術を用いる工程をさら
に含む請求項１の方法。
【請求項５】反復サンプリング技術を用いる前記工程は、モンテカルロ分
析を用いる工程をさらに含む請求項４の方法。
【請求項６】購入しないトランシュを選択する工程をさらに含む請求項１
の方法。
【請求項７】複数の拘束条件下で、いくらで、どのトランシュを購入する
かの最適な選択パターンを識別する工程をさらに含む請求項６の方法。
【請求項８】どのトランシュを購入するかの最適な選択パターンを識別す
る前記工程は、確率論的な最適化を行うことによって決定される請求項７の方法
。
【請求項９】購入しないトランシュをランダムに選択する前記工程は、規
定のしきい値未満の平均内部収益率（ＩＲＲ）のトランシュを選択する工程をさ
らに含む請求項６の方法。
【請求項１０】購入しないトランシュをランダムに選択する前記工程は、
負の純現在価値（ＮＰＶ）、もしくは、規定のしきい値未満の特定の収益期間を
もつトランシュを選択する工程をさらに含む請求項６の方法。
【請求項１１】内部収益率（ＩＲＲ）と純現在価値（ＮＰＶ）と収益期間
確率の必要条件のうちの少なくとも一つを満たす、金融商品ポートフォリオの少
なくとも一つのトランシュの入札価格を決定するシステムであって、サーバとして構成され、資産のポートフォリオのデータベースをさらに備えて
構成されたコンピュータと、ネットワークを介して前記サーバに接続された少なくとも一つのクライアント
システムと、備え、前記サーバは、ポートフォリオを売買可能で個別のサブポートフォリオ、即ち
、トランシュに分け、各トランシュに試験的な入札価格を与え、売り手や買い手
とその他の市場とアンダーライトのうちの少なくとも一つの資産パフォーマンス
履歴データと複数のトランシュを組み合わせ、トランシュに関するＮＰＶとＩＲ
Ｒと収益期間の分析のうちの少なくとも一つを実行するように構成されている、
入札価格決定システム。
【請求項１２】前記サーバは、以前の分析からキャッシュフロー確率分布
と期間を予測するよう構成されている、請求項１１のシステム。
【請求項１３】前記サーバは、トランシュの確率的評価値を、最低限必要
な高評価値と、最も可能性のある評価値と、低評価値と、その他の適切な確率分
布のうちの少なくとも一つとして表すよう構成されている、請求項１１のシステ
ム。
【請求項１４】前記サーバは、分布作成のために反復サンプリング技術を
用いるよう構成されている、請求項１１のシステム。
【請求項１５】前記サーバは、モンテカルロ分析を用いるよう構成されて
いる、請求項１４のシステム。
【請求項１６】前記サーバは、購入しないトランシュを選択するよう構成
されている、請求項１１のシステム。
【請求項１７】前記サーバは、複数の拘束条件下で、いくらで、どのトラ
ンシュを購入するかの最適な選択パターンを識別するように構成されている、請
求項１６のシステム。
【請求項１８】前記サーバは、確率論的な最適化を用いて、どのトランシ
ュを購入するかの最適な選択パターンを識別するように構成されている、請求項
１７のシステム。
【請求項１９】前記サーバは、その平均内部収益率（ＩＲＲ）が規定のし
きい値未満のトランシュを選択するよう構成されている、請求項１６のシステム
。
【請求項２０】前記サーバは、負の純現在価値（ＮＰＶ）や規定のしきい
値未満の特定の収益期間をもつトランシュを選択するよう構成されている、請求
項１６のシステム。
【請求項２１】内部収益率（ＩＲＲ）と純現在価値（ＮＰＶ）と収益期間
確率の必要条件のうちの少なくとも一つを満たす、金融商品ポートフォリオの少
なくとも一つのトランシュの入札価格を決定するコンピュータであって、前記コ
ンピュータは資産ポートフォリオのデータベースを含んでおり、更に、ポートフォリオを売買可能で個別のサブポートフォリオ、即ち、複数のトラン
シュに分け、各トランシュに試験的な入札価格を与え、売り手や買い手とその他の市場とアンダーライトのうちの少なくとも一つの資
産のパフォーマンス履歴データと前記複数のトランシュを組み合わせ、トランシュに関してＮＰＶとＩＲＲと収益期間の分析のうちの少なくとも一つ
を実行するようにプログラムされているコンピュータ。
【請求項２２】以前の分析からキャッシュフロー確率分布と期間を予測す
るようプログラムされている、請求項２１のコンピュータ。
【請求項２３】トランシュの確率的評価値を、最低限必要な高評価値と最
も可能性のある評価値と低評価値とその他の適切な確率分布のうちの少なくとも
一つとして表すようプログラムされている、請求項２１のコンピュータ。
【請求項２４】分布作成のために反復サンプリング技術を用いるようプロ
グラムされている、請求項２１のコンピュータ。
【請求項２５】モンテカルロ分析を用いるようプログラムされている、請
求項２４のコンピュータ。
【請求項２６】購入しないトランシュを選択するようプログラムされてい
る、請求項２１のコンピュータ。
【請求項２７】複数の拘束条件下で、いくらで、どのトランシュを購入す
るかの最適な選択パターンを識別するようプログラムされている、請求項２６の
コンピュータ。
【請求項２８】確率論的な最適化を用いて、どのトランシュを購入するか
の最適な選択パターンを識別するようにプログラムされている、請求項２７のコ
ンピュータ。
【請求項２９】規定のしきい値未満の平均内部収益率（ＩＲＲ）をもつト
ランシュを選択するようプログラムされている、請求項２６のコンピュータ。
【請求項３０】負の純現在価値（ＮＰＶ）、もしくは、規定のしきい値未
満の特定の収益期間をもつトランシュを選択するようプログラムされている、請
求項２６のコンピュータ。