KR100686466B1 - 자산 평가 제공 방법 및 시스템과, 수익성에 대한 안정성 분석 제공 시스템 - Google Patents

자산 평가 제공 방법 및 시스템과, 수익성에 대한 안정성 분석 제공 시스템 Download PDF

Info

Publication number
KR100686466B1
KR100686466B1 KR1020027007056A KR20027007056A KR100686466B1 KR 100686466 B1 KR100686466 B1 KR 100686466B1 KR 1020027007056 A KR1020027007056 A KR 1020027007056A KR 20027007056 A KR20027007056 A KR 20027007056A KR 100686466 B1 KR100686466 B1 KR 100686466B1
Authority
KR
South Korea
Prior art keywords
cluster
assets
logic
clusters
fuzzy clustering
Prior art date
Application number
KR1020027007056A
Other languages
English (en)
Other versions
KR20020054362A (ko
Inventor
첸유-토
존슨크리스토퍼도날드
키예스팀케리
피수파티찬드라세크하르
스테워드윌리엄크리
Original Assignee
제너럴 일렉트릭 캄파니
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 제너럴 일렉트릭 캄파니 filed Critical 제너럴 일렉트릭 캄파니
Publication of KR20020054362A publication Critical patent/KR20020054362A/ko
Application granted granted Critical
Publication of KR100686466B1 publication Critical patent/KR100686466B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

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

Abstract

본 발명은 클러스터링 로직을 이용한 대출 포트폴리오 평가 시스템 및 방법을 개시한다. 본 발명의 시스템은 다수의 자산을 획득하고, 다수의 변수를 자산 데이터 베이스내의 다수의 자산에 첨부하는 자산 획득 로직을 포함한다. 분할 로직은 모델을 사용해서 다수의 자산 및 변수를 검사한다. 퍼지 클러스터링 로직은 다수의 자산 및 변수의 값을 계산하고, 수익성 분선 로직은 다수의 자산의 수익성을 계산한다. 방법은 클러스터링 로직을 이용하여 대출 포트폴리오를 평가한다. 그 방법은 다수의 자산을 획득하고 그 자산에 다수의 변수를 첨부하는 단계를 포함한다. 다수의 자산 및 변수는, 다수의 자산 및 변수의 값을 계산하기 위해, 퍼지 클러스터링을 이용한 모델에 의해 검사받는다. 다수의 자산의 수익성이 계산된다.

Description

자산 평가 제공 방법 및 시스템과, 수익성에 대한 안정성 분석 제공 시스템{SYSTEM AND METHOD FOR VALUING LOAN PORTFOLIOS USING FUZZY CLUSTERING}
본 출원은 1999년 12월 2일자 출원되고, 본 명세서에서 참조로서 인용된 "GECS 상업적 재무에 대한 퍼지 클러스터링 및 인식 엔지니어링을 이용하여 상업적 대출을 평가하는 시스템 및 방법"이란 명칭의 미국 가 출원 번호 60/168,499호의 이점에 대한 권리를 주장한다.
본 출원은 대출 포트폴리오(portfolio)의 평가에 관한 것으로, 보다 구체적으로는, 클러스터링 로직(clustering logic)을 이용하여 대출 포트폴리오를 평가하는 시스템 및 방법에 관한 것이다.
일반적으로, 평가 프로세스는 수입/현금 유출입(income/cash flow) 생성 자산의 값을 판정하는 것을 포함한다. 평가 프로세스는 채권, 주식, 임대 자산, 유정(oil wells) 및 대출로부터의 수익성에 대한 기대 스트림에 적용될 수 있는 비교적 단순한 프로세스이다. 평가 프로세스는 제때에 주어진 포인트에서 자산의 값을 판정하기 위해 실행된다. 평가 프로세스에서는 금전적 개념과 위험 리턴(return) 개념의 시간적 값이 중요한 요소이다. 아주 간단히, 임의의 자산의 평가는, 일반적으로 현금 유출입의 관점에서 측정되는 모든 미래의 기대 이득의, 현재의 순 가치이다.
현재에는, 자산 포트폴리오의 수익성 평가를 추정하기가 어렵다. 일반적으로, 유가 증권 인수 업자는 포트폴리오의 대출을 하나씩 자세히 검토해야 한다.
본 명세서는 클러스터링 로직을 이용하여 대출 포트폴리오들을 평가하는 시스템 및 방법을 개시한다. 간략히 설명하면, 구성에 있어서, 시스템은 다음시 같이 구현될 수 있다. 자산 획득 로직은 다수의 자산을 획득하고, 다수의 변수(variable)를 자산 데이터 베이스내의 다수의 자산에 첨부한다. 분할 로직은 모델을 사용해서 다수의 자산 및 변수를 검사한다. 퍼지 클러스터링 로직은 다수의 자산 및 변수의 값을 계산하고, 수익성 분석 로직은 다수의 자산의 수익성을 계산한다.
본 명세서는 클러스터링 로직을 이용하여 대출 포트폴리오를 평가하는 방법을 제공하는 것으로 간주될 수 있다. 이와 관련하여, 그 방법은 다음과 같은 단계, 즉, (1) 다수의 자산을 획득하고, 자산에 다수의 변수를 첨부하는 단계, (2) 모델을 사용해서 다수의 자산 및 변수를 검사하는 단계, (3) 퍼지 클러스터링을 이용하여 다수의 자산 및 변수의 값을 계산하는 단계, 및 (4) 다수의 자산의 수익성을 계산하는 단계를 통해 광범위하게 요약될 수 있다. 이 자산들은 대출 포트폴리오, 채권, 주식, 임대 자산 등일 수 있으나, 이에 제한되는 것은 아니다.
도 1은 예시적인 대출 포트폴리오를 가진 퍼지 클러스터링 시스템을 이용하여 자산을 평가하는 예시를 나타내는 블록도이다.
도 2는 컴퓨터 시스템의 컴퓨터 판독 가능 매체내에 배치된 것으로, 퍼지 클러스터링을 이용하여 자산의 가치 평가를 수행하는 블록도이다.
도 3은 퍼지 클러스터링을 이용하여 자산의 가치 평가를 하는 시스템 및 방법에 대한 예시적인 프로세스 흐름을 나타내는 블록도이다.
도 4는 예시적인 상이한 유형의 대출 포트폴리오에 대해 퍼지 클러스터링을 이용하여 자산을 평가하는 시스템 및 방법의 예시적인 프로세스 흐름을 나타내는 흐름도이다.
도 5는 도 2, 3 및 도 4에 도시된, 데이터 획득 프로세스동안에 획득한 상이한 유형의 데이터를 예시적으로 나타낸 블록도이다.
도 6은 도 3 및 도 4에 도시된, 계층적 분할 프로세스에 이용된 임계 변수 및 인코딩 기법을 나타낸 예시적인 테이블도이다.
도 7은 상술한 도 2, 도 3 및 도 4에 도시된, 예시적인 대출 포트폴리오에 대한 분할 모델링의 이용을 예시적으로 나타낸 블록도이다.
도 8은 도 2와, 도 3 및 도 4 에 도시된, 예시적인 대출 포트폴리오에 대한 본 발명의 자산 평가 방법 및 시스템에 이용된 퍼지 클러스터링 프로세스의 예시적인 흐름도이다.
도 9는 도 2, 도 3, 도 4 및 도 8에 도시된, 예시적인 대출 및 하나의 포트폴리오에 대한, 본 발명의 자산 평가 시스템 및 방법에 있어서 퍼지 클러스터링 평균을 계산하는 예시적 프로세스의 흐름도이다.
도 10은 도 2, 도 3 및 도 4에 도시된, 하나의 포트폴리오의 예시적인 대출에 대한, 본 발명의 자산 평가 시스템 방법에 있어서 예시적인 인수 검토 프로세스의 흐름도이다.
도 11a는 도 11d에 도시된 수형도(dendrogram)에서 생성된 6개 클러스터의 예시적인 클러스터내 분산을 나타내는 도면이다.
도 11b는 도 11a와 도 11c에 도시된, 6개 클러스터의 클러스터간 분산을 나타낸 도면이다.
도 11c는 도 8에 개시된, 거리 메트릭스를 이용하여, 클러스터 중심(centroid)의 각 쌍을 수형도로서 도시한 도면이다.
도 11d는 도 8과 도 11b에 도시된, 생성 수형도의 재 실행 동안에 생성된 수형도를 나타낸 도면이다.
도 12는 도 11d에 도시된, 6개 클러스터의 평가에 대한 예시적인 HELTR 테이블을 나타낸 도면이다.
도 1에는 퍼지 클러스터링 프로세스를 이용하여 자산을 평가하는 상위 레벨 관점의 블록도가 도시된다. 도시되고, 이하에서 보다 상세히 설명한 바와 같이, 프로세스는 다수의 대출 포트폴리오(2A-2Z)를 획득하는 것을 포함한다. 이러한 대출 포트폴리오들은 포트폴리오 재구성 프로세스(3)를 이용하여 재 구성된다. 그 다음, 재구성 포트폴리오들은 병합 대출 정보 프로세스(4)에 제공되며, 그 프로세스(4)는 대출 정보 데이터 베이스(5)로부터 대출 정보를 취득하고 그 대출 정보와 재구성 포트폴리오를 병합한다. 대출 정보(5)가 첨가된 재구성 포트폴리오들은 재구성 포트폴리오(6A-6H)로서 출력된다. 이 재구성 포트폴리오들(6A-6H)은 본 발명의 (확대) HELTR 프로세스(7)에 제공된다. HELTR 프로세스(7)는 본 발명의 퍼지 클러스터링을 이용하여 자산의 평가를 형성하는 방법을 제공한다. 본 발명의 퍼지 클러스터링 방법을 이용한 자산의 평가는 상술한 대출 데이터를 취득하고 자산의 재구성 포트폴리오(8) 각각에 대한 기대 현금 유출입 및 위험 평가를 제공한다.
도 2 에 도시된 바와 같이, 컴퓨터 시스템(21)은 일반적으로 프로세서(22)와 운영 시스템(32)를 가진 메모리(31)(예를들어, RAM, ROM, 하드디스크, CD-ROM등)를 포함한다. 프로세서(22)는 로컬 인터페이스(23), 예를들어 버스를 통해 메모리(31)로부터 코드와 데이터를 수신한다. 예를들어 마우스(24) 및 키보드(25)와 같은 입력 장치에 의해 사용자로부터 지시 신호를 받을 수 있으나, 이에 제한되는 것은 아니다. 실행 입력 및 결과 출력이 디스플레이 터미널(26)상에 디스플레이된다. 퍼지 클러스터링 시스템(50)을 이용한 자산 평가는, 모뎀이나 네트워크 카드(27)를 이용하여 다른 컴퓨터 및 네트워크상의 리소스에 액세스될 수 있다.
도 2 에는 퍼지 클러스터링 시스템(50)을 이용한 자산 평가가 도시되며, 퍼지 클러스터링 시스템(50)은 메모리 영역(31)내에 있는 데이터 획득 프로세스(60)와, 변수 선택 프로세스(80)와, 계층적 분할 프로세스(100)와, 퍼지 클러스터링 프로세스(120) 및 인수 검토 프로세스(180)를 포함한다. 데이터 베이스(33)는 메모리 영역(31)내에 갖추어져 있는 것으로 도시된다. 이러한 부품들에 대해 도 2-12와 관련하여 본 명세서에서 보다 상세히 설명한다. 메모리 영역(31)은 예를들어, 전자, 자기, 광학, 전자계, 적외선 또는 반도체 시스템, 장치, 또는 전파 매체일 수 있으나, 이에 제한되는 것은 아니다. (모든 리스트는 아님)보다 구체적인 예시로서, 메모리 영역(31)은 하나 이상의 와이어를 가진 전기적 접속기(전자), 휴대용 컴퓨터 디스켓(자기), 랜덤 액세스 메모리(Random Access Memory : RAM)(자기), 판독 전용 메모리(Read-Only Memory : ROM)(자기), 소거 및 프로그램 가능 판독 전용 메모리(EPROM 또는 플레쉬 메모리)(자기), 광섬유(광학) 및 휴대용 컴팩트 디스크 판독 전용 메모리(CD-ROM)(광학)중 하나 이상을 포함한다.
도 3에는, 본 발명의 퍼지 클러스터링 시스템(50)을 이용한 예시적인 자산 평가 시스템 및 방법이 도시된다. 퍼지 클러스터링 시스템(50)을 이용한 자산 평가 시스템 및 방법에 대한 이하의 설명은 예시적인 대출 포트폴리오를 이용한다. 자산은 대출, 보험 증권, 채권, 주식, 임대 자산 및 다른 자산들일 수 있으나, 이에 제한되는 것은 아니다.
퍼지 클러스터링 시스템(50)을 이용한 자산 평가 시스템 및 방법은 데이터를 획득하는 단계를 포함하는 데이터 획득 프로세스(60)를 포함한다. 본 명세서에서는, 예를들어, 대출 포트폴리오, 채무자 상환 히스토리 데이터 세트를 포함한 대출 배경 정보, 신용 분석 데이터 세트, 자동 대출 및 저당 대출 데이터 세트와 산업 특정 데이터 세트를 이용한다. 데이터 획득 프로세스(60)는 대량의 자산 데이터를 처리하기 위한 분할 및 획득 방식을 이용한다. 자산 데이터는 변수 선택 프로세스(80)로 입력되고, 변수 선택 프로세스(80)는 신용 검토를 위한 임계 대출 변수를 식별하거나 최선의 판별력으로 이러한 변수들을 식별하고, 다양한 대출 그룹들을 분리한다.
데이터 획득 프로세스(60)에 의해 수집된 대출 포트폴리오 데이터와, 변수 선택 프로세스(80)에서 식별된 임계 변수는 계층적 분할 프로세스(100)에 입력된다. 계층적 분할 프로세스(100)는, 이러한 포트폴리오의 신용성 검토에 의해 선택된 기설정된 임계 변수에 기초하여, 자산(즉, 이 예에서는 대출)의 전체 포트폴리오를 다수의 저장소로 분할한다. 계층적 분할 프로세스(100)가 실행된 후에, 분할된 자산은 퍼지 클러스터링 프로세스(120)에 의해 한번 더 분류된다. 퍼지 클러스터링 프로세스(120)는, 자산 데이터의 자연 구조에 기초하여 각 분할 저장소를 기설정된 수의 클러스터로 분류한다. 퍼지 클러스터링 프로세스(120)에 의해 이러한 분류가 실행된 후에, 자산(즉, 대출) 분류가 인수 검토 프로세스(180)에 의해 추가 처리되며, 인수 검토 프로세스(180)는 각 클러스터에 자산에 대한 프로젝트된 현금 유출입 및 위험 점수를 지정한다. 각 클러스터마다의 자산에 대한 프로젝트된 현금 유출입 및 위험 점수는 포트폴리오의 신용성 분석에 사용되기 위해 출력된다. 데이터 획득 프로세스(60)와, 변수 선택 프로세스(80)와, 계층적 분할 프로세스(100)와, 퍼지 클러스터링 프로세스(120) 및 인수 검토 프로세스(180)는 도 4 내지 도 12와 관련하여 보다 상세하게 설명된다.
도 4에는, 퍼지 클러스터링 시스템(50)을 이용한 예시적인 자산 평가에 대한 흐름도가 도시된다. 먼저, 단계 51에서, 퍼지 클러스터링 시스템(50)을 이용한 자산 평가는 데이터 획득 프로세스(60)를 실행한다. 데이터 획득 프로세스(60)는 도 5와 관련하여 보다 상세하게 설명된다.
다음, 단계 52에서, 퍼지 클러스터링 시스템(50)을 이용한 자산 평가는 변수 선택 프로세스(80)를 실행한다. 변수 선택 프로세스(80)는 데이터 획득 프로세스(60)에서 포획된 자산 데이터를 이용한다. 변수 선택 프로세스(80)는 도 6 과 관련하여 보다 상세하게 설명된다.
퍼지 클러스터링 시스템(50)을 이용한 자산 평가는 계층적 분할 프로세스(100)를 실행한다. 계층적 분할 프로세스(100)는 자산의 포트폴리오, 즉 대출을 사용자 식별 임계 변수에 기초하여, 기설정된 수의 사용자 저장소로 분할한다. 계층적 분할 프로세스(120)는 도 7과 관련하여 보다 상세하게 설명된다.
단계 54에서, 퍼지 클러스터링 시스템(50)을 이용한 자산 평가는 퍼지 클러스터링 프로세스를 실행한다. 퍼지 클러스터링 프로세스(120)는, 자산 데이터의 자연 구조에 기초하여, 계층적 분할 프로세스(100)에서 식별된 각 저장소를 기설정된 수의 사용자 클러스터로 분류한다. 퍼지 클러스터링 프로세스(120)는 도 8과 관련하여 보다 상세하게 설명된다.
단계 55에서, 퍼지 클러스터링 시스템(50)을 이용한 자산 평가는 인수 검토 프로세스(180)를 실행한다. 인수 검토 프로세스(180)는 프로젝트된 현금 유출입 및 위험 점수를 퍼지 클러스터링 프로세스(120)에 의해 식별된 각 클러스터로 할당한다. 인수 검토 프로세스(180)는 도 10과 관련하여 보다 상세하게 설명된다. 단계 59에서, 퍼지 클러스터링 시스템(50)을 이용한 자산 평가가 종료된다.
도 5에는, 자산 포트폴리오에 자산 관련 변수를 첨부하는데 이용되는 자산 데이터 베이스의 예시적인 유형을 나타낸 블록도가 도시된다. 데이터 획득 프로세스(60)는 자산 관련 데이터를 획득하는 단계를 포함한다. 이 단계는 일반적으로 자산 포트폴리오에 자산 관련 데이터를 첨부하는 것을 포함한다. 본 명세서에서는 이러한 개시를 통해 설명된 대출 예를 이용하여 이러한 개념을 설명한 것이다. 이러한 예시를 이용하여, 대출은 관련 데이터들이 상호 참조되고 자산 정보로 병합된다. 바람직하게, 대출 자산 데이터 베이스(60)내의 대출 자산 데이터는 상호 참조되고, 다수의 데이터 베이스와 병합되게 할 것이다.
예를들어, 도 5 에 도시된 바와 같이, 예시적인 대출 자산 데이터 베이스는, 예를들어 채무자 상환 히스토리 데이터 세트(35), 공중 신용 분석 데이터 세트(36), 전용 신용 분석 데이터 세트(37), 자동 대출 및 저당 대출 데이터 세트(38) 및 산업 특정 데이터 세트(39)를 포함하는 다양하고 상이한 범용 파일 또는 데이터 베이스로부터의 기록을 포함할 수 있으나, 이에 제한되는 것은 아니다. 바람직하게, 대출 자산 데이터 베이스(60)에 있어서 대출 자산 기록은 계층적 분할 프로세스(100) 및 퍼지 클러스터링 프로세스(120) 실행중에 이용된 임계 변수를 식별하는데 유용한 상술한 참조 데이터와 병합된다. 복합 데이터 베이스로부터 유용한 정보를 추정하기 전에, 수집된 데이터에 대한 데이터 스크러빙(scrubbing)이 실행된다. 예를들어, 데이터 스크러빙은 국외자를 검출하고, 분실 가치들을 채우거나 삭제하고, 원시 데이터로부터 귀속 변수를 도출하는 것등을 포함하지만, 이에 제한되는 것은 아니다.
도 6에는, 변수 선택 프로세스(80)의 일 구현에 대한 테이블이 도시된다. 변수 선택 프로세스(80)에 있어서, 사용자는 임계치라고 생각되는 이러한 변수들을 식별한다. 본 실시예에서, 변수 선택 프로세스(80)는 퍼지 클러스터링 프로세스(120)에 의해 이용될 11 개 변수를 식별했다. 알수 있는 바와 같이, 임계치라고 생각되는 각 변수와 관련하여, 변수에 대한 관련 카테고리 및/또는 가치 영역과, 그 변수를 나타내는 인코딩 기법이 있다.
도 7에는 예시적인 대출 포트폴리오와 관련하여 계층적 분할 프로세스(100)동안에 생성된 예시적인 계층적 분할 모델이 도시된다. 계층적 분할 프로세스(100)에 의해 적용된 계층적 분할 모델의 일 예는 CART이다. CART는 잘 알려진 역행 트리의 통계적 알고리즘이며, 계층적 분할을 위해 이용된다. 역행 트리 이면의 개념은, 각 카테고리가 사용자 기정의된 임계 변수와 관련하여 동종이도록, 대출 포트폴리오를 기설정된 수의 카테고리로 분류하기 위한 것이다.
도 7에는, CART 모델의 계층적 분할 프로세스 응용의 결과가 도시된다. 결과하는 역행 트리는 3개의 임계 변수를 이용하여 분할된 예시적인 대출 포트폴리오를 가진다. 이 예에 있어서, 이러한 3개의 임계 변수들은 대출 담보, 대출 유형 및 대 출에 대한 마지막 상환을 포함한다. 결과하는 역행 트리는 이러한 3개의 임계 변수를 이용하여 대출 포트폴리오를 6개의 저장소로 분할한다. 이러한 분할은 CART 모델을 이용하여 트리구조로 나타낼 수 있다. 임계 변수를 이용하여 일단 대출 포트폴리오가 분할되면, 퍼지 클러스터링 프로세스(120)는 이러한 기설정된 저장소 각각을 미세한 과립형으로 분할할 수 있다.
도 8에는, 본 발명의 퍼지 클러스터링 프로세스(20)의 예시적인 일 실시예에 대한 흐름도이다. 도 8에 도시된 예시적인 구현은 계층적 분할 프로세스(100)에 의해 생성된 예시적인 분할된 대출 포트폴리오를 이용한다.
우선, 단계 121에서, 퍼지 클러스터링 프로세스(120)는 초기화된다. 다음, 단계 122에서, 퍼지 클러스터링 프로세스는 계산 FCM 프로세스(140)를 실행하여 퍼지 클러스터링 평균을 계산한다. 계산 FCM 프로세스(140)는 도 9와 관련하여 보다상세하게 설명된다. 단계 123에서, 퍼지 클러스터링 프로세스(120)는 박스 플롯에 의해 인트라 클러스터 및 클러스터간 분산을 계산한다. 박스 플롯에 의한 인트라 클러스터 및 클러스터간 분산의 계산은 최종 결과에 대한 진단 검사이다. 이러한 진단 검사는 인트라 클러스터 및 인터 클러스터 각각에 대한 대응하는 박스 플롯을 검사함에 의해 실행된다. 인트라 클러스터 및 클러스터간 분산 박스 플롯은 도 11a 및 11b와 관련하여 보다 상세히 설명된다.
단계 124에서, 퍼지 클러스터링 프로세스(120)는 인트라 클러스터 및 클러스터간 분산이 충분히 컴팩트한지 또는 단지 하나의 클러스터만이 남아있는지를 판정한다. 클러스터링이 충분히 컴팩트한지를 판정하는 것은, 단계 122에서 실행된 계산 FMC 프로세스에 의해 클러스터간 분산이 최대일 때, 클러스터내 분산이 최소인지를 판정함에 의해 해결된다. 단계 124에서, 클러스터링이 충분히 컴팩트하거나 단지 하나만이 남아있는 것으로 판정되면, 퍼지 클러스터링 프로세스(120)는 단계 139에서 종료된다.
단계 124에서, 클러스터링이 충분히 컴팩트되지 않은 것으로 판정되면, 퍼지 클러스터링 프로세스(120)는, 단계 125에서, 다음 클러스터 중심 세트에 대한 제 1 쌍(pair)을 얻는다. 단계 126에서, 퍼지 클러스터링 프로세스(120)는 각각의 클러스터 중심 쌍간의 거리를 계산하고, 이 거리를 거리 메트릭스에 저장한다. 단계 131에서, 퍼지 클러스터링 프로세스(120)는 검사받을 클러스터링 중심 쌍들이 더 있는지를 판정한다. 검사받을 클러스터링 중심 쌍가 더 있으면, 퍼지 클러스터링 프로세스(120)는 돌아와서 단계 125 내지 131을 반복한다.
처리될 클러스터 중심 쌍가 더이상 없으면, 퍼지 클러스터링 프로세스(120)는, 단계 132에서, 거리 메트릭스를 이용하여 각 클러스터 중심 쌍에 대한 수형도를 생성한다. 단계 133에서, 퍼지 클러스터링 프로세스(120)는 클러스터 중심의 가능성 있는 병합을 위해 수형도를 검사한다. 단계 133에서, 프로세스는 중심 클러스터의 가능성 있는 병합을 위해 수형도를 검사한다. 수형도의 예는 도 11a 내지 도 11d와 관련하여 보다 상세하게 설명된다.
단계 134에서, 퍼지 클러스터링 프로세스(120)는 임의의 클러스터 중심이 병합될 수 있는지를 판정한다. 병합될 가능성이 있는 클러스터 중심 쌍가 있으면, 퍼지 클러스터링 프로세스(120)는 돌아와서 단계 122 내지 단계 124를 반복한다. 퍼지 클러스터링 프로세스(120)가, 병합될 가능성이 있는 클러스터 중심 쌍가 없다고 판정하면, 퍼지 클러스터링 프로세스(120)는 단계 139에서 종료한다. 이러한 프로세스는 도 11a 및 도 11b와 관련하여 보다 상세히 설명된다.
도 9에는, 계산 FCM 프로세스(140)가 도시된다. 우선, 단계 141에서, 클러스터 개수 및 가중 지수가 계산 FCM 프로세스(140)로 입력된다. 다음, 단계 142에서, 계산 FCM 프로세스(140)는 제 1 클러스터를 얻는다. 단계 143에서, 제 1 (다음) 데이터 포인트가 획득된다. 계산 FCM 프로세스(140)는, 단계 144에서, 각 클러스터의 각 포인트의 멤버쉽 등급을 무작위로 추출한다. 멤버쉽 등급 μik는 다음과 같이 정의된다.
Figure 112002017329323-pct00001
분명하게, 데이터 포인트 Xk가 클러스터 중심 Vi에 가까워질 때, Vi내의 Xk의 멤버쉽 등급 μik이 더 커진다. 그와 동시에, Xk가 Vj(다른 클러스터)로부터 멀어질 때, μik는 더 작아진다. 단계 145에서, 계산 FCM은 현재 클러스터의 모든 데이터 포인트가 단계 145에서 무작위로 추출되었는지를 판정한다. 단계 145에서 모든 데이터 포인트가 무작위로 추출되지 않았다고 판정되면, 계산 FCM 프로세스(140)는 돌아와서 단계 143 내지 단계 145를 반복한다.
계산 FCM 프로세스(140)가, 현재 클러스터에 대한 모든 데이터 포인트가 무작위로 추출되었다고 판정하면, 계산 FCM 프로세스(140)는, 단계 146에서, 모든 유용한 클러스터에 대해 모든 데이터 포인트가 무작위로 추출되었는지를 판정한다. 계산 FCM 프로세스(140)가, 모든 클러스터의 데이터 포인트가 무작위로 추출된 것은 아닌 것으로 판정하면, 계산 FCM 프로세스(140)는 돌아와서 단계 142 내지 단계 14을 반복한다.
계산 FCM 프로세스가, 모든 클러스터의 모든 데이터 포인트가 무작위로 추출되었다고 판정하면, 계산 FCM 프로세스(140)는, 단계 147에서, 모든 데이터 포인트에 대한 중심을 계산한다. i번째 클러스터 중심 Vi는 다음과 같이 정의된다.
Figure 112002017329323-pct00002
분명하게, Vi는 i번째 클러스터 중심이고, Xk의 좌표의 가중합이며, k는 데이터 포인트의 개수이다.
원하는 개수의 클러스터 c 및 각 클러스터 중심 Vi(i=1,2,..,c)에 대한 초기 추정치부터 시작하여, 계산 FCM 프로세스(140)는 비용 함수의 국소적 최소 또는 새들 포인트(saddle point)를 나타내는 Vi의 해답으로 수렴시킬 것이다. 대부분의 비선형 최적화 문제의 품질과 같이 계산 FCM 프로세스(140)의 해답에 대한 품질은 초기가치 - 개수 c 및 초기 클러스터 중심 Vi - 의 선택에 크게 좌우된다.
다음, 단계 148에서, 계산 FCM 프로세스(140)는 목적 함수를 계산한다. 목적 함수는 다음과 같이 정의된다.
Figure 112002017329323-pct00003
상기에서, n은 데이터 포인트의 개수, c는 클러스터 개수, Xk는 k번째 데이터 포인트, Vi는 i번째 클러스터 중심, μik는 i번째 클러스터의 k번째 데이터의 멤버쉽 등급, m은 1보다 큰 상수(전형적으로 m=2)이다. μik는 실수로서, [0,1]내의 가치임을 알아야 한다. μik=1은 i번째 데이터가 k번째 클러스터내에 명확하게 있고, μik=0은 i번째 데이터가 k번째 클러스터내에 명확하게 있지 않음을 의미한다. μik=0.5이면, i번째 데이터가 등급 0.5까지 부분적으로 k번째 클러스터내에 있음을 의미한다. 분명하게, 각 데이터 포인트가 정확하게 특정 클러스터내에 속해있고 다른 클러스터에 대한 부분적인 멤버쉽 등급이 없으면 비용 함수는 최소가 된다. 즉, 각 데이터 포인트를 그가 속하는 클러스터에 명확하게 할당한다.
단계 149에서, 계산 FCM 프로세스(140)는 계산 목적 함수의 값이 수렴하는지를 판정한다. 계산 목적 함수가 수렴하지 않으면, 계산 FCM 프로세스(140)는 단계 151 내지 단계 155로 진행한다. 단계 149에서, 계산 FCM 프로세스(140)가, 목적 함수의 값이 수렴하는 것으로 판정하면, 계산 FCM 프로세스는 단계 159에서 종료한다.
단계 151에서, 계산 FCM 프로세스(140)는 제 1 클러스터를 얻는다. 단계 152에서, 제 1 데이터 포인트가 획득된다. FCM 프로세스(140)는, 단계 153에서, 각 클러스터내의 각 포인트의 멤버쉽 등급을 갱신한다. 단계 154에서, 계산 FCM 프로세스(140)는, 현재 클러스내의 모든 데이터 포인트가 갱신되었는지를 판정한다. 현재 클러스터내의 모든 데이터 포인트가 갱신되지 않았으면, 계산 FCM 프로세스(140)는 돌아와서 단계 152 내지 단계 154를 반복한다. 현재 클러스터내의 모든 데이터 포인트가 갱신되었으면, 계산 FCM 프로세스(140)는, 단계 155에서, 모든 클러스의 각 데이터 포인트가 갱신되었는지를 판정한다.
단계 155에서, 계산 FCM 프로세스(140)가, 모든 클러스터에 대한 모든 데이터 포인트가 갱신된 것은 아니라고 판정하면, 계산 FCM 프로세스(140)는 돌아와서 단계 151 내지 단계 155를 반복한다. 단계 155에서, 계산 FCM 프로세스(140)가, 모든 클러스터에 대한 모든 데이터 포인트가 갱신된 것으로 판정하면, 계산 FCM 프로세스(140)는, 상기에서 정의한 바와 같이, 돌아와서 단계 147 내지 단계 149를 반복한다.
도 10에는 인수 검토 프로세스(180)가 도시된다. 인수 검토 프로세스(180)는, 전체 포트폴리오가 퍼지 클러스터링 프로세싱(120)에 의해 분할된 후에 실행된다. 인수 검토 프로세스(180)중에, 각 클러스터는 검토되고, 또한 HELTR이라고 하는 복합 점수를 할당받는다. HELTR의 H는 높은 현금 유출입, E는 기대 현금 유출입, L은 낮은 현금 유출입, T는 여러달의 현금 유출입 타이밍 및 R은 차용자의 위험 평가를 나타낸다. 본질적으로, HELTR 점수는 기대되는 현금 및 현금 범위와, 현금 유출입의 타이밍 및 각 클러스터와 관련된 위험성을 포획한다.
우선, 인수 검토 프로세스(180)는, 단계 181에서 초기화된다. 단계 182에서, 제 1 대출 세그먼트가 획득되어 현재 대출 세그먼트로 된다. 단계 183에서, 현재 대출 세그먼트의 제 1 클러스터가 획득된다. 단계 184에서, 인수 검토 프로세스(180)는 현재 대출 세그먼트내의 현재 클러스터에 대한 현금 유출입 타이밍 및 현금 유출입 점수를 계산한다. 단계 185에서, 인수 검토 프로세스(180)는 현재 대출 세그먼트의 모든 클러스터를 구매하는 것에 대한 위험 평가를 계산한다. 단계 186에서, 인수 검토 프로세스는, 현재 대출 세그먼트의 모든 현재 클러스터의 평가가 실행되었는지를 판정한다. 현재 대출 세그먼트내에 클러스터가 더 있으면, 인수 검토 프로세스(180)는 돌아와서 단계 183 내지 단계 186을 반복한다.
단계 187에서, 인수 검토 프로세스(180)는, 모든 대출 세그먼트의 모든 클러스터가 검토되었는지를 판정한다. 인수 검토 프로세스(180)가, 모든 대출 세그먼트의 모든 클러스터가 검토된것은 아니라고 판정하면, 인수 검토 프로세스(180)는 돌아와서 단계 182 내지 단계 187을 반복한다. 인수 검토 프로세스(180)가, 모든 대출 세그먼트의 모든 클러스터가 검토된 것으로 판정하면, 단계 189에서, 인수 검토 프로세스(180)가 종료된다.
도 11a 및 도 11b는 단계 123(도 8)에서 생성된 예시적인 6개 클러스터의 인트라 클러스터 및 클러스터간 분산이 도시된다. 도 11b에 도시된 바와 같이, 모든 데이터 포인트에서 중심 데이터 포인트까지의 평균 거리는 1.0이며, 클러스터(1) 중 데이터 포인트의 평균 거리는, 도 11a에 도시된 바와 같이, 0.6이다. 이것은, 클러스터링이 아주 컴팩트함을 나타낸다. 그러므로, 계산 FCM 프로세스(140)에 의해 클러스터간 분산이 최대로 될 때, 클러스터내 분산은 최소로 된다.
도 11c 및 도 11d는, 각각 20개 클러스터 및 6개 클러스터의 수형도이다. 각 수형도는 개별적인 클러스터를 형성하는 데이터 포인트부터 시작하며, 서로에 가까운 데이터 포인트 또는 클러스터들이 성공적으로 병합된다. 최적량의 클러스터를 얻기 위하여, 퍼지 클러스터링 프로세스(120)의 커플링 반복이 통상적으로 필요하다. 도 11c에 도시된 바와같이, 20개의 중심중 12개가 병합된다. 그러므로, 상술한 예시에 있어서, 퍼지 클러스터링 프로세스(120)는 6개의 클러스터로 재 실행되고, 그 결과가 도 11d에 도시된다.
도 12에는, 도 11d에 도시된 6개의 클러스터에 대한 예시적인 HELTR 테이블이 도시된다. 도시된 바와 같이, HELTR 테이블은 도 7의 예시에서 식별된 각 중심에 대한 데이터를 포함하고, 각각의 식별된 중심내의 각 클러스터에 대한 데이터를 포함한다. HELTR 테이블에 이용되는 데이터는 대출의 담보 여부, 회전 신용, 요청된 통지를 포함하고, 마지막 상환, 대출 만기, 또는 대출의 보증 여부를 포함한다. 도시된 것은, 수금 점수, 선취 특권 위치, 100만 달러 단위의 미지불 원금 잔액, 전체 미지불된 원금 비율 및 현금 유출입 분석이다.
퍼지 클러스터링 시스템(50)을 이용한 자산 평가 방법 및 시스템은 로직 함수를 구현하기 위한 실행 가능한 지시의 정연한 리스트 작성을 포함한다. 정연한 리스트 작성은 임의의 컴퓨터 판독 가능 매체내에 내장될 수 있는데, 이는 지시 실행 시스템, 장치 또는 소자, 예를들어 컴퓨터 기반 시스템, 프로세스 함유 시스템, 또는 지시 실행 시스템, 장치 또는 소자로부터의 지시를 패치(fetch)하고 지시를 실행할 수 있는 다른 시스템에 의해 사용되거나 또는 그들과의 접속을 위해 사용하기 위한 것이다. 본 명세서에서, "컴퓨터 판독 가능 매체"는 지시 실행 시스템, 장치 또는 소자에 의해 사용되거나 그들과의 접속을 위해 사용되는 프로그램을 포함, 저장, 통신, 전파 또는 운송하는 임의의 수단일 수 있다.
컴퓨터 판독 가능 매체는, 예를들어, 전자, 자기, 광학, 전자계, 적외선 또는 반도체 시스템, 장치 소자, 전파 매체일 수 있으나, 이에 제한되는 것은 아니다. 컴퓨터 판독 가능 매체의 보다 구체적인 예(모든 리스트는 아님)로서, 하나 이상의 와이어를 가진 전기 접속기(전자), 휴대용 컴퓨터 디스켓(자기), 랜덤 액세스 메모리(RAM)(자기), 판독 전용 메모리(ROM)(자기), 소거 및 프로그램 가능 판독 전용 메모리(EPROM 또는 플레쉬 메모리)(자기), 광섬유(광학) 및 휴대용 컴팩트 디스크 판독 전용 메모리(CD-ROM)(광학)를 포함한다.
프로그램이 예를들어 용지 또는 다른 매체의 광 스캐닝을 통해 전자적으로 취득되고, 컴파일되며, 인식되거나, 또는 필요한 경우 적당한 방식으로 처리되어 컴퓨터 메모리에 저장될 수 있을 경우, 컴퓨터 판독 가능 매체는 프로그램이 프린트되는 용지 또는 다른 적당한 매체일 수 있음을 알아야 한다.
상술한 설명은 예시 및 설명을 목적으로 한 것이다. 그러한 설명은 본 발명을 정확한 형태로 개시된 것에만 국한하기 위한 것이 아니다. 상술한 설명을 고려하여 명백히 정정 및 변형이 가능하다. 본 명세서의 흐름도는 레지스터 이용 최적화 편집 및 해독 시스템의 가능한 구현의 작용, 기능성 및 기법을 나타낸다. 이와 관련하여, 각 블록은 모듈, 세그먼트 또는 지정된 로직 함수를 구현하기 위한 하나 이상의 실행 가능 지시를 포함하는 코드 부분을 나타낸다. 몇가지 대안적인 구현에 있어서, 블럭으로 표시된 함수들은 도면에 표시된 순서와 맞지 않거나, 또는 예를들어, 포함된 기능성에 따라, 실질적으로 동시에 또는 역 순서로 실행될 수 있음을 알아야 한다.
상술한 시스템 및 방법은 본 발명의 원리 및 그의 실질적인 응용에 대한 최선의 실시예를 제공하기 위해 선택되고 설명되었으며, 당업자라면 예견되는 특정의 용도에 적합하게 다양한 구현 및 변형을 통해 본 발명을 이용할 수 있을 것이다. 그러한 모든 정정 및 변형은, 정당하고 합법적으로 부여되는 범위에 따라 해석될 경우에, 첨부된 특허청구범위에 의해 결정된 본 발명의 범위내에 있다.

Claims (21)

  1. 퍼지 클러스터링을 이용한 자산 평가 제공 방법에 있어서:
    다수의 자산을 획득하고 상기 다수의 자산에 다수의 변수를 첨부하는 단계와;
    모델을 사용해서 상기 다수의 자산과 상기 다수의 변수를 검사하는 단계와;
    상기 다수의 자산 및 상기 변수의 값을 계산하기 위해 퍼지 클러스터링을 이용하는 단계; 및
    상기 다수의 자산의 수익성을 계산하는 단계를 포함하는,
    자산 평가 제공 방법.
  2. 제 1 항에 있어서,
    상기 퍼지 클러스터링을 이용하는 단계는:
    다수의 클러스터 각각 내의 다수의 데이터 포인트 각각에 대한 멤버쉽 등급을 무작위로 추출하는 단계와;
    상기 다수의 데이터 포인트 및 상기 다수의 클러스터의 중심(centroid)을 계산하는 단계를 더 포함하는,
    자산 평가 제공 방법.
  3. 제 2 항에 있어서,
    상기 퍼지 클러스터링을 이용하는 단계는:
    상기 다수의 클러스터 각각 내의 상기 다수의 데이터 포인트 각각에 대한 멤버쉽 등급을 갱신하는 단계를 더 포함하는,
    자산 평가 제공 방법.
  4. 제 3 항에 있어서,
    상기 퍼지 클러스터링을 이용하는 단계는:
    목적 함수로 값을 계산하는 단계와;
    상기 목적 함수의 값이 수렴하는지를 판정하는 단계를 더 포함하는,
    자산 평가 제공 방법.
  5. 제 2 항에 있어서,
    상기 퍼지 클러스터링을 이용하는 단계는:
    클러스터간 분산을 계산하는 단계와;
    클러스터내 분산을 계산하는 단계를 더 포함하는,
    자산 평가 제공 방법.
  6. 제 5 항에 있어서,
    상기 퍼지 클러스터를 이용하는 단계는:
    상기 클러스터간 분산 및 상기 클러스터내 분산을 컴팩트화하는 단계를 더 포함하는,
    자산 평가 제공 방법.
  7. 제 6 항에 있어서,
    상기 클러스터간 분산 및 상기 클러스터내 분산의 컴팩트화 단계는:
    상기 클러스터간 분산 및 상기 클러스터내 분산의 각 쌍들간의 거리를 계산하는 단계와;
    상기 클러스터간 분산 및 상기 클러스터내 분산의 각 쌍들간의 거리를 거리 메트릭스에 저장하는 단계와;
    상기 클러스터간 분산 및 상기 클러스터내 분산의 각 쌍들간의 거리에 대한 수형도를 생성하는 단계; 및
    가능한 병합을 위해 수형도를 평가하는 단계를 더 포함하는,
    자산 평가 제공 방법.
  8. 퍼지 클러스터링을 이용한 자산 평가 제공 시스템에 있어서:
    다수의 자산을 획득하는 수단과;
    상기 다수의 자산에 다수의 변수를 첨부하는 수단과;
    모델을 사용해서 상기 다수의 자산과 상기 다수의 변수를 검사하는 수단과;
    상기 다수의 자산 및 상기 변수의 값을 계산하기 위해 퍼지 클러스터링을 이용하는 수단; 및
    상기 다수의 자산의 수익성을 계산하는 수단을 포함하는,
    자산 평가 제공 시스템.
  9. 제 8 항에 있어서,
    상기 퍼지 클러스터링을 이용하는 수단은:
    다수의 클러스터 각각 내의 다수의 데이터 포인트 각각에 대한 멤버쉽 등급을 무작위로 추출하는 수단과;
    상기 다수의 데이터 포인트 및 상기 다수의 클러스터의 중심을 계산하는 수단을 더 포함하는,
    자산 평가 제공 시스템.
  10. 제 9 항에 있어서,
    상기 퍼지 클러스터링을 이용하는 수단은:
    상기 다수의 클러스터 각각 내의 상기 다수의 데이터 포인트 각각에 대한 멤버쉽 등급을 갱신하는 수단을 더 포함하는,
    자산 평가 제공 시스템.
  11. 제 10 항에 있어서,
    상기 퍼지 클러스터링을 이용하는 수단은:
    목적 함수로 값을 계산하는 수단과;
    상기 목적 함수의 값이 수렴하는지를 판정하는 수단을 더 포함하는,
    자산 평가 제공 시스템.
  12. 제 8 항에 있어서,
    상기 퍼지 클러스터링을 이용하는 수단은:
    클러스터간 분산을 계산하는 수단과;
    클러스터내 분산을 계산하는 수단을 더 포함하는,
    자산 평가 제공 시스템.
  13. 제 12 항에 있어서,
    상기 퍼지 클러스터를 이용하는 수단은:
    상기 클러스터간 분산 및 상기 클러스터내 분산을 컴팩트화하는 수단을 더 포함하는,
    자산 평가 제공 시스템.
  14. 제 13 항에 있어서,
    상기 퍼지 클러스터를 이용하는 수단은:
    상기 클러스터간 분산 및 상기 클러스터내 분산의 각 쌍들간의 거리를 계산하는 수단과;
    상기 클러스터간 분산 및 상기 클러스터내 분산의 각 쌍들간의 거리를 거리 메트릭스에 저장하는 수단과;
    상기 클러스터간 분산 및 상기 클러스터내 분산의 각 쌍들간의 거리에 대한 수형도를 생성하는 수단; 및
    가능한 병합을 위해 수형도를 평가하는 수단을 더 포함하는,
    자산 평가 제공 시스템.
  15. 상이한 유형의 상품 또는 서비스 품목에 대한 수익성의 안정성 분석을 제공하는 시스템에 있어서:
    다수의 자산을 획득하고, 다수의 변수에 상기 다수의 자산을 첨부하는 데이터 획득 로직;
    모델을 사용해서 상기 다수의 자산과 상기 다수의 변수를 검사하는 분할 로직;
    상기 다수의 자산과 상기 변수들의 값을 계산하는 퍼지 클러스터링 로직; 및
    상기 다수의 자산의 수익성을 계산하는 수익성 분석 로직을 포함하는,
    수익성에 대한 안정성 분석 제공 시스템.
  16. 제 15 항에 있어서,
    상기 퍼지 클러스터링 로직은:
    다수의 클러스터 각각의 다수의 데이터 포인트 각각에 대한 멤버쉽 등급을 무작위로 추출하는 로직;
    상기 다수의 데이터 포인트 및 다수의 클러스터에 대한 중심을 계산하는 로직을 더 포함하는,
    수익성에 대한 안정성 분석 제공 시스템.
  17. 제 16 항에 있어서,
    상기 다수의 클러스터 각각 내의 상기 다수의 데이터 포인트 각각에 대한 멤버쉽 등급을 갱신하는 로직을 더 포함하는,
    수익성에 대한 안정성 분석 제공 시스템.
  18. 제 17 항에 있어서,
    목적 함수로 값을 계산하고, 상기 값이 수렴하는지를 판정하는 로직을 더 포함하는,
    수익성에 대한 안정성 분석 제공 시스템.
  19. 제 17 항에 있어서,
    상기 다수의 클러스터 각각의 상기 다수의 데이터 포인트로부터 클러스터간 분산을 계산하는 로직과;
    상기 다수의 클러스터 각각의 상기 다수의 데이터 포인트로부터 클러스터내 분산을 계산하는 로직을 더 포함하는,
    수익성에 대한 안정성 분석 제공 시스템.
  20. 제 19 항에 있어서,
    상기 클러스터간 분산 및 상기 클러스터내 분산을 컴팩트화하는 로직을 더 포함하는,
    수익성에 대한 안정성 제공 시스템.
  21. 제 16 항에 있어서,
    상기 클러스터간 분산 및 상기 클러스터내 분산의 각 쌍들간의 거리를 계산하는 로직과;
    상기 클러스터간 분산 및 상기 클러스터내 분산의 각 쌍들간의 거리를 거리 메트릭스에 저장하는 로직과;
    상기 클러스터간 분산 및 상기 클러스터내 분산의 각 쌍들간의 거리에 대한 수형도를 생성하는 로직; 및
    가능한 병합을 위해 수형도를 평가하는 로직을 더 포함하는,
    수익성에 대한 안정성 분석 제공 시스템.
KR1020027007056A 1999-12-02 2000-11-30 자산 평가 제공 방법 및 시스템과, 수익성에 대한 안정성 분석 제공 시스템 KR100686466B1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US16849999P 1999-12-02 1999-12-02
US60/168,499 1999-12-02
US56188600A 2000-05-01 2000-05-01
US09/561,886 2000-05-01

Publications (2)

Publication Number Publication Date
KR20020054362A KR20020054362A (ko) 2002-07-06
KR100686466B1 true KR100686466B1 (ko) 2007-02-23

Family

ID=26864184

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020027007056A KR100686466B1 (ko) 1999-12-02 2000-11-30 자산 평가 제공 방법 및 시스템과, 수익성에 대한 안정성 분석 제공 시스템

Country Status (9)

Country Link
EP (1) EP1261928A2 (ko)
JP (1) JP2003526848A (ko)
KR (1) KR100686466B1 (ko)
CN (1) CN1630867A (ko)
AU (1) AU1935901A (ko)
BR (1) BR0016142A (ko)
MX (1) MXPA02005432A (ko)
PL (1) PL358525A1 (ko)
WO (1) WO2001041016A2 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130238395A1 (en) * 2010-11-27 2013-09-12 Jerry Z. Shan Composite Driver Derivation
CN105528730B (zh) * 2015-12-15 2021-11-09 杜衡 一种基于资产证券化的资产池目标化方法
CN109874304B (zh) * 2016-08-12 2021-06-25 正大天晴药业集团股份有限公司 Dpp-iv长效抑制剂的结晶及其盐

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3555211B2 (ja) * 1994-07-06 2004-08-18 オムロン株式会社 データ・ベース検索装置および方法，データ・ベース検索装置を備えたダイレクト・メール発行支援システム
JP3334029B2 (ja) * 1996-03-28 2002-10-15 日本電信電話株式会社 クラスタ分類方法及びクラスタ分類装置
JPH10275177A (ja) * 1997-03-28 1998-10-13 Nri & Ncc Co Ltd 投資信託のパフォーマンス評価装置およびその評価方法

Also Published As

Publication number Publication date
CN1630867A (zh) 2005-06-22
EP1261928A2 (en) 2002-12-04
PL358525A1 (en) 2004-08-09
WO2001041016A8 (en) 2002-02-07
MXPA02005432A (es) 2002-11-29
WO2001041016A2 (en) 2001-06-07
BR0016142A (pt) 2002-12-24
JP2003526848A (ja) 2003-09-09
KR20020054362A (ko) 2002-07-06
AU1935901A (en) 2001-06-12

Similar Documents

Publication Publication Date Title
CN109492945A (zh) 企业风险识别监控方法、装置、设备及存储介质
CN109035003A (zh) 基于机器学习的反欺诈模型建模方法和反欺诈监控方法
CN109409677A (zh) 企业信用风险评估方法、装置、设备及存储介质
US20040225520A1 (en) Fraud score calculating program, method of calculating fraud score, and fraud score calculating system for credit cards
CN111985937A (zh) 交易商价值信息评估方法、系统、存储介质、计算机设备
CN112329874B (zh) 数据业务的决策方法、装置、电子设备和存储介质
CN113159922A (zh) 一种数据的流向识别方法、装置、设备及介质
WO2021174699A1 (zh) 用户筛选方法、装置、设备及存储介质
CN112700324A (zh) 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法
CN112232950A (zh) 针对借贷风险的评估方法及装置、设备、计算机可读存储介质
CN113570222A (zh) 一种用户设备鉴别方法、装置和计算机设备
CN114297448A (zh) 基于智慧防疫大数据识别的证照申办方法、系统及介质
Chen et al. Credit rating of online lending borrowers using recovery rates
KR100686466B1 (ko) 자산 평가 제공 방법 및 시스템과, 수익성에 대한 안정성 분석 제공 시스템
Liu The evaluation of classification models for credit scoring
Shilbayeh et al. Creditworthiness pattern prediction and detection for GCC Islamic banks using machine learning techniques
CN115809930A (zh) 基于数据融合匹配的反欺诈分析方法、装置、设备及介质
Terzi et al. Comparison of financial distress prediction models: Evidence from turkey
CN114170000A (zh) 信用卡用户风险类别识别方法、装置、计算机设备和介质
CN113191771A (zh) 采购商账期风险预测方法
CN116051296B (zh) 基于标准化保险数据的客户评价分析方法及系统
CN118071482A (zh) 构建零售信用风险预测模型的方法和消费信贷业务Scorebetad模型
CN117994016A (zh) 构建零售信用风险预测模型的方法和消费信贷业务Scorebeta模型
Chen et al. Construction of Bank Credit White List Access System Based on Grey Clustering Algorithm
CN117994017A (zh) 构建零售信用风险预测模型的方法和线上信贷业务Scoredelta模型

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20130206

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20140207

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20150205

Year of fee payment: 9

FPAY Annual fee payment

Payment date: 20160204

Year of fee payment: 10

FPAY Annual fee payment

Payment date: 20170214

Year of fee payment: 11

FPAY Annual fee payment

Payment date: 20180206

Year of fee payment: 12

LAPS Lapse due to unpaid annual fee