KR100771710B1 - 입찰가 판정 방법 및 시스템, 컴퓨터 - Google Patents

입찰가 판정 방법 및 시스템, 컴퓨터 Download PDF

Info

Publication number
KR100771710B1
KR100771710B1 KR1020017011040A KR20017011040A KR100771710B1 KR 100771710 B1 KR100771710 B1 KR 100771710B1 KR 1020017011040 A KR1020017011040 A KR 1020017011040A KR 20017011040 A KR20017011040 A KR 20017011040A KR 100771710 B1 KR100771710 B1 KR 100771710B1
Authority
KR
South Korea
Prior art keywords
trench
asset
portfolio
assets
purchase
Prior art date
Application number
KR1020017011040A
Other languages
English (en)
Other versions
KR20010108282A (ko
Inventor
죤슨크리스토퍼디
에드거마크티
케이스팀케이
Original Assignee
지이 캐피탈 커머셜 파이낸스 인코포레이티드
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 지이 캐피탈 커머셜 파이낸스 인코포레이티드 filed Critical 지이 캐피탈 커머셜 파이낸스 인코포레이티드
Publication of KR20010108282A publication Critical patent/KR20010108282A/ko
Application granted granted Critical
Publication of KR100771710B1 publication Critical patent/KR100771710B1/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
    • 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
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Technology Law (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Complex Calculations (AREA)

Abstract

모든 자산들의 반복적이고 적응적인 통계 평가 및 평가로부터 도출되고 추론 값을 생성하기 위해 적용된 통계 추론을 사용하여, 부분적 완전 인수, 부분적 샘플 인수 및 나머지의 추론된 값들에 의해 자산들의 큰 그룹들을 평가하는 방법이다. 개별 자산 값들이 전개되고, 표에 기입되어, 개별적이 자산 값들이 취해질 수 있고, 입찰 목적들에 대해 어떤 원하거나 규정된 방법으로 빨리 분류될 수 있다. 자산들이 데이터 베이스로 수집되고, 신용 변수에 의해 나뉘며, 이러한 변수들에 따라 등급들로 세분되며, 개별적으로 평가된다. 그 다음 자산들은 입찰 분류에 따라 재분류되며, 개별적인 평가들을 축적함에 의해 종합적인 평가가 확립된다.

Description

입찰가 판정 방법 및 시스템, 컴퓨터{METHODS AND SYSTEMS FOR OPTIMIZING RETURN AND PRESENT VALUE}
관련 출원
본 출원은 전체적으로 본 명세서에 참조 인용한 1999년 12월 30일 출원된 미국 가출원 제 60/173,876 호의 우선권을 주장한다.
본 발명은 일반적으로 금융상품(financial instruments)의 평가 방법에 관한 것으로, 특히 다수의 금융상품을 신속히 평가하는 것에 관한 것이다.
예를 들면, 10,000건의 대출과 같은 대출 또는, 다른 금융상품과 같은 상당수의 자산은 종종 경제적 상황, 계획되거나 혹은 계획되지 않은 자산의 권리상실로 인하여, 혹은 법적 구제의 결과로서 판매될 수 있다. 때때로, 자산에서 수십억 달러에 상응하는 수천 건의 상업적 대출 또는 금융상품의 판매는 몇 달 내에 이루어져야 하는 경우가 있다. 자산의 판매자는 물론 포트폴리오(portfolio)의 가치를 최적화시키기를 원하며, 자산을 종종 "트랜치(tranches)"로 분류할 것이다. 본 명세서에 사용되는 용어 "트랜치"는 외국 유통증권에 한정되지 않으며 국가 또는 관할권에 관계없이 자산 및 금융상품을 그룹화하는 것을 포함한다.
입찰자는 모든 트랜치 또는 단지 몇몇의 트랜치에 입찰할 수 있다. 트랜치를 획득하기 위하여, 입찰자는 전형적으로 이 트랜치에 대해 최고 입찰가를 제시해야 한다. 특정한 트랜치에 대해 제시할 입찰가를 결정하는 것과 관련하여, 입찰자는 종종 트랜치내에, 그리고, 제한된 사용가능한 시간내에 가능한 한 많은 대출을 평가하도록 인수업자(underwriters)를 고용할 것이다. 입찰가를 제시할 시간이 막 종료하려고 할때, 입찰자는 그 시점에서 인수한(underwrite) 대출을 평가할 것이며, 그후, 인수업자에 의해 분석되지 않은 대출에 대한 가치를 외삽법으로 추정하려 한다.
이러한 처리의 결과로서, 입찰자는 트랜치를 상당히 과소 평가할 수 있고, 경쟁이 되지 않는 입찰가 또는 인수된 가격보다 높은 입찰가를 제시하고, 무제한의 위험을 떠맡을 수 있다. 물론, 본 목적은 입찰자가 수익을 얻는 가격에서 각 트랜치를 얻는 것이기 때문에, 트랜치를 상당히 평가절하하여 트랜치를 잃게 되면 기회를 상실하게 된다. 단기간에 상당수의 금융상품의 정확한 평가를 용이하게 하는 시스템을 제공하고, 주어진 입찰에 대한 수익의 관련 확률을 이해하는 것이 바람직하다.
전통적으로, 포트폴리오 레벨(portfolio level) 입찰 가격들과 제공 가격들은 포트폴리오 내에서 각 자산과 관련된 포인트 추정 값들(point estimate values)의 총 합으로서 평가된다. 투자와 보험과 같은 산업에서, 분산들이 구매자들과 판매자들의 구미를 만족시키기 위한 위험/수익(risk/return) 배합들을 선택하기 위해 사용되어 왔다. 내부 수익률(internal rate of return)과 순현가(net present value) 확률 필요조건들(probability requirements)을 만족하는 금융 상품들의 포트폴리오의 각 트랜치에 대한 입찰 가격을 결정하는 것이 더욱 바람직할 것이다.
발명의 개요
예시적인 실시예에서 반복적이고 적응적인 접근 방식이 제공되는 데, 여기서, 포트폴리오는 세 개의 주요한 평가로 분할된다. 자산 포트폴리오의 제 1 유형 평가의 완전한 인수는 반대 샘플에 기초하여 수행된다. 제 2 평가 유형은 공통의 기술적 속성을 갖는 카테고리(categories)로부터 효율적으로 샘플링되고, 선택적인 임의 샘플의 자산은 완전히 인수된다. 제 3 평가 유형은 제 1 및 제 2 부분에 대하여 인수하는 가격들과 분산을 이용하고, 또한, 제 3 부분의 각 자산을 개별적으로 평가하기 위해 통계적 추론을 적용하는 통계적으로 추론된 평가가 행하여진다. 클러스터링 및 데이터 정리가 제 3 부분을 평가시에 사용된다.
처리가 진행되고 더 많은 자산이 인수됨에 따라, 제 1 및 제 2 부분의 자산의 수는 증가되고 제 3 부분의 자산의 수는 감소하고 제 3 부분의 자산의 평가의 분산은 점점 더 한정된다. 보다 구체적으로, 제 3 부분의 자산은 제 1 및 제 2 부분의 자산의 평가에 대한 유사성을 기반으로 자산 값의 확률을 갖는 클러스터로 그룹화함으로써 평가된다. 평가에 따라 가설적인 입찰을 생성하여 입찰자에 의해 결정되는 파라미터에서 최적의 입찰가를 결정한다. 최적 입찰은 반복적인 입찰 발생 과정들을 통해 확인된다. 예를 들면, 내부 수익률(IRR)과 순현가(NPV) 확률 필요 조건들을 만족하는 금융 상품들의 포트폴리오의 적어도 하나의 트랜치에 대한 입찰 가격을 결정하기 위한 방법은 포트폴리오를 별개의 시장성이 있는 서브-포트폴리오들(sub-portfolios)이나 트랜치들로 나누고, 각 트랜치에 시험 입찰가격을 부여하고, 트랜치들을 구매나 판매부의 과거의 자산 성능 데이터와 결합하고, 트랜치들에서 NPV나 IRR 분석을 수행하는 단계들을 포함한다.
도 1은 자산의 포트폴리오를 평가하는 주지의 과정을 도시하는 흐름도,
도 2는 본 발명의 일 실시예에 따라서 자산의 포트폴리오를 평가하는 것을 도시하는 흐름도,
도 3은 자산을 분산 카테고리로 분할하는 큰 자산 포트폴리오에 관한 신속한 평가 처리의 제 1 부분의 일 실시예를 보다 상세히 도시하는 흐름도,
도 4는 일 원리로부터 트랜치 또는 포트폴리오 원리까지 모인 큰 자산 포트폴리오의 신속한 평가 처리의 제 2 부분을 도시하는 흐름도,
도 5는 회수 가격이 추론되는 전형적인 자산에 대한 확률 분포를 도시하는 흐름도,
도 6은 도 3의 과정의 감독 학습 단계의 흐름도,
도 7은 도 3의 과정의 비감독 학습 단계의 흐름도,
도 8은 비감독 학습을 위한 처리의 실시예를 도시하는 도면,
도 9는 생성 1 (제 1 통과) 신속한 자산 평가 처리의 실시예를 도시하는 도면,
도 10은 도 8의 비감독 학습에 사용되는 퍼지 클러스터링 방법의 흐름도,
도 11은 신속한 자산 평가 과정을 위한 모델 선택 및 모델 가중치부여의 예를 보여주는 한 쌍의 표를 도시하는 도면,
도 12는 신속한 자산 평가 처리에 관한 전형적인 속성을 보여주는 표를 도시하는 도면,
도 13는 신속한 자산 평가 처리에 관한 전형적인 클러스터링 방법의 클러스터를 도시하는 도면,
도 14는 컴퓨터 네트워크의 개략도.
도 1은 인수 사이클을 지나서 예를 들면, 경매로 자산 포트폴리오(12)를 구매하기 위하여 입찰을 행하기까지의 큰 자산 포트폴리오(12)를 평가하기 위한 주지의 처리를 도시하는 도면(10)이다. 도 1은 반복적이지 않으며 자동화되지 않은 전형적인 인수 및 외삽추정 처리(10)의 고레벨 개요이다. 도면(10)에서, 인수자는 포트폴리오(12)로부터 상당수의 개별 자산을 인수하여(14) 인수한 제 1 부분(16) 및 미착수의 나머지 부분(18)을 생성한다. 임의의 자산이 인수되기 전에, 제 1 부분(16)은 0%이며, 나머지 부분(18)은 포트폴리오(12)의 100%이다. 인수 처리가 진행됨에 따라, 제 1 부분(16)은 증가하고, 나머지 부분(18)은 감소한다. 본 목적은 자산 포트폴리오의 구매를 위해 입찰을 제출하기 전에 가능한 한 많은 자산을 인수하는 것이다. 인수팀은 입찰을 제출해야할 바로 직전까지 개별적으로 인수한다(14). 나머지 부분(18)을 평가하기 위하여 총 외삽법(gross extrapolation)을 행한다. 외삽 추정된 값(20)은 인수되지 않은 추정값(24)이 된다. 총 외삽법은 나머지 부분(18)에 대한 평가값(24)을 생성한다. 평가값(22)은 단순히 제 1 부분(16)의 개별 자산 값의 총계이다. 그러나, 평가값(24)은 추정에 의해 발생되는 그룹 평가값이고 따라서 적절히 할인될 수 있다. 평가값(22, 24)을 합계하여 포트폴리오 자산값(26)을 생성한다. 평가 처리는 포트폴리오의 각 트랜치마다 수행된다.
도 2는 신속한 자산 평가를 위한 시스템(28)의 일 실시예를 도시한다. 도 2에는 자산 포트폴리오(12)를 평가시에 시스템(28)에 의해 수행되는 처리 단계를 포함한다. 시스템(28)은 통계상 중요하지 않거나 혹은 재정적으로 중요하지 않은 것으로 간주되는 미착수된 자산의 상당히 작은 양(30)을 제외하고는, 모든 자산마다 개별적으로 평가한다("착수한다(touch)"). 특히, (후술하는 바와 같이) 양(30)외의 포트폴리오(12)의 모든 자산은 반복적이고 적응적인 평가(32)를 받게 되는데, 이 평가에서는 포트폴리오(12)의 자산이 개별적으로 평가되고, 표에서 개별적으로 리스트되고, 그런 다음 이 표로부터 선택되며, 입찰을 위해 원하는 또는 필요한 그룹 또는 트랜치로 분류된다. 다이아그램(10)에서와 같이, 인수자는 포트폴리오(12)의 개별 자산의 완전 인수(14)를 시작하여 완전히 인수된 자산의 제 1 부분(16)을 생성한다. 또한, 인수자는 포트폴리오(12)의 제 2 부분(36)의 자산 샘플을 인수하고(34), 컴퓨터(38)는 포트폴리오(12)의 제 3 부분(42)에 대한 값을 통계적으로 추론한다(40). 컴퓨터(38)는 또한, 후술하는 바와 같이 부분(16, 36, 42)의 자산에 할당된 값을 나타내는 (후술하는 바와 같은) 표을 반복적으로 생성한다(44). 일 실시예에서, 컴퓨터(38)는 독립형 컴퓨터로서 구성된다. 다른 실시예에서, 컴퓨터(38)는 광역망(WAN) 또는 근거리망(LAN)과 같은 (도 14에 도시 및 기술되는) 네트워크를 통하여 적어도 하나의 클라이언트 시스템에 연결된 서버로서 구성된다.
계속 도 2를 참조하면, 예를 들어, 포트폴리오(12)의 제 3 부분(42)의 샘플링되지 않고 인수되지 않은 부분(46)은 퍼지-C 평균 클러스터링("FCM") 및 복합 고/예상/저/타이밍/위험("HELTR: High/Expected/Low/Timing/Risk") 점수를 사용하여두 카테고리(48, 50)를 생성하는 통계적 추론 절차(40)가 행하여진다. HELTR은 H-높은 현금 흐름, E-예상 현금 흐름, L-낮은 현금 흐름, T-현금 흐름의 타이밍(예를 들면, 월 단위로 0-6, 7-18, 19-36, 37-60) 및, R-차용자의 위험 부과(9-신용 분석가에 의해 사용되는 박서)로서 정의된다. 카테고리(48)는 평가 전체에 충분한 공통성을 가지는 것으로 간주된다. 카테고리(50)는 클러스터(52, 54)로 더 분할되고, 다시 더 세분화된다. 클러스터(52)는 하위클러스터(56, 58)로 분할되고, 클러스터(54)는 하위클러스터(60, 62, 64)로 분할된다. 클러스터 및 하위클러스터는 평가 블럭(68)에서 "트리" 차트(66)와 박스로 도시되어 있다. 이들 개별 자산값은 입찰을 위하여 트랜치(70, 72, 74)로 재 그룹화된다. 임의 수의 트랜치는 판매자에 의해 설정된 배열로 구성될 수 있다.
포트폴리오(12)의 각 자산에 대한 개별 자산 데이터(도시되지 않음)는 반복적이고 적용가능한 처리(32)에 대해 주어진 기준(80)을 근거로 선택된 데이터가 검색되는 데이터베이스(76)로 입력된다. 임의 자산의 평가를 위한 기준(80)이 설정되면, 설정된 기준(80)은 이러한 설정된 기준을 공유하는 데이터베이스(76) 내의 다른 자산 데이터를 평가시에 사용하기 위하여 데이터베이스(76)에 저장된다. 그후, 반복적이고 적응적인 평가 처리(32)는 입찰시에 사용하기 위하여 (후술된) 평가 및 그룹화(84)를 전개한다(82).
도 3 및 도 4는 함께 큰 자산 포트폴리오(12)의 평가를 위한 시스템(28)(도 2에 도시됨)에 대한 일 실시예의 기능적인 개요와 함께 도시하는 흐름도(85)이다. 평가 절차(14, 34, 40)(도 2)는 후술하는 방식으로 시스템(28)에서 동시에 또한 순차적으로 사용된다. 전술한 바와 같이, 완전 인수(14)는 제 1 유형의 평가 절차이다. 샘플의 완전 인수가 이루어지는 그룹화 및 샘플링 인수(34)는 제 2 유형의 평가 절차이다. 통계적 추정(40)은 제 3 유형의 평가 절차이며, 자동화된 그룹화 및 자동화된 평가이다. 절차(14, 34, 40)는 후술하는 바와 같이 설정된 객관적인 기준을 근거로 한다.
본 명세서에 사용되는 "인수(underwriting)"는 설정된 원리에 따라서 사람("인수자")이 자산을 검토하여 자산을 구매하기 위한 현재의 구매가를 결정하는 처리를 의미한다. 인수 동안, 인수자는 평가를 위하여 기존 또는 설정된 기준(80)을 사용한다. "기준"은 자산값에 관한 규칙과, 복수의 카테고리에 기초한 등급 결정을 의미한다. 예를 들면, 기준으로서, 인수자는 자산 평가에 관한 정보 카테고리로 차용자의 3년분의 현금 흐름 이력을 결정하고 다양한 레벨의 현금 흐름에 대하여 소정 등급을 부여할 수 있다.
완전 인수(14)는 완전 현금 원리 방식(86) 및 부분적 현금 원리 방식(88)의 두 방식으로 행해진다. 완전 현금 원리 방식(86) 및 부분 현금 원리 방식(88)의 모두는 개별적으로 충분히 검토된(14)(도 2 참조) 자산의 세트(90, 92)로 시작한다. 이러한 완전 검토(14)로서는 보통 고액의 달러나 혹은, 그 밖의 다른 적절한 통화에 의존하여 자산의 양이 포트폴리오의 다른 자산에 대하여 검토되고 혹은, 차용자가 잘 알려져 있거나 상당히 신뢰할 수 있기 때문에 자산이 신속하고 신뢰성있게 완전히 인수될 수 있거나 혹은 상기 자산의 값과 관련하여 변동이 거의 없도록 자산이 시장에 마크(mark)되는 경우이다. 자산 세트(90)는 인수자(94)에 의해 평가되며, 세트(90)에서 의 각 자산은 현금 담보나 또는 완전한 시가를 갖는 상품과 같이 변동이 매우 작은 평가를 받으며, 완전 평가 값 표(96)에 입력된다. 표(96)의 자산에 대해 선택된 개별 값은 완전 인수된 그룹 값(98)으로서 저장된다.
세트(92)는 팀(94)과 동일할 수 있는 인수자팀(100)에 의해 평가되지만, 각 자산은 할인되거나 혹은 부분적인 가치를 받으며 부분적 가격 표(102)에 기록된다. 표(102)의 트랜치의 자산에 대하여 선택된 개별 가치는 부분적 가격이 완전히 인수된 그룹 가격(104)으로서 저장된다. 완전 현금 원리 방식(86) 및 부분 현금 원리 방식(88)에 대한 (도 2에 도시된) 기준(80)은 (도 2에 도시된) 컴퓨터(38)의 (도시되지 않은) 디지털 저장 메모리의 (도 2에 도시된) 데이터베이스(76)에 저장되어 자동 평가(40)의 감독 학습(206) 및 비감독 학습(208)에 사용된다.
샘플링 인수(34)는 완전 샘플링(106) 절차 및 부분 샘플링(108) 절차인 두 절차를 사용하여 성취된다. 완전 샘플링(106)은 큰 자산의 카테고리를 위해 사용되며, 샘플링되는 자산 카테고리의 샘플 그룹의 100 퍼센트 샘플링(110)을 포함한다. 완전 샘플링(106)의 자산은 개별적으로 인수되지 않고, 오히려 결정된 공통성을 기반으로 완전 샘플링 그룹(112)에 인수된다. (도시되지 않은) 결과적인 완전 샘플링 그룹 평가가 생성된 후에, 규칙(114)을 기반으로 구별이 폐지되어 개별의 완전 샘플 자산 가치 표(116)를 생성한다. 그후, 표(116)의 개별의 완전 샘플 자산 가치는 트랜치로 자산을 그룹화함으로써 제안되는 바와 같이 입찰에 필요한 완전 샘플링 그룹 평가(118) 내로 전자적으로 업로드된다. 인수하는 샘플 그룹의 자산의 수는 최저 하나에서부터 임의의 수일 수 있다. 부분적 샘플링(108)은 자산의 중간 카테고리용이며, 샘플링되는 그룹의 클러스터내에서 대표적인 그룹을 100 퍼센트 샘플링하고 클러스터내의 다른 그룹을 랜덤하게 샘플링함으로써 클러스터 샘플 그룹(120)을 형성하는 것을 포함한다. 부분적 샘플링(108)에서, 모든 그룹이 샘플링되지만, 일부는 클러스터 샘플 그룹(120)으로부터 외삽법에 의해 부분적으로 평가된다. 부분 샘플링(108)은 수동 데이터 입력(125)을 이용해 자산 레벨 재인수(122)를 포함하여 조정된 신용 분석가표(130)를 생성하도록 자산 클래스 조정(128)이 주어지는 알파 신용 분석가표(126)를 생성한다. 전술한 바와 같이, 개별 자산은 트랜치 그룹핑에 따라서 조정된 신용 분석가표(130)로부터 선택되어, (도 2에 도시된) 트랜치(70)의 입찰시에 사용하기 위한 부분 샘플링 신용값(132)을 생성한다.
자동 평가 절차(40)는 감독 학습 처리(206), 비감독 학습 처리(208) 및 통계적 추정 알고리즘(134)으로부터의 업로드를 활용하여 디지탈 저장 장치에 저장되는 인수 클러스터 표(136)를 생성한다. 감독 학습 처리(206)에서, 값을 설정하기 위해 무엇을 질문할 것인지를 아는 노련한 인수자는 자산이 양호한 투자대상인지의 여부 및 자산을 평가하는 방법을 결정할 시에 컴퓨터를 지원한다. 비감독 학습 처리(208)에서, 컴퓨터는 자산을 세그먼트화 및 분류하고, 데이터로부터의 피드백을 근거로 자산을 객관적으로 자체평가한다. 인수자는 주기적으로 비감독 학습 처리(208)를 검토하여 컴퓨터가 현명한 인수 결정을 행하는 지를 판정한다. 컴퓨터는 통계 알고리즘(134)을 사용하여 추정을 행한다. 예를 들면, 일 실시예는 제너럴 일렉트릭사에 의해 개발 및 사용되며, 정확성이 커지는 자산 데이터를 평가하기 위하여 MGPD(a multi-generational product development) 모드를 사용하여 "DD"(Due Diligence) 자산 평가 처리에 적용되는 DFSS"(Design For Six Sigma) 품질 전형을 사용하지만, 이 실시예가 여기에 제한되는 것은 아니다. 학습 처리(206, 208)는 평가가 진행중인 실시간 원리로 현금 흐름 회수(cash flow recovery) 및 회수 확률 계산으로 진행됨에 따라 축적된 지식을 통합한다. 평가 목적을 위해 감독 학습 처리(206)는 비즈니스 규칙을 사용하여 공통 양상을 가지는 자산의 클러스터를 식별한다. 비감독 학습 처리(208)는 처리가 절차(40)에 의해 수행되는 종래의 데이터 평가로부터의 피드백을 사용하여, 평가의 신뢰성이 증가하고 있는지 여부를 결정한다. 후술하는 바와 같이, 고속 컴퓨터의 사용으로 인하여 모든 사용가능한 원 데이터를 식별할 수 있고 또한, 이들 사용가능한 원 데이터의 클러스터들간의 상관관계를 발견할 수 있다.
후술되는 바와 같이, 일 전형적인 실시예에서, HELTR 스코어링 기법을 사용하는 원 데이터의 비감독 조직화의 FCM(fuzzy clustering means) 처리는 포트폴리오의 자산에 대한 신용 점수의 평가를 추론하기 위하여 사용된다. 이러한 클러스터링 기법은 수동 처리를 허용하지 않는 시간 주기내에서 평가해야만 하는 포트폴리오의 자산 및 높은 자산 총수를 기술하기 위한 보다 복잡한 분류 세그먼트에 응답하여 개발되어 왔다.
하나의 예시적인 방법은 먼저 컴퓨터화된 시스템에서 평가 점수(정적 및/또는 확률적 회수)를 조직화한다. 그후, 특별 인자 및 비즈니스 판단에 따라 평가 점수에 조정을 행한다. 그후, 동일한 자산을 기술하는 다수의 평가 점수를 일치시키고 추정된 평가를 인터뷰/번복하기 위한 전반적인 조정을 행한다.
평가 점수를 조직화하는 것은 클러스터 번호, 클러스터명, 클러스터의 기술적 속성, 확률적 회수 가격(예로는 HELTR 점수) 및, 각 클러스터의 기술적 속성의 강도를 기반으로 각 클러스터의 평가시에 인수자의 신뢰성을 전자적인 형식으로 대조함으로써 수행된다. 클러스터 번호는 평가하는 당업자들이 자산의 가치를 평가하는 데 사용하는 자산에 대한 인자인 기술적 속성의 특정 집합의 고유 식별자이다. 기술적 속성의 예는 지불 상태, 자산 유형, 점수로서 표현되는 차용자의 신용 가치, 청구권의 소재와 순위를 포함하지만 여기에 제한되지는 않는다. 일 실시예에서, 클러스터명은 클러스터의 기술적 속성 또는 소스를 기술하는 문자숫자식 이름이다. 기술적 속성의 일 예는 도 12에 도시되어 있다.
기술적 속성은 자산의 가치를 명확하게 하기 위해 사용되었던 사실이나 요인 또는 벡터이다. 컴퓨터 논리부는 만일 있다면 복제된 클러스터에 대해 검사하는 데 사용되고, 분석가 및 인수자에게 경고하는 데 사용된다.
각 자산이 기술적 속성의 다수의 결합에 의해 기술될 수 있으므로, 동일 자산에 대해 다양한 레벨의 가격이 발생될 수 있다. 확률적 회수 가격 또는 신용 점수 또는 자산의 가치에 대한 수치적 표시은 개별 자산 레벨에서 지명되는 가치의 표현이다. 다양한 기술적 속성으로부터의 모든 정보를 합성하여 구매가 또는 판매가를 고정 가격 또는 확률적 가격으로서 확인할 수 있다. 본 명세서에 기술된 실시예는 HELTR 점수이다. 각 클러스터는 기술적 속성 및 지명된 HELTR 점수의 고유 집합을 가진다.
모든 클러스터의 고유 속성은 클러스터 가격의 평가에 기여한다. 속성의 상이한 결합은 보다 높은 신뢰성 또는 특정 클러스터 점수의 보다 높은 신뢰성 또는 신뢰성 구간을 제공한다. 예를 들면, 임의의 자산이 높이 2.5＂ 및 폭 5＂인 그린 피스 페이퍼로 기술된 경우, 0 내지 1000 달러의 값을 기술하며, 이 평가에 상당히 작은 신뢰성을 둔다. 이 동일한 자산이 실제 ＄20 US 지폐인것과 같은 하나 이상의 사실 또는 속성 또는 벡터를 가지는 것으로 기술된다면, ＄20 US 달러의 이 클러스터 가격에 보다 높은 신뢰성 인자를 둔다.
클러스터의 평가 및 신뢰성은 적시의 시점에 결정되고 기록된다. 때때로 새로운 정보가 사용가능하게 되며, 분석가는 그 값(들)을 변경할려고 한다. 이 값은 컴퓨터 코드를 통한 자동화된 방식으로 데이터 필드 및 결정 규칙에 따라 수동으로 혹은 자동적으로 변경된다. 종래의 값은 새로운 정보를 반영하도록 조작된다. 도시된 예에서와 같이, 종래의 클러스터 신뢰성이 0.1로 기록되었고, 이 클러스터에서와 같이 정확한 기술적 속성을 가지는 상이한 자산이 예견된 "가장 유망한" 가격이상으로 판매되었다고 학습된다. 규칙은 사실상, 이 사건이 발생한 경우에 클러스터 신뢰성은 10이 곱해진다. 개정된 클러스터 신뢰성은 0.1 ×10 = 1이다.
이러한 처리의 목적은 동일한 자산에 대한 다수의 점수를 일치시켜, 각각의 평가 크기를 갖는 평가의 각 소스와 연관된 신뢰성을 제어하는 것이다. 특정 자산에 대해 샘플 데이터 포인트와 함께 일 예로서 HELTR을 사용한다.
Figure 112001022017074-pct00001
클러스터 합의 평가(cluster consensus valuation)는 그 최고치가 .6999, 그 기대치가 .4792, 그 최저치가 .2374이고, 타이밍은 2.6059이다. 상이한 논리가 임의의 가중치를 조작하는 데 사용될 수 있다.
합의 점수는 광범위한 가정의 문맥에서 전개된다. 광범위한 가정의 변경이 발생하면, 방법론에서 합의 점수에 가중치를 매기기 위한 처리 단계(128, 138)를 포함한다. 도시된 예로서는 소정 평가 인자의 부정이 발견되거나, 매크로경제학적 변화가 발생하거나, 자산 클래스에 대해 대체가능한 시장 가격이 확립되거나, 또한 사용되는 다른 방법론에 관해 추론된 자산 평가 방법론의 손실 또는 증가이다.
또다른 실시예에서, 교차 상관관계 툴이 사용되어 포트폴리오의 구성물을 신속히 이해하고 기술한다. 전형적으로, 툴은 자산 포트폴리오에서 사용자가 선택한 변수 대 다른 변수의 응답을 상관시키는 데 사용된다. 툴은 신속하게 두 속성 변수와 응답 변수 간에 뜻밖의 높고 또는 낮은 상관관계를 확인한다. 속성 변수는 연속적인 유형과 카테고리식 유형의 두 가지 유형을 갖는다. 교차 상관관계는 상관관계 툴에 의해 관심의 대상인 모든 변수와 그들의 빈(bin) 또는 레벨간에 계산되고, 일 실시예에서, 포트폴리오에서 자산들중에 경향의 용이한 식별을 위해 2차원 매트릭스에 제공된다.
먼저, 교차 상관관계 툴은 자산의 포트폴리오의 속성 변수를 연속적인 또는 카테고리식 유형 중 하나로서 식별한다. 각 변수 집합 레벨은 연속 변수에 대한 빈에 의해, 또한, 카테고리식 변수에 대한 값에 의해 계산된다.
툴을 이용하여 상관관계를 식별하려고 하는 사용자는 응답 변수, Yr, 예를 들면, 기대되는 회수 또는 카운트를 선택할 것이다. 속성 변수 쌍(x1, x2)과 그들의 레벨(a, b)의 모든 결합에 대해
Figure 112005071311923-pct00038
.
응답 변수의 기대되는 가격 Yexpect는 다음에 따라 계산된다:
Figure 112005071311923-pct00039
x1=a 및 x2=b의 사건의 가중치를 별개로 사용하여 예상값 Yexpect으로부터 선택된 응답 변수 Yr의 편차 Yerror는
Figure 112005071311923-pct00040
일 실시예에서, 예상값 및 편차는 다차원 디스플레이에 디스플레이되므로써, 예상값으로부터의 변동을 쉽게 확인할 수 있다.
또다른 전형적인 실시예에서, 후술되는 바와 같이 원 데이터를 궁극적인 입찰가로 변환하는 전달 함수 처리가 사용된다. 표(136)는 절차(14, 34, 40)에서 전개된 변형된 계수를 사용하여 전자적으로 조정되어, 자산에 대한 신용 점수(138)에 대해 계수 조정을 행하고, 추론된 개별 자산 신용가의 조정된 신용 분석가표(140)를 생성한다. 개별 자산 가격은 트랜치 그룹핑에 의해 요구되는 대로 표(140)로부터 취해지며, 추론된 신용 평가값(142)을 생성한다. 마지막으로, "미착수된" 자산의 사소한 나머지 부분(30)에 대해 외삽법을 행하여 미착수된 자산 표(144)를 생성한다. 표(144)로부터의 값은 미착수된 자산 평가를 생성하도록 선택된다.
완전 현금 평가(98), 부분적 현금 평가(104), 완전 샘플링 신용 평가(118), 부분 신용 값(132), 추론된 신용 값(142) 및 미착수된 자산 표(144)로부터 할당된 임의의 값이 축적되고, 이들은 서로 배타적이며 그 우선 순위는 완전 현금 평가(98)에서 추론된 신용 값(142)까지 일렬로 갖는다. 평가의 합은 포트폴리오의 값을 나타낸다.
도 4는 (도 2에 도시된) 시스템(28)에 의해 수행되는 입찰 준비 단계(168)의 흐름도이다. 축적된 평가(98, 104, 118, 132, 142, 144)는 위험 선호 대출 레벨 평가 단계(146)에서 결합된다. 확률론적 현금 흐름 브리지(152)를 전개하기 위해 현금 흐름 타이밍 표(150)를 사용하여 결정론적 현금 흐름 브리지(148)를 생성한다. 확률론적 현금 흐름 브리지(152)가 생성되고 사용되어 소정 임계값(158)에 도달할 때까지 반복적으로 트랜치 모델(156)이 적용되는 제안된 트랜치 입찰가(154)를 결정한다. 임계값(158)은 예를 들면, 소정 가격보다 큰 내부 수익률(IRR:internal rate of return), 소정의 수익 기간(TTP:time to profit), 및 포지티브 순현가(NPV: net preseent value)이다.
일반적으로 NPV는 다음과 같이 규정된다 :
Figure 112001022017074-pct00002
여기서, C0는 시간 0에서의 투자액이며, C1은 시점 1일때의 예상 수익치이며, r은 할인율이다. 기본적인 개념은 현 달러가 내일의 달러보다 더 가치 있다는 것이다.
보험 증서의 경우에, NPV는 다음과 같이 규정된다 :
Figure 112001022017074-pct00003
여기서, P는 프리미엄, E는 예상되는 명목상 비용, C는 청구 비용이다. 근본적으로, 수학식 B는 이익 및 가중치가 부여된 예상 위험의 차이로서 순 수익이 어떻게 발생하는 지를 나타낸다. 합산은 특정 세그먼트에서 모든 보험 증권을 가로질러 합산된다는 데에 주목한다. 프리미엄, 명목상 비용 및 청구 비용의 모두는 수학식에 입력되기 전에 할인된다는 데에도 주목한다. 결과적으로, 수익성 점수가 발생된다.
임계 조건(160)이 충족되면, 입찰가(154)는 시뮬레이션된 입찰 개방 분석(161)을 받게 되어 입찰이 성공적으로 이루어질 수 있는지 여부를 예견한다. 봉인된 입찰 경매의 성과는 각 입찰자로부터 받은 입찰가의 크기에 의존한다. 경매의 집행은 모든 입찰을 개방하고, 경매에 나온 품목을 최고 입찰자에게 판매하는 것이다. 전형적인 봉인된 입찰 경매에서, 입찰자는 일단 그들의 입찰가를 제시한 경우 그들의 입찰을 변경못하게 되어 있으며, 입찰이 개방될 때 까지 다른 입찰자가 한 입찰가를 알지 못하므로, 경매의 성과가 불확실하게 된다. 보다 높은 입찰가 제시함으로써, 경매에서 성공할 확률이 보다 높아지지만, 보다 낮은 가격에서 경매를 성공할 시에 가능한 것 보다 가격 이득은 더 낮게 된다.
경쟁적인 입찰을 시뮬레이션하는 것은 가장 바람직한 자산이 원금의 최고 보존과 교섭하도록 경쟁적인 입찰자의 자금을 다 써버리도록 하는 경향을 가지는 입찰가/판매가의 범위를 설정함으로써 이익성의 최고 상한선을 포착할 확률을 증가시킨다. 순수한 일화적 비즈니스 판단은 숨겨진 비망록, 개성 또는 편파적인 지식에 영향받지 않는 데이터 구동 접근 방식에 의해 증가될 수 있으므로, 분석학적으로 확고한 처리에서는 가격 결정에 초점이 맞춰진다.
각 잠재적 입찰자는 봉인된 입찰 경매에 제출할 가능한 입찰의 범위를 가진다. 입찰의 범위는 통계적 분포로서 표현될 수 있다. 입찰가의 분포로부터의 확률적인 샘플링에 의해, 한가지 가능한 경매 시나리오를 시뮬레이션할 수 있다. 또한, 예를 들면, 몬테 카를로 분석(Monte Carlo analysis)과 같은 반복적 샘플링 기법을 사용함으로, 결과의 분포를 생성하는 데 다수의 시나리오를 시뮬레이션한다. 결과의 분포는 성공하는 경매 항목(들)의 확률 및 가격 이득을 포함한다. 자신의 입찰가를 변경하므로써, 자신의 입찰가에 대항하여 경매에 이길 확률을 결정할 수 있다.
다음의 핵심 요소는 경쟁적 입찰 이윤을 시뮬레이션하는 데 사용된다. 즉, 이 요소로서는, 컴퓨터화된 비즈니스 룰 내로 체계화된 시장 규칙 및 계약과, 선호 매트릭스 내로 체계화된 잠재적 경쟁/시장 힘, 예상되는 예산 및 우선순위와, 자신의 입찰 능력, 선호도, 선호 매트릭스 내로 체계화되도록 동의된 위험/수익 트레이드오프, 및 컴퓨터화된 확률적 최적화가 있다.
분석(160)은 시스템(28)에 의해 계산된 입찰가에 비교해 다양한 재정적 입찰 능력을 가지는 다른 회사가 포함되는 경쟁적 환경을 시뮬레이션한다. 일 실시예에서, 예를 들면, 분석(160)은 자산의 총 가격이 시스템(28)을 사용하여 엔티티의 재정적 능력을 초과하는 경우와 같은 총 입찰 제한을 포함하는 데, 이는 예일 뿐 이로 제한되지는 않는다. 일 실시예에서, 분석(160)은 입찰할 자원이 제한된 경우에 트랜치의 다양한 결합에 대해 입찰의 수익성을 평가한다. 또한, 분석(160)은 주지의 경쟁자들과의 입찰시에 과거 기록 및, 경쟁하는 입찰자에 의해 선호되는 각종 유형의 자산에 대한 정보를 고려한다. 분석(160)에서, 트랜치 입찰은 관리(162)에 의해 평가 및 설정되고, 최종 트랜치 입찰(164)이 행해진다. 입찰(164)을 행하기 전의 모든 평가를 원하는 대로 반복할 수 있다. 또한, 처리는 자체 조정가능하며 반복적이므로, 시스템(28)에 의해 수행되는 반복에 의해 점점 많은 가격이 발견되므로 각 반복마다 상승하는 경향이 있다.
흐름도(85)에 의해 기술되는 처리는 (도 3에 도시된) 평가 단계(166) 및 (도 4에 도시된) 입찰 준비 단계(168)를 포함한다. 평가 단계(166)는 절차(14, 34, 40)를 포함한다. 평가 단계(166)는 중단될 때까지 일정하게 실행되며, 자동 평가 절차(40) 및 샘플링 절차(34)는 각종 자산 또는 자산의 카테고리에서 여분의 값을 발견하려고 시도한다.
도 2를 다시 참조하면, 신속한 자산 평가에 따라서, 포트폴리오(12)의 자산내의 데이터 카테고리(170, 172, 174)는 각 자산마다 식별되고 데이터베이스(76)에 저장된다. 반복적이며 적응적인 평가 처리(32)는 선택된 데이터(78) 부분을 취하며, 통계적 방식으로 이 선택된 데이터(78) 부분에 기준(80)을 적용하여 총 외삽추정치(20)인 자산 가치보다 주지의 자산 가치를 증가시킨다. 방법(28)에 따라서, 자산은 적어도 제 1 부분(16), 제 2 부분(36) 및 제 3 부분 또는 나머지 부분(42)으로 나뉘어 진다. 절차(14)를 사용하여, 부분(16)의 자산은 완전히 인수되어 평가치(98) 및 부분적 가격이 완전히 인수된 평가치(104)를 결정하고 이러한 평가에 대한 기준(80)을 결정한다. 절차(34)를 사용하여, 처리(28)는 제 2 부분의 그룹을 나타내는 제 2 부분(36)으로부터의 자산의 양을 샘플링하여, 제 2 부분(36)에 대한 완전 샘플링 그룹 평가치(118) 및 부분 샘플링 신용값(132)을 결정하고, 이러한 평가에 대한 부가적인 기준(80)을 설정한다. 절차(40)를 사용하여, 부분적인 감독 학습 처리(206) 및 부분적 비감독 학습 처리(208)는 도 2의 컴퓨터(38)와 같은 자동화된 분석기에 의해 수행된다. 학습하기 위하여, 자동화된 분석기는 제 3 부분 또는 나머지 부분(42)에 대한 설정된 기준(80) 및 선택된 데이터(78)를 추출하고, 제 3 부분(42)을 부분(46)으로 분할하고, 그후, 각 부분(46)을 카테고리(48, 50)로 더 분할하고, 카테고리(50)를 클러스터(52, 54)로 분할하고, 데이터베이스(76)로부터 들여온 기준(80) 및 각각의 처리(206, 208)를 사용하여 클러스터(52, 54)를 하위클러스터(56, 58, 60, 62, 64)로 분할한다. 개별 자산 평가는 하위클러스터(56, 58, 60, 62, 64)의 자산에 대해 통계적 추론에 의해 설정된다.
개별 자산 평가는 클러스터 표(136)(도 3 참조)에서 리스트되고, 조정(138)후에, 신용 분석가표(140)에 리스트된다. 설정된 기준(80)은 완전 인수 절차(14) 및 샘플 인수 절차(34) 동안 배치되는 데이터베이스로부터 온 것이므로 객관적이다. 달리 말하면, 완전한 가격 표(96), 부분적 가격 표(102), 표(116), 알파 신용 분석가표(126), 조정된 신용 분석가표(130), 조정된 신용 분석가표(140) 및 모든 자산에 대해 미착수된 자산 표(144)에서 얻어지는 정보는 컴퓨터(38)의 하드 디스크 저장소(178)와 같은 디지털 저장 장치의 데이터베이스(76)에 배치되고, 상관관계는 절차(14, 34)로부터 기준(80)을 이용한 절차(40)에 의해 행해진다. 절차(40) 동안에, 수용가능한 신뢰도를 가지는 통계적으로 중요한 기준(80)이 입력된다. 즉, 절차(40)는 평가하고 기준(80)을 설정하기 위해 반복적으로 학습한다. 감독 학습 처리(206) 및 비감독 학습 처리(208)는 완전 인수된 제 1 부분(16)의 자산 및, 샘플 인수된 제 2 부분(36)의 자산에 대해 데이터베이스(76)에서 설정된 기준(80)에 상관시킴으로써 통계적으로 추정된 평가(142)의 정확성을 증가시킨다. 부분(16 및/또는 36)의 자산에 대해 선택된 데이터(78)와 유사한 제 3 부분(42)의 하나 이상의 자산에 관련하여 선택된 데이터(78)는 데이터베이스(76)에서 얻어지고, 그 후에, 통계적 추론에 의해, 제 3 부분(42)의 각 자산에 대한 가치는 얻어진 정보로부터 결정된다.
흐름도(85)에 의해 기술되는 처리 동안, 자산은 개별 자산 레벨에서 평가되고, 개별 자산 가치는 하나 이상의 결합으로 표로 만들어지거나 혹은 그룹화된다. 다양한 입찰 시나리오에 대해 최대 융통성을 가지기 위하여, 포트폴리오(12)의 임의의 부집합이 평가되고 특정한 시간 프레임으로 개별적으로 가격이 매겨진다. 알려진 처리(10)에서, 자산의 판매자가 예를 들면, 자산 회사에 따라서 그룹화하는 경우로부터 차용자의 지리적 위치에 따라 그룹화하는 경우에 이르기까지 자산을 재그룹화하는 경우, 총 외삽법(20)이 수행될 필요가 있으므로, 입찰의 재평가가 부적절할 수 있다. 시스템(28)을 사용시에, 개별 자산 가치가 전개되고 표(96, 102, 116, 130, 140, 144)에 리스트되므로, 이들 값은 "푸드 체인(food chain)" 선택 기준이 상호 배타적이고, 평가를 수행하는 분석가에 의해 선택가능한 상이한 평가(98, 104, 118, 132, 142)로 전자적으로 재그룹화될 수 있으며, 이는 후술될 것이다. 판매자가 자산을 그룹화하는 경우, 판매자 그룹 또는 트랜치에 따른 그룹화는 쉽게 행해지며, 이 트랜치에 대하여 적절한 평가(146)가 전개된다. 따라서, 개별 자산값은 제 3 부분(42)에 대해 쉽게 재그룹화되어, 이 그룹 또는 트랜치에 대한 추정된 평가(142)를 객관적으로 얻는다.
다수의 방법을 사용하여 자산 가치를 설정할 수 있다. 평가의 목적에 따라, 상이한 평가 방법론의 관련 이점은 특정한 자산에 대해 바람직한 평가 기법을 설정한다. 하나의 방법은 "푸드 체인"과 유사하며, 이것은 가정 전개 방법을 유지하면서 최고의 신뢰성 구간을 가지는 구간을 선택한다.
푸드 체인에 대한 하나의 입문적인 예에서, 개별 의견보다도 개방 시장에서 유사한 자산이 얼마로 거래되는지에 따라 재정 자산을 평가하는 것을 더 선호할 수 있다. 개인의 의견보다는 시장 대 시장 값이 서열로 선택된다.
동일한 방식으로, 예측된 현금 흐름 회수를 가지는 포트폴리오의 자산은 다수의 평가 기법에 의해 평가될 수 있다. 전형적인 목표는 사용가능한 높은 확률로 장래 현금 흐름이 어떻게 될지를 설정하는 것이다. 평가 방법은 현금 흐름, 또는 현금 등가물을 정확하게 정량화하는 그들의 능력이나, 최소 하향 변동 및/또는 최대 상향 변동을 이용한 예측치의 순서대로 순위가 매겨진다. 자산은 메리트(merit)가 있는, 혹은 논리적 비즈니스 규칙을 가지는 모든 이용가능한 방법에 의해 평가되어 일단 최선의 방법이 이용된다면 보다 정확한 방법에서 자산액을 평가할 필요가 없다고 알려지는 경우 중복 작업을 하지 않아도 된다.
자산값에 대한 최상의 예측치를 제공하기 위하여, 자산은 각 특정 자산에 대해 이용가능한 최상의 사용가능한 방법에 의해 평가될 때까지, 푸드 체인내에서 각 방법에 의해 평가된다. 일단 이 최상값이 발견되면, 자산은 푸드 체인에서 보다 낮은(더 많은 변동을 가지는) 그 밖의 값에 관계없이 그 평가치가 부여받고 그 자산은 완료 상태가 된다.
예로서, 자산의 포트폴리오는 푸드 체인을 사용하여 평가된다. 푸드 체인에서 제 1 평가 방법은 평가 목적에 가장 근접하게 일치하는 방법으로, 즉, 최고 수준의 정확성(가장 타이트한 신뢰성 구간)을 가지는 값을 발견하는 것이다. 고유 자산에 대한 값을 설정하는 방법에 의해 자산이 평가되자마자, 그 평가치는 평가 표로 전송되고, 푸드 체인에서 임의의 또 다른 다음 단계로부터 제거된다. 평가 방법과 일치하지 않았던 원래 포트폴리오로부터의 자산 리스트는 미착수된 자산 표에서 유지된다. 목적은 이 미착수된 표를 0 자산이 되게 하는 데 있다.
푸드 체인의 일 예는 선호의 순위에 따라서 다음과 같다. (a) 자산에 대한수중의 100% 현금, (b) 자산에 대한 수중의 부분 현금, (c) 자산과 같은 유동 시장가치, (d) 직접 인수,및 (e) 추정된 인수가 있다.
푸드 체인 접근 방식은 최상 확률 분포 형상을 찾아내는 능력을 제공하고, (특히 하락세의 끝부분에서) 확률 분포 변동을 감소시키고, 구매자의 이용가능한 모든 지식을 보존하면서 신속히 확률 분포를 설정할 수 있는 능력을 제공하고, 발견 프로세스에서의 임의 지점에서 최상의 평가를 제공할 수 있는 능력을 제공한다.
도 4에 도시된 바와 같이, 입찰 준비 단계(168)의 일반적인 프레임워크는 성공한 투자자가 투자를 회수하기 위한 의무가 아니라 권리를 가지는 옵션 평가 패러다임과 마찬가지로 입찰의 가격을 결정하는 것이다(164). 이 값은 구별이 폐지되어 각 트랜치마다 세 개의 부분, 즉 화폐 성분의 시간적 가치, 고유 가치의 요소 및 있음직한 현금 흐름 요소로 이루어진다. 화폐의 시간 값 및 고유 값은 결정론적으로 계산되며, 일단 설정되면 변동이 거의 없다. 화폐의 시간적 가치는 저 위험 투자에 대한 회사의 자본의 비용에 적용가능한 기간의 투자액을 곱함으로써 계산되며, 이 적용가능한 기간은 현 투자를 행하기 위하여 선행하는 대체 투자의 기회를 나타낸다. 고유 값은 알려진 유동 자산 값이며, 구매가를 초과하며, 자산의 취득 직후에 이용가능하다. 일 실시예는 포트폴리오의 부분으로서 시장가의 이하로 구매한 유가 증권이다. 있음직한 현금 흐름 분산은 듀 데리젠스(a due diligence) 팀이 행하는 가정의 함수이고, 원 데이터를 현금 흐름 회수 스트림으로 변환하기 위해 선택하는 프로세스이다. 본 명세서에 기술된 시스템은 네거티브 분산을 감소시키고 값을 발견하도록 구성된다.
도 5는 전형적인 최소 세 지점 자산 평가(180)에 대한 삼각 확률 분포 그래프이다. 처리(40)에 따라서, 금융상품마다 세 경우의 최소점을 평가한다. 수직축(182)은 증가하는 확률을 나타내고, 수평축(184)은 회수의 증가하는 부분을 나타낸다. 파산 또는 액면가 라인(188)의 최악 경우 퍼센트(186)와, 액면가(188)의 최상의 경우 퍼센트(190) 및, 액면가(188)의 가장 유망한 경우 퍼센트 및 회수 값(192)이 도시되어 있다. 최악 경우 퍼센트(186)의 확률은 0이며, 최상 경우 시나리오(190)의 확률은 0이며, 회수의 가장 유망한 퍼센트(192)의 확률은 지점(196)에 의해 나타나는 값이다. 지점(186, 196, 190)을 연결하는 선에 의해 정의되는 곡선(200) 아래의 영역(198)의 크기는 자산의 가치를 표현하는 것이다. 표기 자산 가치는 액면가(188)의 100% 회수의 100% 확률선(204)에 의해 한정되는 직사각형의 영역(202)에 대응하고 곡선(200)에 의해 표현되는 자산에 기여할 수 있는 액면가(188) 부분의 측정치이다. 지점(186, 196, 190)과 선(188, 204), 및 그에 따른 영역(198, 202)은 자산에 적용되고, 자산 가치 회수의 확률에 기인하는 평가 기준(80)과 해당 자산에 대해 선택되는 선택된 데이터(78)에 따라 변할 것이다. 수평축(184)은 액면가의 퍼센트라기 보다는 통화 단위(예를 들면, 달러)로 표현될 수 있다. 통화 단위가 사용될 때, 상이한 자산에 대한 곡선(200) 아래의 영역(198)은 통화 단위일 것이며, 따라서, 영역(198)은 전반적인 입찰(70, 72, 74)에 크기 및, 중요성에 있어서 서로 관련있다. 자산에 대해 더 많이 알려 질 수록, 곡선(200)은 보다 세밀해질 것이다. 기준(80)이 지점(186, 196, 190)의 위치, 영역(198) 및 자산의 예상값의 설정을 돕기 위해 설정되는 경우 통계학이 곡선(200)에 적용된다. 값에 영향을 미치는 현금 흐름의 타이밍은 타이밍 속성의 히스토그램 결과를 근거로 한다.
예를 들면, 현금 흐름 회수 타이밍은 0-6개월, 7-12개월, 13-18개월등의 세가지 빈으로 나누어질 수 있다. 알고리즘(134)을 사용하는 자동화된 분석기(38)는 인수업자에 의해 결정될 수 있는 게이지 회수 및 레이트에 대한 타이밍 대 평가의 감도 연구 트레이드오프에 근거하여 빈의 폭을 선택할 수 있다. 실시예적인 실시예에서, 디스카운트 인자가 25%이상일 때는 최소 4개의 빈을 사용하여야 한다. 디스카운트 인자가 10과 25 사이인 경우, 최소 6개의 빈을 사용하여 적당한 회수 주기를 커버해야 한다.
절차(40)에 따라서, 인수자가 금융상품의 값을 평가하는 데 사용할 수 있는 데이터의 다른 소스를 선택한다. 절차(14, 34)에서 인수팀(94, 100, 114, 122, 140)에 의해 설정된 기준(80)은 이러한 점에서 유용하다. 흐름도(85)에 의해 기술되는 처리에 따라서, 원 데이터는 회수값으로 변환되고, 원 데이터에 평가를 적용하는 규칙 집합이 선택되고, 이 규칙 집합은 기준(80)의 형태로 평가 데이터베이스에 코딩된다. 클러스터가 절차(14, 34, 40)에서의 평가 동안에 다수의 히트(hit)에 의해 터치(touch)될 때 마다, 합의의 예측치가 전개되고, 클러스터에 적용된다. 시스템(28)에 따라서, 트랜치 레벨에서 현금 흐름의 확률 분포 및 타이밍은 원 데이터를 취하고 데이터가 발생되고 트랜치 내의 개별 자산의 평가를 모은다고 하는 가정을 합리화할 자산 레벨에서 평가 전달 함수(146)를 전개함으로써 결정된다.
모든 회수 가격이 동종의 것이 아니기 때문에, 다양한 현금 흐름 회수를 설정하는 방법이 제공된다. 개별 자산은 그룹 노출에 의해 클러스터링된다. 가능한 한 많은 액면가가 허용된 시간에 전형적으로 인수되고, 상당한 크기의 샘플이 클러스터링을 위해 남아있음을 인식한다. 클러스터링 예비는 145에 액면가의 2.65% 를 더한 것과 동일한 샘플 크기 및 변동의 회귀 분석을 사용하여 추정된다. 이것은 100 자산의 액면가에 대하여 30의 샘플 크기를 생성한다. 1,000 자산의 액면가에 대해 150, 5,000 자산의 액면가에 대해 400, 10,000 자산의 액면가에 대해 500, 20,000 자산의 액면가에 대해 600의 샘플 크기를 생성한다.
통계적 추론 절차(40)동안, 포트폴리오(12)의 제 3 부분(42)에 남아있는 자산은 기술적 인수 속성 또는 기준에 의해 클러스터링되고, 임의 샘플이 각 클러스터 및 인수된 샘플로부터 취해진다. 일 실시예에서, 절차(40)에서 클러스터로부터의 샘플링은 자산 레벨 평균 변동이 10% 이하로 떨어질 때 중지된다. 다른 실시예에서, 샘플링은 트랜치 레벨 평균 변동이 15% 이하로 떨어질 때 중지된다. 포트폴리오 평균 변동은 잠재적 판매 유닛이 전체 포트폴리오보다 작은 경우에 정지점으로 사용되지 않는다. 절차(40)에 따라서, 클러스터 샘플링의 회수 평가는 상응하는 클러스터 집단으로 추론된다. 시스템(28)을 사용시에, 목표는 셋 또는 그 이상의 고유 클러스터를 통하여 각 추론된 자산 평가를 다루는 데 있다. 절차(40) 동안, 클러스터의 인수 신뢰성 및 기술적 속성의 타당성에 가중치가 매겨진다.
예로써, 0=신뢰성 없음은 이 클러스터의 기술적 속성이 중요한 평가를 제공할 것이며; 1=신뢰성 없음은 이 클러스터의 기술적 속성이 완전한 신뢰성으로 각 금유을 개별적으로 인수하는 평가의 정확성을 제공할 것이며, 1과 0 사이의 수는 평가에서 부분 신뢰성을 표시한다. 이들 값의 중재는 조정된 신용 분석가 표(130)내에서 발생된다. 절차(40)에서, 자산 레벨에서 현금 흐름은 조정된 신용 분석가 표(140)내에서 마이크로전자 계수에 의해 조정된다. 일 실시예에서, 이로 제한되지는 않지만 예를 들면, 부동산 거주 대출 또는 상업적 설비 대출과 같은 주 자산 분류와 같은 주 자산 분류와 관련있다. 계수는 이로 제한되지는 않지만 예를 들어, 법적 풍토, 국내 총 생산(GDP) 예상, 보증인 풍토, 수집 효율, 차용자 그룹 코드등에 의해 광범위하게 적용가능할 수 있다.
포트폴리오를 샘플링하기 위한 일 방법은 핵심 자산, 차용자, 많이 영향을 주고/발생시키는 속성의 측면 특성을 포함한다. 표 A는 자산 평가 시나리오에서 예인 포트폴리오 속성의 리스트를 제공한다.
(표 A : 포트폴리오 특성)
Figure 112001022017074-pct00004
자산 속성의 세그먼트화는 "더미 변수(dummy variables)"로 속성을 인코딩하므로써 성취된다. 예를 들면, 공통 자산 속성은 "차용자가 마지막 12개월에 지불을 했는가?"이다. 응답이 예이면 변수에서 "1"로서 인코딩되고, 응답이 아니오이면 "0"으로 인코딩된다. 유사한 "더미 변수"는 다른 자산 속성을 위해 사용된다.
세그먼트화 절차는 포트폴리오를 유사한 자산이 그룹으로 세그먼트화하도록 하는 방식으로 인코딩된 자산 속성을 처리하는 통계적 절차를 사용하여 완료된다. 이러한 알고리즘은 K-평균 클러스터링이다. 예를 들면, UPB(Unpaid Principal Balance)와, 0으로부터 1까지의 스케일을 갖는 지불 확률과, 부동산 담보에 따라서 보증되는 확률을 갖는 보장된 점수의 세 자산 속성이 사용될 시에, 자산은 유사한 속성을 갖는 5 그룹으로 분류될 수 있다.
일단 자산의 그룹화가 행해지면, 제공되고 차후의 인수 검토를 위해 제출되는 샘플의 수는 일람표가 각 세그먼트(k)의 총 회수에 대하여 만들어지도록 신뢰성 레벨을 설정하고, 각 세그먼트(h)의 각 회수를 추정하기를 원할 시의 정확도를 설정하고, 선험적인 회수의 추정 레벨과 그 범위를 총 미납 원금 차액(UPB)(R)의 비율로서 제공함으로 계산되고, 다음과 같다.
Figure 112005071311923-pct00041
Figure 112001022017074-pct00006
Figure 112001022017074-pct00007
n에 대한 수학식 3를 푸는 것에 의해, 주어진 클러스터에 대해 필요한 샘플 크기를 얻는다. 수학식 3을 푸는 것에 의해 사용자는 확률
Figure 112005071311923-pct00042
을 이용하여, 계산된 샘플 크기 n을 지정할 수 있으며, 총 세그먼트 회수의 추정치가 수학식 4를 사용하여 결정된다고 가정시에, 관련된 인수된 값이 에러 h내에서 총 클러스터 회수를 추정할 것이다.
사실상, 이용가능한 데이터없이 총 회수의 변동성을 추정하는 것은 어려운 일이다. 스프레시트 툴은 몬테 카를로 시뮬레이션에서 데이터를 발생하고, 양호한 샘플 크기를 얻을 때 까지 결과의 분석을 통해 사용자를 유도함으로써 전술한 내용을 구현한다.
표 B는 20%와 30% 사이의 추정된(예상되는) UPB 회수, 1MM과 2MM 사이의 UPB의 범위를 가지는 20 대출 그룹의 연구로부터의 결과인 예를 제공한다. 8개의 샘플은 실제 10%내에서, 75% 신뢰성으로써 20 대출에 대해 총 회수를 추정하는 데는 8개의 샘플이 필요하다.
(표 B : 샘플 사이즈 스프레드시트 마법사)
Figure 112001022017074-pct00009
적절한 분산 조정이 행하여진 예측치가 각 자산마다 생성되고, 평가표는 포트폴리오의 모든 자산을 포함하도록 구성된다. 회수는 일 실시예에서 트랜치인 판매 단위의 연속 확률로 평가된다. 시스템(28)을 사용시에, 내부 수익률("IRR")과 분산이 평가될 수 있다. 바람직한 트랜치는 주어진 IRR에 대하여 보다 낮은 분산을 가진다. 0 이상의 각 트랜치의 순 현재 값("NPV": net present value)의 확률은 프로젝트의 할인률을 사용하여 평가될 수 있다. 할인률은 원금의 기회 비용에, FX 교환 비용(FX swap cost)을 더하고, 예측된 현금 흐름 회수의 분산에서 고유한 일반적인 불확실성의 위험을 더함으로써 결정된다. 프로젝트가 네거티브 NPV를 가진다는 확실성이 5% 이상인 경우, 입찰은 행해지지 않는다. 거래 평가는 결정 기준에 따라 트랜치마다 이루어지는데, 이 결정 기준은 IRR과, 트랜치의 IRR의 위험 분산과, 지불할 트랜치의 추정된 의사(willingness) 및 능력과, 시간 이익(TPP) 및 트랜치에 의한 원금회수 위험의 분산과, 위험으로부터 자유로운 비율(risk free ratio)로 할인된 트랜치에 의해 예상되는 현금 흐름의 NPV이다.
자산 포트폴리오의 내용이 협정가능하지 않은 경우인 경쟁적 입찰 환경에서, 투자자 또는 판매자는 그들의 종합된 재정적 구조에 최상 위험/이득을 줄 거래에 사용가능한 총 자산의 일부만을 선택하도록 상당한 재정적 인센티브를 가진다. 최대 상승세 확률의 보다 높은 확률을 가질 자산과 최소 위험/이득 예상값을 만족시키는 것은 투자자에게 보다 매력적이다.
집합된 포트폴리오는 매매상의 하위 포트폴리오 또는 트랜치로 분할된다. 각 트랜치는 종래 분석으로부터 예측된 현금 흐름 확률 분포 및 시간 지속기간을 가진다. 그후, 이들 트랜치에 시험가가 주어진다. 새로운 자산은 판매부 또는 구매부의 기존 자산 수행과 함께 결합되고, (고려되는 관련된 교차 상관관계를 가지는) 몬테 카를로 경우 생성을 행한다.
트랜치 선택 처리는 구매하지 않을 트랜치의 임의 선택을 포함한다. 일단 포트폴리오의 효과가 특정 패턴을 취한다면, 제약 조건 하에서 확률론적 최적화를 행하는 것에 의해 얼마로 어느 트랜치를 구입할 것인지를 최상으로 선택할 수 있다.
NPV의 사용은 비관적 경우인 시나리오가 PV를 얻기 위해 할인될 때 발생할 이중 할인과 관련된 결과로 인하여 잘못 이끌어질 수 있다. 이러한 한계를 극복하는 데 수익 기간을 사용하고, 한계 자본 비용 또는 위험이 없는 레이트가 평가를 행하는 분석가에 의해 결정되는 경우 할인시에 사용된다.
추론된 평가 절차(40)의 감독 학습 처리(206) 및, 부분 샘플링 절차(108)의 단계(120, 122, 126)는 인수자가 처리에서 실제 활발하게 관계한다는 점에서 사실상 유사성을 가지지만, 이 처리는 자동화된다. 도 6은 세그먼트가능한 금융상품 자산의 자동화된 인수에 대한 처리(210)를 도시하는 흐름도이다. 금융상품의 제 1 클러스터는 공통 속성에 의해 정의된다(212). 가치에 대한 전문가 의견(214)은 속성을 기반으로 정의된 클러스터로부터 선택된 샘플에 대하여 주어진다. 이러한 의견은 샘플 인수 처리(216)에서 이용되고, 속성의 조합을 위해 가치가 체크되고, 조정된다(218). 그후, 처리(210)는 사용할 개별 속성을 선택 및 설정하고(220), 개별 자산을 클러스터로 분류한다(222). 클러스터 평가는 각 클러스터 자산에 적용된다(224). 클러스터 평가를 사용하여, 이 값은 규칙(226)에 의해 차별이 폐지되어 신용 분석가표(228)를 생성한다.
도 7은 몇몇 모듈을 포함하는 비감독 학습(208)의 일 전형적인 실시예의 흐름도이다. 데이터 획득 모듈(230)은 사용가능한 곳마다 적절한 데이터(78)를 수집한다. 가변적 선택 모듈(232)은 신용 검토에 의해 또는 각종 자산 그룹을 분리시에 가장 명확한 파워로서 중요한 것으로 여겨지는 자산에 적절한 변수를 식별한다. 계층적 세그먼트화 모듈(234)는 분석가에 의해 선택된 중요한 변수를 기반으로 자산의 전체 포트폴리오를 빈으로 세그먼트화한다. FCM 모듈(236)은 자산 데이터의 자연 구조를 근거로 각 빈을 클러스터로 분류한다. 인수 검토 모듈(238)은 제안된 현금 흐름 및 위험 점수(138)(도 3에 도시됨)를 각 클러스터로 배정한다. 그후, 이 점수는 절차(40)에서 조정되는 클러스터로부터 자산에 대한 신용 분석가표(136)에서 개별 자산 값에 공급되어, 조정된 신용 분석가표(140)를 생성한다. 처리는 반복적이고 연속적이며, 표준 인수가 다른 경우에 수행되는 동안에 연속적이도록 컴퓨터에 의해 수행될 수 있다.
도 8은 도 3 및 도 4에 도시된 처리 대신에 사용되는 전형적인 대체 추론된 평가 처리(240)를 도시한다. 대체 처리(240)에서, 7단계 처리는 완전 인수, 부분 인수 및 추론된 평가 결합을 사용하여 부동산 융자 포트폴리오를 신속히 평가하는 데 사용된다. 먼저, 위험에 따라서 자산을 샘플링한다(242). 두번째, 자산을 인수하고(244), 평가를 기록한다. 세번째, 후술하는 바와 같이 FCM에 의한 것과 같이 시장가 클러스터를 형성한다(246). 네번째, 인수된 자산에 대한 회귀 모델을 설립한다(248). 보다 일찍 설립된(248)것 들중에서 인수된 자산에 대한 최상 모델을 선택한다(250). 여섯번째, 선택된 모델에 대한 카운트를 계산한다(252). 7번째, 인수되지 않은 자산의 각각에 대한 개별 값을 예측하기 위하여 카운트에 의해 가중치가 매겨지는 방식으로 포트폴리오(12)의 고유하게 평가된 또는 인수되지 않은 부분(42)에 선택된(250)바와 같이 모델을 적용한다(254). 그후, 처리(240)에 따라서 생성된 개별 자산값은 조정된 신용 분석가표(140)(도 3을 참조)에 배치된다.
자산(242)을 샘플링시에, 인수자는 상세한 검토를 위해 자산을 선택시에 계층화된 임의 샘플링을 사용한다. 계층은 부차적인 속성으로부터 구성된다. 부동산 포트폴리오에 대한 부차적 속성의 예는 부차적 사용(상업용 또는 거주용), 선행 감정가, (이전 감정가로부터 예상되는) 시장가 클러스터, 토지 면적, 건물 면적, 현 감정가, 법원 경매가 실현된 가격, 자산 유형 및 자산 위치를 포함한다. 전형적으로, 자산은 UPB(Unpaid Principal Balance) 또는 PAA(Previous Appraisal Amount)를 감소시킴으로써 순서화된 리스트로부터 고의로 선택된 불리한 방식으로 샘플링된다.
인수(244)는 인수자가 부차적 자산에 대한 가치의 개념을 표기하는 것을 제외하고는 상당히 수동적인 처리이다. 인수된 평가는 (도 2에 도시된) 데이터베이스(76)와 같은 마스터 데이터베이스 표에 저장된다. 평가는 전형적으로 현 시장가에서 화폐 단위(예를 들면, 100,000 KRW)의 개념으로 요약된다.
도 9는 시스템(28)에 의해 사용되는 처리의 자동화된 부분의 고레벨 검토(290)이다. 인수자는 자동화된 절차를 사용하여 절차(34)(도 3을 참조)를 기반으로 완전 인수시에 지원한다. 절차(34)에 포착된 지식은 추론된 평가 절차(40)에 적용되어, 금융 상품의의 듀 데리전스(due diligence) 평가시에 비용 및 불확실성을 감소시키고, 듀 데리전스 평가들간의 비용 및 변이성을 감소시킨다. 자산 레벨 평가(146), 결정적 현금 흐름 브리지(148), 추계적 현금 흐름 브리지(152) 및 현금 흐름표(150)을 포함하는 현금 흐름 모델에 평가를 행한다. 결과적인 입찰 평가(154)는 도박 전략(160) 및 관리 조정(162)을 행하여 최종 입찰(164)을 생성한다.
도 10은 클러스터(246)를 형성하는 전형적인 실시예의 흐름도이다. 클러스터(246)를 형성시에, 예를 들면 (도 3에 도시된) 알고리즘(134)과 같은 알고리즘의 도움으로 인수자는 CART(Claddification And Regression Tree) 기반 모델을 사용하여 분석을 수행하는 데, 그 결과는 구동 변수와 같은 PAA(Previous Appraisal Amount)를 사용하여 CUMV(Collateral Usage and Market Value) 그룹에 의해 UW 자산을 그룹화한다.
CART 기반 모델의 수행을 평가하는 두 가지 접근 방식이 후술된다. 일 접근방안은 에러율로 불리는 단순한 모델에 대한 수행에 대한 CART 기반 접근방안의 SSE(sum of squared error)의 비를 사용한다. 단순한 모델은 모든 자산에 대한 평균 자산가를 배정하는 모델이다. 제 2 접근방안은 R2로 표기되는 결정 계수를 계산하고, 다음과 같이 정의된다.
R2 = 1-(SSE/SST), 여기에서 SST는 제곱들의 총 합이다.
R2은 전체 모집단에 관련된 각 세그먼트내에서의 단일 자산의 기여도이며, 특정 세그먼트내에서 자산에 대하여 R2 값이 높을 수록 기여도가 높아지게 된다. 상이한 포트폴리오 세그먼트는 각 포트폴리오 세그먼트내에서 모델의 예측 능력이 얼마나 양호한지를 표시하고, 예를 들면, 각 트랜치를 가격을 매기는 것에 관하여는 개념에서 입찰자에게 편안한 레벨을 주는 두가지 접근방안을 근거로 순위가 매겨진다.
(표 C : 자산당 랭크 에러율 및 R2 값)
Figure 112001022017074-pct00010
제 1 단계는 적절한 포트폴리오 세그먼트화를 정의하는 것이다. 세그먼트화는 예를 들면, 기업, UPB가, 영역 또는 고객 위험을 근거로 한 사전정의된 트랜치일 수 있다. 표 C는 트랜치 및 자산 순위(B 또는 C)를 기반으로 정의된 세그먼트의 예이다.
표 C는 5개의 트랜치 및 두개의 상이한 자산 유형(B 또는 C)를 가지는 포트폴리오의 연구로부터의 일예이다. 이 표는 어떻게 에러 비율이 상이한 세그먼트에 대해 순위가 매겨지는 지를 보여준다. 또한, 각 자산에 대한 R2값은 각 세그먼트내에서 유형 C의 자산에 대하여 계산된다.
제 2 단계는 CART 모델 및 단순 모델에 대하여 관심있는 각 포트폴리오 세그먼트에 대한 SSE 값을 계산한다(평균가의 외삽). 오류율은 CART 모델을 기반으로 한 SSE를 단순 모델을 기반으로 한 SSE로 나눔으로써 계산된다. 오류율이 1보다 작은 경우, CART 기반 모델은 단순 모델 보다 나은 예측자이다. 추가된 이점으로 인해, 우수한 모델은 오류율 메트릭에 따라서 각 세그먼트에서 최상을 수행하는 모델을 선택함으로써 CART와 단순 모델의 "하이브리드" 결합으로 조립될 수 있다.
제 3 단계는 각 포트폴리오 세그먼트내에 각 자산에 대한 R2 값을 계산하는 것이다. 자산당 R2은 (세그먼트당 SST - 세그먼트당 SSE)/(모든 자산에 대한 전체 SST ×각 세그먼트내에서 자산의 수)로 계산된다.
마지막으로, 모든 세그먼트는 제 2 단계에서 계산된 오류율 및, 제 3 단계에서 계산된 R2 값을 기반으로 순위가 매겨진다. 이 모델은 두 메트릭, 오류율과 R2의 모두에 대해 높게 순위가 매겨지는 세그먼트에 대한 가격값을 예견시에 정확하고, 오류율과 R2 및 우수 모델은 이들 미터를 사용하여 조립된다.
표 D는 두 성능 메트릭에 기초하여 (표 C로부터) 유형 C의 자산에 대한 5개의 트랜치의 상대 랭킹을 보여준다.
(표 D : 포트폴리오 세그먼트 랭킹)
Figure 112001022017074-pct00011
도 10은 모델링에 대하여 클러스터를 선택하도록 FCM를 사용하여 클러스터(246)를 형성하는 전형적인 실시예를 도시하는 흐름도이다. (도 2에 도시된) 컴퓨터(38)는 선택된 데이터(78)를 취함으로써, 그리고, 클러스터를 생성하기 위해 FCM 분석을 수행함으로써 클러스터(246)를 형성한다.
도 11은 모델(248)을 구축하고, 최상의 모델(250)을 선택하고, 6개의 모델이 데이터베이스(76)를 사용하여 구축될 시에 카운트(252)를 계산하는 것을 도시한다. (도 3에 도시된) 컴퓨터(38)는 이 처리를 수행한다. 모델 구축(248)은 완전 인수(14) 및 샘플기반 인수(34) 뿐만 아니라 추론적 평가에 대하여 자산을 우선순위화할 시 인수자를 지원하는 데 사용된다.
도 11의 하부 부분은 구축 모델(248d)에 따라서 구축되는 6개의 모델로부터 최상의 모델(250)을 선택하는 전형적인 실시예를 도시하는 표이다. 이 모델은 X로서 사용되는 변수에 따라서 상이하다. 모든 모델은 CUMV 클러스터를 사용한다(이들은 모든 자산에 대해 제공된다). 구축 모델(248)로부터의 모델은 시장가(MAV:Market Value)(258)에 부가하여 법원 경매가(CAV:Court Auction Value)(256)를 예견하는 데 사용된다. (도시되지 않은) 다른 실시예는 다른 값을 예견하기 위해 다른 모델을 사용한다.
최상의 모델(250)을 선택시에, 고려중에(여기서, K=6) K 회귀 모델의 최상의 모델이 선택된다. 다음의 메트릭에 따라서 각 UW 자산에 대해 최상의 모델을 선택한다.
Figure 112005071311923-pct00043
, 여기서, y는 예상된 UV값이고,
Figure 112005071311923-pct00044
는 k=1,2,...,K에 대한. kth 회귀 모델로부터의 예상값이다.
카운트를 계산(252)시에, K 모델의 각각이 각 CUMV 클러스터내에서 선택되는 횟수를 카운트한다. 도 11은 CAV 및 MAV 모델링 시나리오에 대해 이들 카운트를 포함한다. 다른 모델링 시나리오는 다른 실시예에 사용된다.
모델(254)을 적용할 시에, 각 비-UW 자산에 대한 예견을 이끌어 내는 모든 모델로부터 가중치가 부여된 평균 예측치가 사용된다. 가중치는 계산된(252) 카운트의 빈도로부터 구성되며, 예견은 모델링 처리의 결과다. 일 실시예에서, 상업적 통계 분석 소프트웨어(SAS) 시스템이 이 모델을 생성하는 데 사용된다. SAS 시스템을 사용하는 아티팩트(artifact)는 비-UW 자산이 제공되는 각 입력 변수, 즉, "X 변수"를 가지는 각 모델로부터의 예견된 UW 값을 얻을 수 있다는 것이다. (다른 모델링 패키지는 이 특성을 공유한다.) 이하의 수학식 E는 절차를 세부적으로 나타낸다.
Figure 112001022017074-pct00013
수학식 3에서, Ilk 는 모델 k가 자산 l에 대한 예측을 생성했으면 1이고 그렇지 않으면 0이며, fijk는 i번째 CUMV 유형(I=1,2)과 j번째 CUMV 클러스터(j=1,2,3)간의 UW 자산에 대해 선택되었던 시간 모델k의 카운트이며,
Figure 112005071311923-pct00045
는 모델 K로 부터의 yl에 대한 예측치이다. 각 모델링 방식으로 부터 자산에 대해 예측할 수 있으며, 각각은 모델링 방식이 동일한 CUMV 클러스터의 모든 UW 어세트에 대해 선택되었던 횟수에 의해 가중됨을 알아야 한다.
또한, 프로세스(240)는 평균 예측을 위한 신용 하한선(Lower Confidence Limit : "LCL") 및 신용 상한선(Upper Confidence Limit : "UCL")을 추정하는데 사용되며, 수학식 5에서,
Figure 112005071311923-pct00046
를 대응하는 통계량으로 대체한다.
도 3으로 다시 참조하면, 감독 학습 처리(206) 및 비감독 학습 처리(208)는 클러스터링을 이용한다. "클러스터링"은, 그 패턴들을 그룹 또는 클러스터로 조직하여 데이터 세트의 패턴들간의 관계를 평가하여, 한 클러스터내의 패턴들이 상이한 클러스터에 속하는 패턴들보다 서로 더 유사하게 되도록 하는 툴이다. 즉, 클러스터링은 큰 데이터 세트를 정제하여 데이터의 본래의 위치를 획득하여 시스템 행위를 간결하게 표시한다는데 그 목적이 있다. 비감독 학습 단계(208)는 가치에 대해 자동적으로 자산을 그룹화하도록 퍼지 클러스터링 방법(Fuzzy Clustering Method : FCM)과 지식 엔지니어링을 이용한다. FCM은 알려진 방법으로서, 통계적 모델링에 보다 널리 이용되고 적용된다. 그 방법의 목적은 인트라-클러스터 거리를 최소화하고, 인터-클러스터 거리를 최대화하기 위한 것이다. 전형적으로 유클리드 거리가 이용된다.
FCM(248)(도 10 참조)은 인트라-클러스터 거리의 최소화 및 인터-클러스터 최대화를 동시에 수행한다. 전형적으로, 유클리드의 거리(Euclidean distance)가 사용된다. FCM은 비용 함수를 최소화하는 반복적 최적화 알고리즘이다.
Figure 112001022017074-pct00016
여기서, n은 데이터 지점의 번호, c는 클러스터 번호, Xk는 kth 데이터 지점, Vi는 ith 클러스터 중심,
Figure 112005071311923-pct00047
는 ith 클러스터에서 kth 데이터의 멈버쉽 정도, m은 1 보다 큰 상수(전형적으로 m=2).
Figure 112005071311923-pct00048
는 실제 번호이고, [0,1]에 한정된다는 점에 주목한다.
Figure 112005071311923-pct00049
= 1은 ith 데이터가 kth 클러스터에 명확하게 있다는 것을 의미하고,
Figure 112005071311923-pct00050
= 0은 ith데이터가 kth 클러스터에 확실히 없다는 것을 의미한다.
Figure 112005071311923-pct00051
= 0.5인 경우, ith 데이터가 0.5 도 까지 kth 클러스터에 부분적으로 있다는 것을 의미한다. 직관적으로, 비용 함수는 각 데이터 지점이 특정 클러스터에 정확히 속하는 경우에 최소화되며, 다른 클러스터에 대한 부분 수준의 멤버쉽이 없다. 즉, 속하는 클러스터에 각 데이터 지점을 배정시에 모호함이 없다.
멤버쉽의 정도 μik 가 다음과 같이 규정된다 :
Figure 112001022017074-pct00017
직관적으로,
Figure 112005071311923-pct00052
, 클러스터 중심 Vi에서 데이터점 Xk의 멤버쉽의 정도는 Xk가 Vi에 근접할 수록 증가한다. 동시에,
Figure 112005071311923-pct00053
는 Xk가 Vj(다른 클러스터)로부터 멀어질 때 보다 작게 된다.
i번째 클러스터 중심 V i 는 다음과 같이 규정된다 :
Figure 112001022017074-pct00018
직관적으로, Vi, ith 클러스터 중심은 k가 데이터점의 번호일 시에 Xk의 좌표의 가중치된 합이다.
원하는 클러스터 번호 및, 각 클러스터 센터에 대한 초기 추정, Vi, i=1,2,...,c로부터 시작하게 되면 비용 함수의 부과 지점 또는 국부적 최소를 나타내는 Vi에 대한 해결방안으로 수렴하게 될 것이다. FCM 해결방안의 품질은, 가장 비선형 최적 문제에서와 같이 초기 값- 번호 c 및 초기 클러스터 중심 Vi의 선택시에 강하게 의존한다.
일 전형적인 실시에에서, 전체 포트폴리오(12)는 비감독 퍼지 클러스터링에 의해 세그먼화되고, 각 클러스터는 인수 전문가에 의해 검토된다. 이로써, 완전 인수(14) 및 샘플 인수(34)에 대하여 금융상품을 선택시에 인수자를 지원한다. 이 대신에, 이 FCM이 부분(42)에 바로 적용될 수 있다. 결과적으로, 각 클러스터는 조정(138)의 목적을 위해 배정된 HELTR 복합 점수를 얻는다(도 3을 참조). 사실상, HELTR 복합 점수는 현금 흐름의 예상 범위, 그이 타이밍과 각 클러스터와 관련된 위험의 모두를 포착한다.
이제 도 2를 참조하면, 총 포토폴리오(12)에게 완전 인수된 부분(160의 비는 일 전형적인 실시예에서 자산의 25%와 모든 자산의 액면가의 60%이다. 이들 자산의 완전 인수는 그들의 크기 및 값으로 인해 보증된다. 그러나, 이 인수는 모든 인수자에 대해 완전히 일정하므로, 인수는 상당한 입찰 분산을 생성할 것 같지 않다. 그러나, 전형적인 실시예에서, 자산의 75%이지만 액면가의 40%만을 구성하는 부분(36, 42)을 포함하는 나머지 40%는 인수될 때 까지 상당히 투기적이다. 부분(36, 42f)에서 찾아낼 수 있는 범위 내에서, 예를 들어, 제한적이지는 않지만 총외삽에 걸쳐 5% 넘는 값이 발견되고, 전체 트랜치 입찰 또는 전체 포트폴리오 입찰의 성공과 실패의 차이를 의미하는 차이가 존재하고, 이것은 순익에서 수억 달러 차이를 의미한다.
보험 증권의 경우, 절차(40)에 따라서, (a) 우리의 데이터를 어떻게 수집할 것인가? (b) 우리가 수집한 데이터를 어떻게 요약할 것인가? (c) 우리의 데이터 요약이 정확한가? 인 3가지 기분 질문에 응답하기 위해 통계학을 사용한다. 알고리즘(134)은 질문(c)에 응답하는 데, 복잡한 이론적 증명이 없는 컴퓨터 기반 방법이다. 보험 증권 추론적 평가에 대한 알고리즘(134)은 전통적인 통계적 분석에 대해 너무 복잡한 통계적 추론에 응답할 시에 적당하다. 보험 증권 평가를 위한 알고리즘(134)은 대체로서 반복적으로 샘플링하므로써 통계적 추정의 분포를 시뮬레이트한다. 알고리즘은 통상적으로 (Ⅰ) 복원 추출, (Ⅱ) 관심 통계학을 평가, (Ⅲ) 기준 편차를 추정하는 3가지 주된 단계로 구성된다.
보험 알고리즘(134)에 따라서, NPV 기준 오류의 추정은 다음과 같이 수행된다. 위험 모델의 각각에 대해, 그리고, 모델에서의 각 세그먼트에 대해 세그먼트에 N 증권이 있다고 가정시에, n개의 샘플(예를 들면, n=100)이 복원 추출에 따라 선택된다. 또한, 이 예에서 각 샘플은 N개의 증권을 포함한다. 각 샘플에 대해, 그리고, 모든 기록 증권에 대해
Figure 112001022017074-pct00019
이다.
다음으로, 순현가가는
Figure 112001022017074-pct00020
에 의해 최근의 보험증권들에 대해 발생된다. n개의 NPV 값들에 대한 샘플 표준 편차를 계산한다. 수학식 9에서, Act 는 실제의 청구액이고 Wtdexp 는 각 개별적 보험증권에 대한 가중된 기대 청구액이다.
도 12는 신용 점수(138)에 대한 전형적인 기준(80) 및 전형적인 규칙 집합의 표이다. 다른 기준은 금융 상품의 유형, 특정한 입찰 조건 또는 입찰자의 다른 희망 또는 선호에 따라서 선택될 수 있다.
도 13은 트리 차트(66)와 유사하지만 보다 상세한 트리 차트(260)를 도시한다(도 2의 하부 부분을 참조). 도 13에서, (a) 보장되는 지 (b) 순환하는 지 어떤지, (c) 마지막 지불이 0였는 지에 따라 분리된다. 그 결과는 6개의 클러스터(262, 264, 266, 268, 270, 272)이며, 이따금 "셰이커 트리(shaker tree)"로 알려져 있다.
도 14는 본 발명의 일 실시예에 따라는 전형적인 시스템(300)을 도시한다. 시스템(300)은 서버(302)로서 구성된 적어도 하나의 컴퓨터, 그리고, 서버(302)에 연결된 다수의 다른 컴퓨터를 포함하여 네트워크를 형성한다. 일 실시예에서, 컴퓨터(304)는 웹 브라우저를 포함하는 고객 시스템이며, 서버(302)는 인터넷을 통해 컴퓨터(304)에 액세스할 수 있다. 또한, 서버(302)는 컴퓨터이다. 컴퓨터(304)는 근거리망(LAN) 또는 광역망(WAN), 다이얼인 연결, 캐이블 모뎀 및 특별한 고속 ISDN 라인과 같은 네트워크를 포함하여 다수의 인터페이스를 통해 인터넷에 상호연결된다. 컴퓨터(304)는 무선 웹 및 위성을 포함하는 웹기반 전화 또는 다른 웹기반 연결가능한 장비를 포함하는 인터넷에 상호연결할 수 있는 장치일 수 있다. 서버(302)는 자산 포트폴리오의 집합을 기술하는 데이터를 포함하는 (도 2에 도시된) 집중방식의 데이터베이스(76)에 연결된 데이터베이스 서버(306)를 포함한다. 일 실시예에서, 집중방식 데이터베이스(76)는 데이터베이스 서버(306)상에 저장되고, 컴퓨터(304)의 하나를 통해 서버 하위 시스템(302)을 로그온함으로써 컴퓨터의 하나에서 사용자에 액세스된다. 다른 실시예에서, 집중화된 데이터베이스(76)는 서버(302)로부터 멀리 저장된다. 서버(302)는 전술한 자산 평가 방법에 대한 정보를 수신 및 저장하도록 구성된다.
시스템(300)은 네트워크 시스템으로서 기술되는 반면에, 검사를 위해 본 명세서에서 기술된 방법 및 알고리즘이 다른 컴퓨터에 네트워킹되지 않는 독립형 컴퓨터 시스템에서 구현될 수 있도록 고쳐진다.
발명을 다양한 특정 실시예로 설명하였지만, 당업자라면 본 청구범위의 사상과 범주를 벗어내에서 본 발명을 다양하게 수정하여 실시할 수 있다.

Claims (30)

  1. 내부 수익률(an Internal Rate of Return : IRR), 순현가(a Net Present Value : NPV) 및 수익 기간(time to profit) 확률 조건들(probability requirements) 중 적어도 하나를 만족시키는 금융 상품(financial instruments)의 포트폴리오(a portfolio) 중 적어도 하나의 트랜치(tranche)에 대한 입찰가(a bid price)를 판정하기 위한 방법에 있어서,
    상기 포트폴리오를 개별적으로 매매가능한 서브-포트폴리오(sub-portfolios) 혹은 트랜치(tranches)로 분할하는 단계와,
    각각의 트랜치에 시험 입찰가(a trial bid price)를 제공하는 단계와,
    상기 트랜치를 구매부 혹은 판매부, 다른 시장 및 인수(underwriting) 중 적어도 하나의 자산 성능 이력 데이터와 결합하는 단계와,
    NPV, IRR 및 수익 기간 분석(time to profit analysis) 중 적어도 하나를 상기 트랜치에 수행하는 단계를 포함하는
    입찰가 판정 방법.
  2. 제 1 항에 있어서,
    상기 포트폴리오를 개별적으로 매매가능한 서브-포트폴리오 혹은 트랜치로 분할하는 상기 단계는 선행 분석(prior analysis)으로부터 현금 흐름 확률 분포(a cash flow probability distribution)와 시간 주기(time duration)를 예측하는 단계를 더 포함하는 입찰가 판정 방법.
  3. 제 2 항에 있어서,
    상기 현금 흐름 확률 분포를 예측하는 단계는 최소 고 평가(a minimum high evaluation), 가장 가능한 평가(a most probable evaluation), 저 평가(a low evaluation) 및 다른 적합한 확률 분포 중 적어도 하나로서 트랜치 확률 평가를 표현하는 단계를 더 포함하는 입찰가 판정 방법.
  4. 제 1 항에 있어서,
    상기 트랜치를 자산 성능 이력 데이터와 결합하는 상기 단계는 반복 샘플링 기법(an iterated sampling technique)을 사용하여 분포를 생성하는 단계를 더 포함하는 입찰가 판정 방법.
  5. 제 4 항에 있어서,
    상기 반복 샘플링 기법을 사용하는 상기 단계는 몬테 카를로 분석(a Monte Carlo analysis)을 사용하는 단계를 더 포함하는 입찰가 판정 방법.
  6. 제 1 항에 있어서,
    구매하지 않을 트랜치를 선택하는 단계를 더 포함하는 입찰가 판정 방법.
  7. 제 6 항에 있어서,
    제약 조건 하에서, 얼마의 가격으로 어느 트랜치를 구매할지에 대한 최상의 선택의 패턴을 인식하는 단계를 더 포함하는 입찰가 판정 방법.
  8. 제 7 항에 있어서,
    상기 구매할 트랜치의 최상 선택의 패턴을 인식하는 상기 단계는 확률적 최적화(stochastic optimization)에 의해 결정되는 입찰가 판정 방법.
  9. 제 6 항에 있어서,
    구매하지 않을 트랜치를 무작위로 선택하는 상기 단계는 평균 내부 수익률(IRR)이 규정된 임계값(a defined threshold) 이하인 트랜치를 선택하는 단계를 더 포함하는 입찰가 판정 방법.
  10. 제 6 항에 있어서,
    구매하지 않을 트랜치를 무작위로 선택하는 상기 단계는 순현가(NPV)가 네가티브(negative)이거나 혹은 소정의 수익 기간(certain time to profit)이 규정된 임계값 이하인 트랜치를 선택하는 단계를 더 포함하는 입찰가 판정 방법.
  11. 내부 수익률(IRR), 순현가(NPV) 및 수익 기간 확률 조건들 중 적어도 하나를 만족시키는 금융 상품의 포트폴리오의 적어도 하나의 트랜치에 대한 입찰가를 판정하기 위한 시스템에 있어서,
    서버로서 구성되며, 자산 포트폴리오의 데이터 베이스를 구비하도록 더 구성되는 컴퓨터와,
    네트워크를 통해 상기 서버에 연결되는 적어도 하나의 클라이언트 시스템
    을 포함하되,
    상기 서버는 상기 포트폴리오를 개별적으로 매매가능한 서브-포트폴리오 혹은 트랜치로 분할하고, 각 트랜치에 시험 입찰가를 배정하며, 상기 트랜치를 판매부 혹은 구매부, 다른 시장 및 인수 중 적어도 하나의 자산 성능 이력 데이터와 결합하며, NPV, IRR 및 수익 기간 분석 중 적어도 하나를 상기 트랜치에 수행하도록 구성되는
    입찰가 판정 시스템.
  12. 제 11 항에 있어서,
    상기 서버는 선행 분석을 이용하여 현금 흐름 확률 분포와 시간 주기를 예측하도록 구성되는 입찰가 판정 시스템.
  13. 제 11 항에 있어서,
    상기 서버는 트랜치 확률 평가를 최소 고 평가, 가장 가능한 평가, 저 평가 및 다른 적합한 확률 분포 중 적어도 하나로 표현하도록 구성되는 입찰가 판정 시스템.
  14. 제 11 항에 있어서,
    상기 서버는 반복 샘플링 기법을 사용하여 분포를 생성하도록 구성되는 입찰가 판정 시스템.
  15. 제 14 항에 있어서,
    상기 서버는 몬테 카를로 분석을 사용하도록 구성되는 입찰가 판정 시스템.
  16. 제 11 항에 있어서,
    상기 서버는 구매하지 않을 트랜치를 선택하도록 구성되는 입찰가 판정 시스템.
  17. 제 16 항에 있어서,
    상기 서버는 제약 조건 하에서, 얼마의 가격으로 어느 트렌치를 구매할지에 대한 최상의 선택 패턴을 인식하도록 구성되는 입찰가 판정 시스템.
  18. 제 17 항에 있어서,
    상기 서버는 구매할 트랜치의 최상 선택의 패턴을 인식하기 위해 확률적 최적화를 사용하도록 구성되는 입찰가 판정 시스템.
  19. 제 16 항에 있어서,
    상기 서버는 평균 내부 수익률(IRR)이 규정된 임계값 이하인 트랜치를 선택하도록 구성되는 입찰가 판정 시스템.
  20. 제 16 항에 있어서,
    상기 서버는 순현가(NPV)가 네가티브이거나 혹은 소정의 수익 기간이 규정된 임계값 이하인 트랜치를 선택하도록 구성되는 입찰가 판정 시스템.
  21. 내부 수익률(IRR), 순현가(NPV) 및 수익 기간 확률 조건들 중 적어도 하나를 만족시키는 금융 상품의 포트폴리오의 적어도 하나의 트랜치에 대한 입찰가를 판정하기 위한 컴퓨터에 있어서,
    상기 컴퓨터는 자산 포트폴리오의 데이터 베이스를 포함하고,
    상기 컴퓨터는
    상기 포트폴리오를 개별적으로 매매가능한 서브-포트폴리오 혹은 트랜치로 분할하고,
    각 트랜치에 시험 입찰가를 배정하고,
    상기 트랜치를 구매부 혹은 판매부, 다른 시장과 인수 중 적어도 하나의 자산 성능 이력 데이터와 결합하고,
    NPV, IRR 및 수익 기간 분석 중 적어도 하나를 상기 트랜치에 수행하도록 프로그램되는
    컴퓨터.
  22. 제 21 항에 있어서,
    선행 분석을 사용하여 현금 흐름 확률 분포 및 시간 주기를 예측하도록 프로그램되는 컴퓨터.
  23. 제 21 항에 있어서,
    트랜치 확률 평가를 최소 고 평가, 가장 가능한 평가, 저 평가 및 다른 적합한 확률 분포 중 적어도 하나로 표현하도록 프로그램되는 컴퓨터.
  24. 제 21 항에 있어서,
    분포를 생성하기 위해 반복 샘플링 기법을 사용하도록 프로그램되는 컴퓨터.
  25. 제 24 항에 있어서,
    몬테 카를로 분석을 사용하도록 프로그램되는 컴퓨터.
  26. 제 21 항에 있어서,
    구매하지 않을 트랜치를 선택하도록 프로그램되는 컴퓨터.
  27. 제 26 항에 있어서,
    제약 조건 하에서, 얼마의 가격으로 어느 트렌치를 구매할 지에 대한 최상의 선택 패턴을 인식하도록 프로그램되는 컴퓨터.
  28. 제 27 항에 있어서,
    구매할 트랜치의 최상 선택의 패턴을 인식하기 위해 확률적 최적화를 사용하도록 프로그램되는 컴퓨터.
  29. 제 26 항에 있어서,
    평균 내부 수익률(IRR)이 규정된 임계값 이하인 트랜치를 선택하도록 프로그램되는 컴퓨터.
  30. 제 26 항에 있어서,
    순현가(NPV)가 네가티브이거나 소정의 수익 기간이 규정된 임계값 이하인 트랜치를 선택하도록 프로그램되는 컴퓨터.
KR1020017011040A 1999-12-30 2000-12-19 입찰가 판정 방법 및 시스템, 컴퓨터 KR100771710B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US17387699P 1999-12-30 1999-12-30
US60/173,876 1999-12-30
US09/737,039 2000-12-14
US09/737,039 US7082411B2 (en) 1999-12-30 2000-12-14 Methods and systems for optimizing return and present value
PCT/US2000/034598 WO2001050311A2 (en) 1999-12-30 2000-12-19 Methods and systems for optimizing return and present value

Publications (2)

Publication Number Publication Date
KR20010108282A KR20010108282A (ko) 2001-12-07
KR100771710B1 true KR100771710B1 (ko) 2007-10-30

Family

ID=26869632

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020017011040A KR100771710B1 (ko) 1999-12-30 2000-12-19 입찰가 판정 방법 및 시스템, 컴퓨터

Country Status (14)

Country Link
US (1) US7082411B2 (ko)
EP (1) EP1194875A2 (ko)
JP (1) JP2003529138A (ko)
KR (1) KR100771710B1 (ko)
CN (1) CN1370297A (ko)
AU (1) AU2730301A (ko)
BR (1) BR0008610A (ko)
CA (1) CA2362441A1 (ko)
HK (1) HK1049717A1 (ko)
HU (1) HUP0301068A2 (ko)
MX (1) MXPA01008619A (ko)
PL (1) PL349805A1 (ko)
TW (1) TWI242724B (ko)
WO (1) WO2001050311A2 (ko)

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7752100B1 (en) * 2000-06-29 2010-07-06 Terodata US, Inc. Selector function for life-time value financial processing in a relational database management system
US7702522B1 (en) * 2000-09-01 2010-04-20 Sholem Steven L Method and apparatus for tracking the relative value of medical services
US20020138466A1 (en) * 2001-01-13 2002-09-26 International Business Machines Corporation Method, computer program and data processing system for data clustering
US7110525B1 (en) 2001-06-25 2006-09-19 Toby Heller Agent training sensitive call routing system
US20030229552A1 (en) * 2002-06-05 2003-12-11 Lebaric Katarina J. System and method for deal-making decision optimization
US20040230404A1 (en) * 2002-08-19 2004-11-18 Messmer Richard Paul System and method for optimizing simulation of a discrete event process using business system data
US7533008B2 (en) * 2002-08-19 2009-05-12 General Electric Capital Corporation System and method for simulating a discrete event process using business system data
US9818136B1 (en) 2003-02-05 2017-11-14 Steven M. Hoffberg System and method for determining contingent relevance
US7844526B1 (en) * 2003-08-20 2010-11-30 Teradata Us, Inc. Net present value attrition for Life-Time Value financial processing in a relational database management system
US7844516B1 (en) * 2003-08-20 2010-11-30 Teradata Us, Inc. Future value propensity for life-time value financial processing in a relational database management system
US7835958B1 (en) * 2003-08-20 2010-11-16 Teradata Us, Inc. Life-time value financial processing in a relational database management system
US7835959B1 (en) * 2003-08-20 2010-11-16 Teradata Us, Inc. Future value attrition for life-time value financial processing in a relational database management system
US7844515B1 (en) * 2003-08-20 2010-11-30 Teradata Us, Inc. Net present value forecast for life-time value financial processing in a relational database management system
US20050171882A1 (en) * 2004-01-30 2005-08-04 Daniel Nevins System and method for making private equity commitments
US20060074707A1 (en) * 2004-10-06 2006-04-06 Schuette Thomas A Method and system for user management of a fleet of vehicles including long term fleet planning
WO2006060481A2 (en) 2004-11-30 2006-06-08 Michael Dell Orfano System and method for creating electronic real estate registration
US9076185B2 (en) 2004-11-30 2015-07-07 Michael Dell Orfano System and method for managing electronic real estate registry information
US7644011B2 (en) * 2005-01-26 2010-01-05 Gary Shkedy Method and apparatus for determining investment manager skill
US7685063B2 (en) 2005-03-25 2010-03-23 The Crawford Group, Inc. Client-server architecture for managing customer vehicle leasing
US20060265235A1 (en) * 2005-05-12 2006-11-23 The Crawford Group, Inc. Method and system for managing vehicle leases
US7558755B2 (en) * 2005-07-13 2009-07-07 Mott Antony R Methods and systems for valuing investments, budgets and decisions
EP1775678A1 (en) * 2005-10-11 2007-04-18 Murgitroyd & Company A method and apparatus for managing a portfolio of assets
JP4696874B2 (ja) * 2005-11-28 2011-06-08 株式会社日立製作所 リソース予測装置及び方法
US7653593B2 (en) * 2007-11-08 2010-01-26 Equifax, Inc. Macroeconomic-adjusted credit risk score systems and methods
WO2009076366A1 (en) * 2007-12-13 2009-06-18 Greenwich Financial International, Llc Structuring bonds and/or other securities collateralized by insurance policies
US8001166B2 (en) * 2008-03-28 2011-08-16 International Business Machines Corporation Methods and apparatus for optimizing keyword data analysis
US9892461B2 (en) * 2008-06-09 2018-02-13 Ge Corporate Financial Services, Inc. Methods and systems for assessing underwriting and distribution risks associated with subordinate debt
US8352355B2 (en) * 2011-05-12 2013-01-08 International Business Machines Corporation Configuration pricing strategies for multi-commodity request-for-quotes
US8726246B2 (en) * 2011-05-17 2014-05-13 International Business Machines Corporation Static analysis of validator routines
US20120330715A1 (en) * 2011-05-27 2012-12-27 Ashutosh Malaviya Enhanced systems, processes, and user interfaces for valuation models and price indices associated with a population of data
DE102012020836A1 (de) 2012-10-24 2014-04-24 Nikolaus Vida Vorrichtung zur Erzeugung einer Bewegung diese Vorrichtung umfassender Motor und deren Verwendungen
US20150154706A1 (en) * 2013-12-02 2015-06-04 Finmason, Inc. Systems and methods for financial asset analysis
CN103729499B (zh) * 2013-12-12 2017-01-11 深圳先进技术研究院 基于公共交通数据的区域人气聚集指数计算系统及方法
US20190244289A1 (en) * 2018-02-08 2019-08-08 2Bc Innovations, Llc Asset utilization optimization communication system and components thereof
US20230092233A1 (en) * 2021-09-21 2023-03-23 International Business Machines Corporation Team atmosphere measurement

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070027852A (ko) * 2005-08-29 2007-03-12 주식회사 에코마케팅 자동 입찰 방식의 인터넷 키워드 광고에서 입찰 순위를설정하는 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6112188A (en) * 1992-10-30 2000-08-29 Hartnett; William J. Privatization marketplace
US6058377A (en) * 1994-08-04 2000-05-02 The Trustees Of Columbia University In The City Of New York Portfolio structuring using low-discrepancy deterministic sequences
JPH11500850A (ja) * 1995-12-08 1999-01-19 バンク・アンドスエズ・ルクセンブルク 内部ポートフォリオ間の資産の選択的分配のためのデータ処理システム
US6061662A (en) * 1997-08-15 2000-05-09 Options Technology Company, Inc. Simulation method and system for the valuation of derivative financial instruments

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070027852A (ko) * 2005-08-29 2007-03-12 주식회사 에코마케팅 자동 입찰 방식의 인터넷 키워드 광고에서 입찰 순위를설정하는 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
한국공개특허 제1020070027852호

Also Published As

Publication number Publication date
EP1194875A2 (en) 2002-04-10
WO2001050311A8 (en) 2002-01-10
AU2730301A (en) 2001-07-16
TWI242724B (en) 2005-11-01
KR20010108282A (ko) 2001-12-07
MXPA01008619A (es) 2003-06-24
US7082411B2 (en) 2006-07-25
CN1370297A (zh) 2002-09-18
CA2362441A1 (en) 2001-07-12
JP2003529138A (ja) 2003-09-30
PL349805A1 (en) 2002-09-09
HUP0301068A2 (en) 2003-08-28
HK1049717A1 (zh) 2003-05-23
US20020049659A1 (en) 2002-04-25
WO2001050311A2 (en) 2001-07-12
BR0008610A (pt) 2002-01-22

Similar Documents

Publication Publication Date Title
KR100766149B1 (ko) 컴퓨터로 구현되는 자산 샘플링 방법, 시스템 및 컴퓨터
KR100771710B1 (ko) 입찰가 판정 방법 및 시스템, 컴퓨터
KR100771718B1 (ko) 신용 점수의 평가를 추론하는 컴퓨터로 구현되는 추론 방법, 포트폴리오 평가 시스템 및 컴퓨터
KR100796058B1 (ko) 예비 실사 문제에 관한 협력 방법과 시스템 및 컴퓨터
KR100766148B1 (ko) 자산 가치 평가에 대한 최소 변동 가정 선택을 위한 컴퓨터로 구현되는 방법과, 포트폴리오 가치 평가 시스템 및 컴퓨터
KR100746107B1 (ko) 자산 포트폴리오의 기술 속성 상관 방법, 상관 시스템 및 상관 컴퓨터
US7165043B2 (en) Valuation prediction models in situations with missing inputs
US7120599B2 (en) Methods and systems for modeling using classification and regression trees
US6985881B2 (en) Methods and apparatus for automated underwriting of segmentable portfolio assets
KR20030004316A (ko) 최종 입찰 결정 방법과 그 시스템, 및 컴퓨터
MXPA01008622A (es) Evaluacion rapida de portafolios de activos tales como instrumentos financieros.
KR20010102452A (ko) 가치를 찾고 위험을 줄이기 위한 방법 및 시스템
AU2600801A (en) Valuation prediction models in situations with missing inputs

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]
FPAY Annual fee payment

Payment date: 20121009

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20131010

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20141008

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20151007

Year of fee payment: 9

FPAY Annual fee payment

Payment date: 20161013

Year of fee payment: 10

LAPS Lapse due to unpaid annual fee