JP2004500644A

JP2004500644A - 評価システムの迅速な配置方法とシステム

Info

Publication number: JP2004500644A
Application number: JP2001550638A
Authority: JP
Inventors: ディングマン，ブライアン・エヌ; メスマー，リチャード・ピー; エドガー，マーク・ティー; ジョンソン，クリストファー・ディー
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: 2000-12-21
Publication date: 2004-01-08
Also published as: WO2001050348A8; BR0017061A; WO2001050348A2; US7171383B2; US20020052766A1; AU2288001A; TW580627B; PL356535A1; KR100796058B1; EP1269348A1; US7110970B2; KR20030020864A; CN1437735A; MXPA02006575A; US20020116236A1

Abstract

【課題】評価システムの迅速な配置方法とシステムを提供する
【解決手段】統合システム（３００）は、会社の経験と操作手順と最良の実施例と情報源と競合情報と分析ツールを編成する。その目的は、デューデリジェンス・プロセスの収益性を上げ、進行中のオペレーションを促進することである。本システムは、デューデリジェンス問題で協力して、デューデリジェンスチームでの知識構築に影響を与える方法を取り入れている。本方法は、従来のデューデリジェンス行為からレジストリに記憶され累積された知識をアクセスし、過去のデューデリジェンス行為の統合された分析ビルディングブロックに基づく評価基準を、デューデリジェンス決定に適用し、現在のデューデリジェンス行為から新たに累積された知識を累積知識のレポジトリに格納することを備える。
【選択図】図２

Description

【０００１】
【関連出願のクロスリファレンス】
本出願は、その援用文献である、１９９９年１２月３０日に出願された米国仮出願Ｎｏ．６０／１７３，６９５の特典を請求するものである。
【０００２】
【発明の背景】
本発明は、一般に、金融商品の評価方法、特に、大量の金融商品を迅速に評価する方法に関する。
【０００３】
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」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。
【０００４】
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資産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された資産を評価し、それから引受業者がまだ分析していない資産に対する評価値を外挿する。
【０００５】
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。
【０００６】
現在のところ、企業は、資産と資産ポートフォリオの獲得もしくは販売の査定を迅速なスケジュールで行い、これらの資産の売買に対する提示額を一般的に承認する総合管理チームと職務別首脳によって、長い間隔でタイムゾーンが変えられることがよくある。一般的には、資産の購入に関するデューデリジェンスに関わる従業員とパートナと協力者が比較的短期間召集されてデューデリジェンスを行う。一般的に、デューデリジェンスの活動は、資産に関する情報源に物理的に近いところで行われる。協力する者は、トレーニングを受けていないか、彼らの自由裁量では完全な分析ツールセットに関する知識もないし、同様のことに関する以前の努力から「最高の実施例」を得ることもない。
【０００７】
デューデリジェンスに取り組む期間に物理的に遠隔の地で従業員と協力者を強化することは、時間がかかるし費用もかかる。さらに、デューデリジェンスチームの者は、場当たり的にデータを探索し処理するが、これは、一般的に情報源とアンダーライトと分析ツールと報告と完了した分析に関する詳細情報をもつ少数の者達に依存している。デューデリジェンス・スケジュールでは、情報をもつ一部の個人がボトルネックになりデューデリジェンスの費用をつり上げ、付加価値がもっと付けられたデューデリジェンスに投資できたはずの時間が加わることになる。一般的に、資産ポートフォリオの入札に関する主要情報は、うまく管理されている作戦室と呼ばれることがある物理的位置で整理される。
【０００８】
周知の作戦室の方法の時間と費用をかけることなく、会社の過去の経験と知識の最高のものをもってきてデューデリジェンス問題に影響を与え、資産購入を考慮する際にチームの知識を効率的に豊富にし、将来の購入検討時に素早く表示することができるレジストリに分析ビルディングブロックを集約することができる協力機構を備えることが好ましい。
【０００９】
【発明の簡潔な概要】
模範的な一実施形態では、本発明は、会社の経験と操作手順と最良の実施例と情報源と競合情報と分析ツールを編成する統合システムである。実際に、ツールを使う際の目標は、デューデリジェンス・プロセスのエンティティの収益性を上げ、デューデリジェンスチームメンバーが責任をとる進行中のオペレーションを促進することである。
【００１０】
【発明の実施の形態】
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１０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１６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。
【００１１】
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１２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１６、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１４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。
【００１２】
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。
【００１３】
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。
【００１４】
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図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。
【００１５】
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。
【００１６】
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９４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。
【００１７】
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での教師付学習２０６と教師無学習２０８で使用される。
【００１８】
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１３２が作成される。
【００１９】
自動評価処理４０は、教師付学習プロセス２０６と教師無学習プロセス２０８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。教師付学習プロセス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。教師無学習プロセス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教師無学習プロセス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（ＧｅｎｅｒａｌＥｌｅｃｔｒｉｃ）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（ＤｅｓｉｇｎＦｏｒＳｉｘＳｉｇｍａ）（「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（ＤｕｅＤｉｌｉｇｅｎｃｅ）（「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、教師付学習プロセス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。教師無学習プロセス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。
【００２０】
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、原データを教師無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。
【００２１】
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。
【００２２】
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。
【００２３】
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。
【００２４】
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。
【００２５】
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。
【００２６】
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。
【００２７】
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。
【００２８】
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。
【００２９】
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、
【００３０】
【表１】

【００３１】
クラスタ一致評価値は、その最高値が．６９９９、その期待値が．４７９２、その最低値が．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。
【００３２】
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。
【００３３】
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。
【００３４】
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。
【００３５】
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。
【００３６】
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　ａｎｄ　ｘ２＝ｂ））／ｃｏｕｎｔ（ｘｌ＝ａ　ａｎｄ　ｘ２＝ｂ）
から計算される。
【００３７】
応答変数の期待値Ｙ_{ｅｘｐｅｃｔ}は、
Ｙｅｘｐｅｃｔ＝（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。
【００３８】
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。
【００３９】
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。
【００４０】
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、４０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を作成する１４４。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。
【００４１】
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。
【００４２】
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１６８のフロー図である。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。
【００４３】
一般に、ＮＰＶは、
ＮＰＶ＝Ｃ_０＋Ｃ_１／（１＋ｒ）（式Ａ）
として定義される。ここで、Ｃ_０は時点０での投資額、Ｃ_１は時点１での期待収益値、ｒは割引率である。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。
【００４４】
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。
【００４５】
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。
【００４６】
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。
【００４７】
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。
【００４８】
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。
【００４９】
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。
【００５０】
フロー図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。
【００５１】
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、部分的教師付学習プロセス２０６と部分的教師無学習プロセス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２０６、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、５８、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。
【００５２】
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１２６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。教師付学習プロセス２０６と教師無学習プロセス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３６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。
【００５３】
フロー図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、１０２、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。
【００５４】
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（ａｓｓｕｍｐｔｉｏｎｄｅｖｅｌｏｐｍｅｎｔｍｅｔｈｏｄ）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。
【００５５】
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。
【００５６】
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。
【００５７】
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。
【００５８】
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。
【００５９】
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。
【００６０】
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１００％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。
【００６１】
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。
【００６２】
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（ｄｕｅｄｉｌｉｇｅｎｃｅ）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。
【００６３】
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１８８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２０２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、１９０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。
【００６４】
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。
【００６５】
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。フロー図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。
【００６６】
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。
【００６７】
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。
【００６８】
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。
【００６９】
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。
【００７０】
【表２】

【００７１】
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。
【００７２】
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。
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、
【００７３】
【数１】

【００７４】
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
【００７５】
【数２】

【００７６】
【数３】

【００７７】
ここで、ｈは、
【００７８】
【数４】

【００７９】
を推定するための推定Ｙの誤差許容度。
【００８０】
【数５】

【００８１】
確率が（１　−　１／ｋ^２）以上（ｋはチェビシェフの公式の定数）で
【００８２】
【数６】

【００８３】
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を確立し、先験的なリカバリーの推定レベルと、その推定範囲を合計未払い残高（ＵＰＢ）（Ｒ）の割合として提供することによって計算される。
【００８４】
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。さらに、式Ｃを解くことにより、ユーザは、確率：（１　−　１／ｋ^２）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。
【００８５】
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。
【００８６】
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。
【００８７】
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
【００８８】
【表３】

【００８９】
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。
【００９０】
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。
【００９１】
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。
【００９２】
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。
【００９３】
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。
【００９４】
推定評価処理４０の教師付学習プロセス２０６と、部分サンプリング処理１０８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を示すフロー図である。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。
【００９５】
図７は、複数のモジュールを含む教師無学習２０８の模範的な一実施形態のフロー図である。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４０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１３６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。
【００９６】
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２４２。第２に、資産をアンダーライトし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２４８。アンダーライトされた資産に対して構築された２４８複数のモデルからベストモデルを選択する２５０。第６に、選択したモデルの総数を計算する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、選択されたモデル２５０を適用するが、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。
【００９７】
資産をサンプリングする２４２ときは、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。
【００９８】
アンダーライト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。
【００９９】
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。
【０１００】
図１０は、クラスタを形成する２４６模範的な一実施形態のフロー図である。クラスタを形成する２４６際に、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（Ｃｏｌｌａｔｅｒａｌ　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。
【０１０１】
ＣＡＲＴに基づく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、
Ｒ^２＝１ − （ＳＳＥ／ＳＳＴ）ここで、ＳＳＴは２乗和で定義される決定係数Ｒ^２を計算する。
【０１０２】
Ｒ^２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Ｒ^２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。
【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Ｒ^２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Ｒ^２値を計算する。資産毎のＲ^２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ｘ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Ｒ^２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Ｒ^２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】
【表５】

【０１１１】
図１０は、ＦＣＭを用いて複数のクラスタを形成２４６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図である。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２４６する。
【０１１２】
図１１は、モデルの構築２４８と、最適なモデルの選択２５０と、総数の算出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。
【０１１３】
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２４８が用いられる。
【０１１４】
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。
【０１１５】
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：
【０１１６】
【数７】

【０１１７】
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、
【０１１８】
【外１】

【０１１９】
は、ｋ番目の回帰モデルによる予測であって、ｋ　＝　１，　２，　…，　Ｋである。
【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２５２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８】

【０１２３】
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２】

【０１２５】
は、モデルｋでのｙ_ｌに対する予測値である。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】
また、方程式Ｅの
【０１２７】
【外３】

【０１２８】
の代りに対応する統計量を用いて、平均予測を実施するた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。
【０１２９】
再び、図３を参照すると、教師付学習プロセス２０６と教師無学習プロセス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。教師無学習工程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。
【０１３０】
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。
【０１３１】
【数９】

【０１３２】
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。
【０１３３】
メンバーシップの程度μ_ｉｋは、
【０１３４】
【数１０】

【０１３５】
によって定義される。
【０１３６】
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。
【０１３７】
ｉ番目のクラスタのセントロイドＶ_ｉは、
【０１３８】
【数１１】

【０１３９】
によって定義される。
【０１４０】
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。
【０１４１】
まず、所望のクラスタ数ｃと各クラスタセントロイドＶｉ（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（Ｖｉ）の選択に大きく依存する。
【０１４２】
模範的な一実施形態では、ポートフォリオ１２全体が教師無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。
【０１４３】
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％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。
【０１４４】
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。
【０１４５】
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、
【０１４６】
【数１２】

【０１４７】
次に、最近の保険証券の純現在価値が、
【０１４８】
【数１３】

【０１４９】
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。
【０１５０】
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。
【０１５１】
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２６０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、２６４、２６６、２６８、２７０、２７２に分けられる。
【０１５２】
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３００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７６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。
【０１５３】
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。
【０１５４】
図１５は、システム３００で実施するデューデリジェンスツールとプロセスを示す図３２０である。図３２０は、辞書３２２とツールライブラリ３２４と取引ピッチレポジトリ３２６とリンク３２８とダッシュボード３３０を含むデューデリジェンス情報のレポジトリを示し、これによって、デューデリジェンスに関する概観をアクセスすることができる。作業空間３３２によって、デューデリジェンスチームによって編成されるデューデリジェンス情報を記憶することができる。結果領域（ＰｏｓｔＭｏｒｔｕｍ）３３４には、入札結果を含む従来の経験の過去に記憶された結果が含まれる。取引査定領域３３６は、比較のための以前と現在の取引の査定の記憶が含まれる。
【０１５５】
仮想作戦室と略式で呼ばれるシステムは図３２０で示されているが、これには、誰が機能的責任をとり、個人としてのチームメンバーがどのようにデューデリジェンスチームと調和してゆき、雑多な情報を得るには誰とコンタクトをとるのかをチームメンバーがわかることができるように、デューデリジェンスの役割と責任の高レベルマップとそれに関連する記述事項が含まれる。また、チームからの入力情報を使って主要な受け渡しタイミングを作成できるように、ガントチャートとＰＥＲＴチャートとテキストとして構成されたタスクとマイルストン付きプロジェクト・スケジュールが含まれ、グローバルデューデリジェンスチームにとって利用可能になる。プロジェクト・スケジュールは、スケジュール通りにデューデリジェンスを維持して、「もし、−だったらどうするか」のスケジュール変更を考慮する管理機構として働く。
【０１５６】
ダッシュボード３３０のプロジェクトフィードバック機構には、主要なデューデリジェンス引渡し、例えば、完了したアンダーライトのタイプと量と、プロジェクト総予算額と引渡しステータスを追跡するための簡単にわかるグラフィカルインディケータセットが含まれる。認定されたりっぱなローカルとグローバルな日付と、休日と休暇と認定された引渡しを備えるプロジェクト・カレンダーがフィードバック機構内にあり、電話番号とｅメールとアドレス情報を含むデューデリジェンスチームメンバーと協力者のためのコンタクト情報がある。グローバルチームが完成させる重要なタスクを得て、そのステータスの可視性を維持することができるように、プロジェクト「トゥードゥー（ｔｏｄｏ）」リストとステータスが考慮される。
【０１５７】
（図１４に示される）システム３００は、協力者が楽々と検索できて簡単に情報にアクセスできるようにプロジェクトファイルと情報を維持する様々な機能のための共有記憶領域を備える。情報源とその用途を特定するための中央情報フローマップが、デューデリジェンスチームの目的上必要な意思決定を行うために利用される。一例としては、入札価格を設定するために、関係する計算とデータ操作を行うことによって生データの変換が行なわれる。
【０１５８】
金融モデルとデータ操作と、デューデリジェンスの用途で利用可能なビジネスプロセスツールのための中央レポジトリはシステム３００に含まれ、過去のデューデリジェンス行為からビジネスの照合と成文化ができるように、さもなければ、チームが、会社が過去の経験から得た知識と教訓を実施したり、その記憶を呼び戻すことができるように、歴史的な「最良の実施例」のための中央レポジトリが存在する。中央「ゴールドスタンダード」データベースは、デューデリジェンスに関連する全ての評価情報と事実のためのものである。このデータベースは、データの完全さについてチェックされ、管理支援部によってアクセスが制限される。アンダーライト・データは中央に格納され、オンサイトのプレゼンスによって全てのアンダーライトがなされることはないが、間接的に実行することができる。
【０１５９】
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】
図１は、ローン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図である。
【図２】
図２は、本発明の一実施形態に基づき、ローンのポートフォリオを評価することを示したフロー図である。
【図３Ａ】
図３Ａは、ローンを分散のカテゴリに分割して、多数のローン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図である。
【図３Ｂ】
図３Ｂは、ローンを分散のカテゴリに分割して、多数のローン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図である。
【図４】
図４は、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ローンのポートフォリオを迅速に評価するプロセスの第２部分を示すフロー図である。
【図５】
図５は、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６は、図３のプロセスの教師付学習工程のフロー図である。
【図７】
図７は、図３のプロセスの教師無学習工程のフロー図である。
【図８】
図８は、教師無学習プロセスの実施形態である。
【図９】
図９は、世代１（第１のパス）の高速ローン評価プロセスの実施形態である。
【図１０】
図１０は、図８の教師無学習で使われるファジークラスタリングのフロー図である。
【図１１Ａ】
図１１Ａは、高速ローン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】
図１１Ｂは、高速ローン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】
図１２は、高速ローン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】
図１３は、高速ローン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】
図１４は、システムの図である。
【図１５】
図１５は、デューデリジェンス・ツールとプロセスを示す図である。

Claims

デューデリジェンスチーム内での有効な知識構築に影響を与えるデューデリジェンス問題で協力する方法であって、
従来のデューデリジェンス行為からレポジトリに格納され累積された知識をアクセスする工程と、
過去のデューデリジェンス行為の統合された分析ビルディングブロックに基づく評価基準を、デューデリジェンス決定に適用する工程と、
現在のデューデリジェンス行為から新たに累積された知識を累積知識のレポジトリに格納する工程を備える方法。
前記レポジトリに格納され累積された知識をアクセスする工程は、ビジネスプロセスとコンピュータシステムと分析ツールと金融モデルとデータ操作ツールとビジネスプロセスツールと方法と分析のうちの少なくとも１つを含む１式をアクセスする工程をさらに備える、請求項１の方法。
前記レポジトリに格納され累積された知識をアクセスする工程は、誰が機能的責任をとり、個人としてのチームメンバーがどのようにデューデリジェンスチームと調和してゆき、情報を得るには誰とコンタクトをとるのかをチームメンバーがわかることができるように、デューデリジェンスチーム内での役割と責任の高レベルマップとそれに関連する記述事項をアクセスする工程をさらに備える、請求項１の方法。
統合された分析ビルディングブロックに基づく評価基準をデューデリジェンス決定に適用する工程は、デューデリジェンスチームメンバーからの入力情報を使ってデューデリジェンスプロジェクトの始めから主要な受け渡しタイミングを作成できるように、ガントチャートとＰＥＲＴチャートとテキストのうちの少なくとも１つとして構成されたタスクとマイルストン付きデューデリジェンスプロジェクト・スケジュールをアクセスする工程をさらに備える、請求項１の方法。
完了したアンダーライトのタイプと量と、プロジェクト総予算額と引渡しステータスのうちの少なくとも１つの主要なデューデリジェンス引渡しを追跡するためのグラフィカルインディケータを含むプロジェクトフィードバック機構をアクセスする工程をさらに備える、請求項１の方法。
前記プロジェクトフィードバック機構をアクセスする工程は、認定されたりっぱなローカルな日付とグローバルな日付を備えるデューデリジェンスプロジェクト・カレンダーをアクセスする工程をさらに備える、請求項５の方法。
電話番号とｅメールアドレスと郵便アドレス情報のうちの少なくとも１つのデューデリジェンスチームメンバーと協力者のコンタクト情報を格納する工程をさらに備える、請求項１の方法。
デューデリジェンスプロジェクト・トゥードゥーリスト（ｔｏｄｏｌｉｓｔ）と前記トゥードゥーリストの項目のステータスを格納する工程をさらに備える、請求項１の方法。
前記新たに累積された知識を格納する工程は、チームメンバーと協力者が情報をアクセスし検索することができるように、様々なデューデリジェンス機能のための共有記憶場所を生成してプロジェクトファイルと情報を格納する工程をさらに備える、請求項１の方法。
前記新たに累積された知識を格納する工程は、デューデリジェンス決定を行うために利用される情報のソースと用途を特定する情報フローマップを生成する工程をさらに備える、請求項１の方法。
前記新たに累積された知識を格納する工程は、過去の過去のデューデリジェンス行為から対照され成文化された歴史的に最高の業務をアクセスする工程をさらに備える、請求項１の方法。
前記格納され累積された知識をアクセスする工程は、デューデリジェンスに関連する評価情報と事実のデータベースをアクセスして、資産ポートフォリオを査定する工程をさらに備える、請求項１の方法。
デューデリジェンスチームがデューデリジェンス問題で協力して有効な知識の構築を可能にするシステム（３００）であって、
少なくとも１つのコンピュータ（３０４）と、
従来のデューデリジェンス行為から累積された知識のレポジトリを備えて構成され、過去のデューデリジェンス行為の統合された分析ビルディングブロックをデューデリジェンス決定評価基準に適用し、現在のデューデリジェンス行為から新たに累積された知識を累積知識のレポジトリに格納する、少なくとも１つのサーバ（３０２）と、
前記少なくとも１つのコンピュータを前記サーバに接続するネットワークを備えるシステム（３００）。
前記サーバ（３０２）は、ビジネスプロセスとコンピュータシステムと分析ツールと金融モデルとデータ操作ツールとビジネスプロセスツールと方法と分析のうちの少なくとも１つを含む１式を備える、請求項１３のシステム（３００）。
前記サーバ（３０２）は、誰が機能的責任をとり、個人としてのチームメンバーがどのようにデューデリジェンスチームと調和してゆき、情報を得るには誰とコンタクトをとるのかをチームメンバーがわかることができるように、デューデリジェンスチーム内での役割と責任の高レベルマップとそれに関連する記述事項を備える、請求項１３のシステム（３００）。
前記サーバ（３０２）は、デューデリジェンスチームメンバーからの入力情報を使ってデューデリジェンスプロジェクトの始めから主要な受け渡しタイミングを作成できるように、ガントチャートとＰＥＲＴチャートとテキストのうちの少なくとも１つとして構成されたタスクとマイルストン付きデューデリジェンスプロジェクト・スケジュールを備える、請求項１３のシステム（３００）。
前記サーバ（３０２）は、完了したアンダーライトのタイプと量と、プロジェクト総予算額と引渡しステータスのうちの少なくとも１つの主要なデューデリジェンス引渡しを追跡するためのグラフィカルインディケータを含むプロジェクトフィードバック機構を備える、請求項１３のシステム（３００）。
前記サーバ（３０２）は、認定されたりっぱなローカルな日付とグローバルな日付を備えるデューデリジェンスプロジェクト・カレンダーを備える、請求項１７のシステム（３００）。
前記サーバ（３０２）は、電話番号とｅメールアドレスと郵便アドレス情報のうちの少なくとも１つのデューデリジェンスチームメンバーと協力者のコンタクト情報を備える、請求項１３のシステム（３００）。
前記サーバ（３０２）は、デューデリジェンスプロジェクト・トゥードゥーリスト（ｔｏｄｏｌｉｓｔ）と前記トゥードゥーリストの項目のステータスを備える、請求項１３のシステム（３００）。
前記サーバ（３０２）は、チームメンバーと協力者が情報をアクセスし検索することができるように、プロジェクトファイルと情報を格納する、様々なデューデリジェンス機能のための共有記憶場所を備える、請求項１３のシステム（３００）。
前記サーバ（３０２）は、デューデリジェンス決定を行うために利用される情報のソースと用途を特定する情報フローマップを備える、請求項１３のシステム（３００）。
前記サーバ（３０２）は、過去の過去のデューデリジェンス行為から対照され成文化された歴史的に最高の業務を備える、請求項１３のシステム（３００）。
前記サーバ（３０２）は、デューデリジェンスに関連する評価情報と事実のデータベースを備えて、資産ポートフォリオを査定する、請求項１３のシステム（３００）。
有効な知識構築によってデューデリジェンス問題で協力するデューデリジェンスチームを提供するように構成されるコンピュータ（３８）であって、
従来のデューデリジェンス行為から累積された知識をレポジトリに格納し、
過去のデューデリジェンス行為の統合された分析ビルディングブロックを、デューデリジェンス決定評価基準に適用し、
現在のデューデリジェンス行為から新たに累積された知識を累積知識のレポジトリに格納するようにプログラムされたコンピュータ。
ビジネスプロセスとコンピュータシステムと分析ツールと金融モデルとデータ操作ツールとビジネスプロセスツールと方法と分析のうちの少なくとも１つを含む１式を用いてプログラムされた、請求項２５のコンピュータ（３８）。
誰が機能的責任をとり、個人としてのチームメンバーがどのようにデューデリジェンスチームと調和してゆき、情報を得るには誰とコンタクトをとるのかをチームメンバーがわかることができるように、デューデリジェンスチーム内での役割と責任の高レベルマップとそれに関連する記述事項を備えてプログラムされた、請求項２５のコンピュータ（３８）。
デューデリジェンスチームメンバーからの入力情報を使ってデューデリジェンスプロジェクトの始めから主要な受け渡しタイミングを作成できるように、ガントチャートとＰＥＲＴチャートとテキストのうちの少なくとも１つとして構成されたタスクとマイルストン付きデューデリジェンスプロジェクト・スケジュールを備えてプログラムされた、請求項２５のコンピュータ（３８）。
完了したアンダーライトのタイプと量と、プロジェクト総予算額と引渡しステータスのうちの少なくとも１つの主要なデューデリジェンス引渡しを追跡するためのグラフィカルインディケータを含むプロジェクトフィードバック機構を備えてプログラムされた、請求項２５のコンピュータ（３８）。
認定されたりっぱなローカルな日付とグローバルな日付を備えるデューデリジェンスプロジェクト・カレンダーを備えてプログラムされた、請求項２９のコンピュータ（３８）。
電話番号とｅメールアドレスと郵便アドレス情報のうちの少なくとも１つのデューデリジェンスチームメンバーと協力者のコンタクト情報を備えてプログラムされた、請求項２５のコンピュータ（３８）。
デューデリジェンスプロジェクト・トゥードゥーリスト（ｔｏｄｏｌｉｓｔ）と前記トゥードゥーリストの項目のステータスを備えてプログラムされた、請求項２５のコンピュータ（３８）。
チームメンバーと協力者が情報をアクセスし検索することができるように、様々なデューデリジェンス機能のための共有記憶場所を備えて、プロジェクトファイルと情報を格納するようにプログラムされた、請求項２５のコンピュータ（３８）。
デューデリジェンス決定を行うために利用される情報のソースと用途を特定する情報フローマップを備えてプログラムされた、請求項２５のコンピュータ（３８）。
過去の過去のデューデリジェンス行為から対照され成文化された歴史的に最高の業務を備えてプログラムされた、請求項２５のコンピュータ（３８）。
デューデリジェンスに関連する評価情報と事実のデータベースを備えて、資産ポートフォリオを査定するようにプログラムされた、請求項２５のコンピュータ（３８）。