KR20010103784A - 입력이 없는 상황에서의 가치 평가 예측 모델 - Google Patents

입력이 없는 상황에서의 가치 평가 예측 모델 Download PDF

Info

Publication number
KR20010103784A
KR20010103784A KR1020017011075A KR20017011075A KR20010103784A KR 20010103784 A KR20010103784 A KR 20010103784A KR 1020017011075 A KR1020017011075 A KR 1020017011075A KR 20017011075 A KR20017011075 A KR 20017011075A KR 20010103784 A KR20010103784 A KR 20010103784A
Authority
KR
South Korea
Prior art keywords
asset
value
model
assets
underwriting
Prior art date
Application number
KR1020017011075A
Other languages
English (en)
Inventor
키에스팀케이
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 KR20010103784A publication Critical patent/KR20010103784A/ko

Links

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
    • G06Q40/06—Asset management; Financial planning or analysis
    • 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
    • G06Q40/04—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
    • G06Q40/08—Insurance

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)
  • Complex Calculations (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

반복적 및 적응성 감독(206) 및 무감독(208)의 모든 자산에 대한 통계적 평가와, 그 평가로부터 유도되고 추측된 가치를 생성하는데 적용되는 통계적 추측을 이용하여 부분 완전한 언더라이팅(14), 부분 샘플링 언더라이팅(34) 및 잔여 부분의 추측된 가치에 의해 다수의 자산을 평가하는 방법(240)에 관한 것이다. 개개의 자산 가치는 표에 전개 및 리스팅됨으로써, 입찰을 위해 그 표로부터 신속히 선택될 수 있고 희망하는 또는 규정된 방식으로 신속히 분류될 수 있다. 상기 자산은 데이터베이스(76) 내에 수집되어, 신용 변수에 의해 카테고리(48, 50)로 분류되고, 그 변수에 따른 등급에 의해 세분됨으로써, 각각 등급이 매겨진다. 다음 상기 자산은 입찰 그룹 및 개개의 평가를 누적하여 확립된 집단 평가에 따라 재분류된다.

Description

입력이 없는 상황에서의 가치 평가 예측 모델{VALUATION PREDICTION MODELS IN SITUATIONS WITH MISSING INPUTS}
대출금, 예컨대 만 달러의 대출금 또는 다른 금융 상품 등 다수의 자산은 때때로 경제적 여건, 예상된 또는 예상치 못한 자산 매각, 또는 법률적 배상의 결과로 인해 매도용으로 이용될 수 있다. 자산에서 몇 천 달러의 상업 대출금, 또는 때때로 몇십억 달러에 상당하는 다른 금융 상품은 때때로 몇 달 내에 매도되어야만 한다. 물론, 자산의 매도인은 포트폴리오의 가치를 최적화시키기를 원하며, 때때로 자산을 "트랑슈(tranche)"로 분류할 것이다. 여기서 사용된 "트량슈"란 용어는 포린 노트(foreign note)로 제한되는 것이 아니라, 국가 또는 관할권에 상관없는 자산 및 금융 상품 그룹을 포함한다.
입찰자는 모든 트랑슈 또는 단지 일부 트랑슈에 대한 입찰가(bid)를 제출할수도 있다. 입찰자는 트랑슈를 획득하기 위해서, 통상적으로 그 트랑슈에 대한 최고 입찰가를 제출해야만 한다. 특정 트랑슈에 대해 제출할 입찰액을 결정하는 것과 관련하여, 입찰자는 흔히 언더라이터(underwriter)를 고용하여, 트랑슈 내에서, 그리고 이용 가능한 제한 시간 내에서 가능한 한 다수의 대출금을 평가할 것이다. 입찰자는 입찰가 제출 시간이 도과되려 할 때까지, 그 때에 언더라이팅된 대출금을 평가한 다음에, 언더라이터가 아직 분석하지 못한 대출금에 대한 가치를 외삽법에 의해 추정(extrapolate)하려 시도할 것이다.
이러한 과정의 결과에 있어서, 입찰자는 트랑슈를 상당히 과소 평가하여, 경쟁력없는 입찰가나, 언더라이팅된 가격보다 더 높은 입찰가를 제출함으로써, 대단한 위험을 초래할 수도 있다. 물론, 입찰자가 수익 가능한 가치에서 각각의 트랑슈를 획득하는 것이 목적이기 때문에, 트랑슈를 상당히 과소 평가하여 트랜치를 획득하지 못하는 것은 기회를 잃어 버렸음을 나타낸다. 단기간에 다수의 금융 상품을 정확히 평가하는 것을 용이하게 하는 시스템을 제공하여, 이와 관련한 주어진 입찰가에 대한 수익 가능성을 이해하는 것이 바람직할 것이다.
본 출원은 1999년 12월 30일에 제출된 미국 가출원 번호 제60/173,875호의 이익을 주장하며, 이 출원 발명의 내용은 완전히 본 명세서에 참조되어 본 출원 발명의 일부를 이룬다.
본 발명은 일반적으로 금융 상품에 대한 가치 평가 방법에 관한 것으로서, 특히 다수의 금융 상품에 대한 고속의 가치 평가에 관한 것이다.
도 1은 자산 포트폴리오를 평가하는 기지의 과정을 도시한 흐름도.
도 2는 본 발명의 일실시예에 따른 자산 포트폴리오를 평가하는 과정을 도시한 흐름도.
도 3a, 3b는 일실시예에 있어서, 자산을 변동 카테고리로 분할하는 커다란 자산 포트폴리오에 대한 고속 평가 과정의 제1 부분을 상세히 도시한 흐름도.
도 4는 베이시스로부터 트랑슈 또는 포트폴리오 베이시스까지 애그리게이트하는 커다란 자산 포트폴리오에 대한 고속 평가 과정의 제2 부분을 도시한 흐름도.
도 5는 추측되는 회수 가치를 갖는 예시적인 자산에 대한 확률 분포를 도시한 도면.
도 6은 도 3의 과정의 감독 학습 단계의 흐름도.
도 7은 도 3의 과정의 무감독 학습 단계의 흐름도.
도 8은 무감독 학습에 대한 과정의 실시예를 도시한 도면.
도 9는 생성 1(제1 관문)의 고속 자산 평가 과정의 실시예를 도시한 도면.
도 10은 도 8의 무감독 학습에 이용되는 퍼지 클러스터링 방법의 흐름도.
도 11a, 11b는 고속 자산 평가 과정에 대한 모델 선택 및 모델 가중치의 예를 보여주는 표.
도 12는 고속 자산 평가 과정에 대한 예시적인 속성을 보여주는 표.
도 13은 고속 자산 평가 과정에 대한 예시적인 클러스터링 방법의 클러스터 다이어그램.
도 14는 컴퓨터 네트워크 개략도.
예시적인 실시예에 있어서, 반복적 및 적응성 방법이 제공되며, 여기서 포트폴리오는 3개의 주된 평가로 분류된다. 자산 포트폴리오의 제1 평가 타입의 완전한 언더라이팅은 반대 표본에 기초하여 수행된다. 제2 평가 타입은 공통 서술적 속성의 카테고리로부터 효율적으로 샘플링되며, 선택적 무작위 표본의 자산이 완전히 언더라이팅된다. 제3 평가 타입은 제1 및 제2 부분의 언더라이팅 가치 및 변동을이용하여 통계적으로 추측 평가하고 그 통계적 추측을 적용하여 제3 부분의 각 자산을 개별적으로 평가한다. 클러스터링 및 데이터 정리는 제3 부분을 평가하는 데 이용된다.
과정이 진행되어 더 많은 자산이 언더라이팅됨에 따라, 제1 및 제2 부분의 자산수는 증가되고, 제3 부분의 자산수는 감소되며, 제3 부분의 자산 평가 변동은 더욱더 명확해진다. 더 구체적으로, 제3 부분의 자산은 제1 및 제2 부분의 자산 평가와의 유사성에 기초하여 클러스터로 분류함으로써 평가된다.
완전히 언더라이팅된 자산과, 유사한 식별 가능한 특성이 있는 부분 또는 불완전한 데이터 표현을 갖는 언더라이팅되지 않은 자산으로부터 완전한 데이터 표현 및 이용 가능한 데이터를 갖는 다른 언더라이팅되지 않은 자산 중 적어도 하나로부터 언더라이팅되지 않은 자산에 가치를 투영함으로써 데이터 표현이 부분 또는 불완전한 언더라이팅되지 않은 자산의 가치를 예측하는 방법이 개시된다. 상기 방법은 위험에 따라 자산을 샘플링하는 단계와, 자산을 언더라이팅하고 평가액을 기록하는 단계와, 시장 가치 클러스터를 형성하는 단계와, 언더라이팅된 자산에 대한 회귀 모델을 구축하는 단계와, 상기 언더라이팅된 자산에 대한 최상의 모델을 선택하는 단계와, 상기 모델이 선택된 횟수를 카운팅하는 단계와, 상기 언더라이팅되지 않은 자산에 대한 언더라이팅 가치를 예측하기 위해 상기 선택된 모델을 이용하는 단계를 포함한다.
도 1은 예컨대, 경매에서 자산 포트폴리오(12)를 매수하기 위해 언더라이팅 사이클과 입찰을 통해 다수의 자산 포트폴리오(12)를 평가하는 기지의 과정을 도시한 도면(10)이다. 도 1은 비반복적이고 비자동적인 통상의 언더라이팅 및 외삽법에 의한 추정(extrapolation) 과정(10)의 고수준 개관이다. 동도면 10에 있어서, 언더라이터는 포트폴리오(12)로부터 다수의 각 자산을 언더라이팅(14)하여, 언더라이팅된 제1 부분(16)과 취급되지 않은 잔여 부분(12)을 생성한다. 임의의 자산이 언더라이팅되기 전에, 제1 부분(16)은 0 퍼센트이고, 잔여 부분(18)은 100 퍼센트의 포트폴리오(12)이다. 언더라이팅 과정이 진행됨에 따라, 제1 부분(16)은 증가되고, 잔여 부분(18)은 감소된다. 자산 포트폴리오를 매수하기 위한 입찰가가 제출되기 전에 가능한 한 다수의 자산을 언더라이팅하는 것이 목적이다. 언더라이터 팀은 입찰가가 제출되어야만 하는 바로 전까지 개인적으로 계속해서 언더라이팅(14)한다. 총체적인 외삽법 추정(2)에 의해 잔여 부분(18)을 평가한다. 외삽법에 의해 추정된 가치(20)는 언더라이팅되지 않은 추측 가치(24)가 된다. 총체적인 외삽법 추정은 잔여 부분(18)에 대한 평가액(24)을 생성한다. 평가액(22)은 단순히 제1 부분(16)에 있는 각 자산 가치의 총액이다. 그러나, 평가액(24)은 외삽법 추정에 의해 생성된 그룹 평가액이며, 적절히 할인될 수도 있다. 평가액(22)과 평가액(24)은 총계되어, 포트폴리오 자산 가치(26)로 산출된다. 포트폴리오의 각 트랑슈에 대해 평가 과정이 수행된다.
도 2는 고속 자산 평가용 시스템(28)의 일실시예를 도시한 도면이다. 도 2에는 자산 포트폴리오(12)를 평가할 때 시스템(28)에 의해 행해지는 과정 단계가 포함되어 있다. 시스템(28)은 통계적으로 무의미하거나 재정적으로 중요하지 않은 극소량의 취급되지 않은 자산(30)을 제외한 모든 자산을 개별적으로 평가(취급)한다. 특히, 극소량의 취급되지 않은 자산(30) 외에 포트폴리오(12)의 모든 자산은 일련의 반복적인 적응성 평가, 즉 개별적으로 평가되어 개별적으로 표에 리스팅된 후, 그 표로부터 선택되어 입찰을 위한 소정의 그룹 또는 트랑슈로 분류된다(이하 설명됨). 도 1의 10에서와 같이, 언더라이터는 포트폴리오(12)의 각 자산에 대한 완전한 언터라이팅(14)을 개시하여, 완전히 언더라이팅된 제1 부분(16)의 자산을 산출한다. 또한, 언더라이터는 포트폴리오(12)의 제2 부분(36)의 표본 자산을 언더라이팅(34)하며, 컴퓨터(38)는 포트폴리오(12)의 제3 부분(42)에 대한 가치를 통계적으로 추측(40)한다. 또한, 컴퓨터(38)는 이하 설명되는 바와 같이, 부분(16, 36, 42)의 자산에 할당된 가치를 보여주는 표(이하 설명됨)를 각각 생성(44)한다. 일실시예에 있어서, 컴퓨터(38)는 원거리 통신망(WAN) 또는 근거리 통신망(LAN)과 같은 네트워크(도 14에 도시됨)를 통해 적어도 하나의 클라이언트 시스템에 접속된 서버로서 구성된다.
계속해서 도 2를 참조하면, 예컨대 포트폴리오(12)의 제3 부분(42) 중 비표본의 언더라이팅되지 않은 부분(46)은 통계적 추측 절차(40) 하에서, 퍼지-C 수단 클러스터링("FCM")과 종합 High/Expected/Low/Timming/Risk("HELTR") 스코어에 의해 2개의 카테고리(48, 50)로 분할된다. HELTR에서, H는 하이 캐시 플로우(High cash flow), E는 예상 캐시 플로우(Expected cash flow), L은 로우 캐시 플로우(Low cash flow), T는 캐시 플로우 타이밍(Timing of cash flow)(예컨대 0-6, 7-18, 19-36, 37-60 개월), 그리고 R은 차용자에 대한 위험 평가(Risk assessment of borrower)(9 - 신용 분석자에 의해 평가된 복서)로서 정의된다. 카테고리(48)는 전체적으로 평가에 대해 충분한 공통성을 갖는 것으로 간주된다. 카테고리(50)는 클러스터(52, 54)로 더 분할되며, 상기 각각의 클러스터는 다시 세분된다. 클러스터(52)는 서브클러스터(56, 58)로 분할되는 반면에, 클러스터(54)는 서브클러스터(60, 62, 64))로 분할된다. 클러스터 및 서브클러스터는 "트리" 차트(66)에 도시되어 있으며, 평가 블록(68)에서는 박스로서 도시되어 있다. 이들 각 자산 가치는 입찰을 위한 트랑슈(70, 72, 74)로 재분류된다. 매도인에 의해 설정된 정렬에 따라 트랑슈의 수를 정리할 수 있다.
포트폴리오(12)의 각 자산에 대한 개개의 자산 데이터(도시되지 않음)는 데이터베이스(76)에 기록되며, 그곳으로부터 선택된 데이터(78)는 반복적인 적응성 과정(32)을 위해 주어진 기준에 기초하여 검색된다. 임의의 자산 평가에 대한 기준(80)이 확립되면, 확립된 기준(80)은 데이터베이스(76)에 저장되어, 확립된 기준을 공유하는 데이터베이스(76)에서 다른 자산 데이터를 평가할 때 이용된다. 반복적인 적응성 과정(32)은 평가액을 생성(82)(이하 설명됨) 및 분류(84)하여 입찰 때 이용한다.
도 3 및 도 4는 다수의 자산 포트폴리오(12)를 평가하기 위한 시스템(28)(도 2)의 일실시예의 기능적인 개관을 도시한 흐름도(85)를 함께 형성한다. 평가 절차(14, 34, 40)(도 2)는 이하 설명되는 방식으로 시스템(28)에서 동시에 연속해서 행해진다. 이하 설명되는 바와 같이, 완전한 언더라이팅(14)은 제1 유형의 평가절차이다. 표본에 대한 완전한 언더라이팅과 함께 분류 및 샘플링 언더라이팅(34)은 제2 유형의 평가 절차이다. 통계적 추측(40)은 제3 유형의 평가 절차로서, 자동 분류 및 자동 평가 절차이다. 절차(14, 34, 40)는 이하 설명되는 바와 같이 확립된 객관적 기준에 기초한다.
여기서 사용된 용어 "언더라이팅(underwriting)"은 사람(언더라이터)이 확립된 원칙에 따라 자산을 검토하여 그 자산을 매수하기 위한 현재 매수 가격을 결정하는 과정을 의미한다. 언더라이팅 중에, 언더라이터는 기존의 또는 확립된 기준(80)을 이용하여 평가한다. 용어 "기준(criteria)"은 자산 가치에 관한 규칙 및 그러한 카테고리에 기초한 등급을 의미한다. 예컨대, 언더라이터는 자산 평가에 관한 정보 카테고리인 차용자의 3년간 캐시 플로우 내력을 하나의 기준으로 결정하고, 다양한 레벨의 캐시 플로우 마다 일정한 등급을 정할 수 있다.
완전한 언더라이팅(14)은 두가지 방식, 즉 전체 현금 기초 방식(86)과 부분 현금 기초 방식(88)으로 행해진다. 전체 현금 기초 방식(86) 및 부분 현금 기초 방식(88) 양자 모두는 완전히 개별적으로 검토(14)(도 2)되는 자산 세트(90, 92)로 시작한다. 그러한 완전한 검토(14)는 대개 대량의 달러 또는 다른 적절한 통화량의 자산이 포트폴리오 내의 다른 자산에 비례하여 검토되거나, 자산이 신속하고 확실하게 완전히 언더라이팅될 수 있거나 자산이 그 자산의 가치와 관련해서 매우 적은 변동을 가진 것으로 시장에서 특징지워질 만큼, 차용자가 잘 알려졌거나 믿을 수 있는 사람이기 때문이다. 자산 세트(90)는 언더라이터팀(94)에 의해 평가되고, 자산 세트(90) 내의 각 자산은 현금으로 전환된 자산 또는 전체 현금 가치를 갖는 매매 가능 상품과 같이 매우 적은 변동을 갖는 것으로 평가받아, 완전한 가치표(96)에 배치된다. 가치표(96) 내의 자산에 대한 선택된 개개의 가치는 완전히 언더라이팅된 그룹 가치(98)로서 저장된다.
자산 세트(92)는 언더라이터팀(94)과 동일할 수 있는 언더라이터팀(100)에 의해 평가되나, 각각의 자산은 할인된 또는 부분 가치를 갖는 것으로 평가받아, 부분 가치표(102)에 배치된다. 가치표(102) 내의 트랑슈에 속한 자산에 대한 선택된 개개의 가치는 부분 가치의 완전히 언더라이팅된 그룹 가치(104)로서 저장된다. 전체 현금 기초 방식(86) 및 부분 현금 기초 방식(88)에 대한 기준(80)(도 2)은 컴퓨터(38)(도 2)의 디지털 저장 메모리(도시되지 않음) 내의 데이터베이스(76)(도 2)에 저장되어, 자동 평가(40) 중 감독 학습(206) 및 무감독 학습(208)에 이용된다.
샘플링 언더라이팅(34)은 2개의 절차, 즉 완전한 샘플링(106) 절차와 부분 샘플링(108) 절차에 의해 완수된다. 완전한 샘플링(106) 절차는 다수의 자산 카테고리용으로 이용되며, 샘플링되는 자산 카테고리 내의 표본 그룹의 100 % 샘플링(110) 단계를 포함한다. 완전한 샘플링(106) 절차에서 자산은 개별적으로 언더라이팅되는 것이 아니라 결정된 공통성에 기초하여 완전한 샘플링 그룹(112)으로 언더라이팅된다. 그 결과 완전한 샘플링 그룹 평가액(도시되지 않음)이 작성된 다음 규칙(114)에 기초하여 결합됨으로써, 개개의 완전한 표본 자산 가치표(116)가 생성된다. 표(116) 내의 개개의 완전한 표본 자산 가치는 트랑슈 내의 자산 그룹에 의해 제출된 입찰에 필요한 임의의 완전한 샘플링 그룹 평가액(118)으로 전자적으로 업로딩된다. 언더라이팅 표본 그룹 내의 자산수는 임의 수의 자산보다 하나만큼적을 수 있다. 부분 샘플링(108) 절차는 중간 정도의 자산 카테고리용이며, 샘플링되는 그룹 클러스터 내에서 대표적인 그룹을 100 % 샘플링하고 상기 클러스터 내의 다른 그룹을 무작위 샘플링하여 클러스터 표본 그룹(120)을 형성하는 절차를 포함한다. 부분 샘플링(108) 절차에서는, 모든 그룹이 샘플링되나, 일부만이 클러스터 표본 그룹(120)으로부터 외삽법에 의한 추정에 의해 부분적으로 평가된다. 부분 샘플링(108) 절차에서는, 수동 데이터 기록(125)을 통한 자산 레벨 재언더라이팅(122) 단계에 의해, 문자 신용 분석자표(126)를 산출하여 자산 등급 조정(128) 단계에 제공함으로써, 조정된 신용 분석자표(130)를 산출한다. 전술한 바와 같이, 트랑슈 그룹에 따라 조정된 신용 분석자표(130)로부터 개개의 자산을 선택하여, 트랑슈(70)(도 2)에 대한 입찰에 사용하기 위한 부분 샘플링 신용 가치(132)를 산출한다.
자동 평가 절차(40)에서는, 감독 학습 과정(206), 무감독 학습 과정(208), 및 통계적 추측 알고리즘으로부터의 업로딩(208)을 통해, 디지털 저장 장치에 저장되는 언더라이팅 클러스터표(136)를 생성한다. 감독 학습 과정(206)에서, 가치 확립에 요구되는 질문이 무엇인지를 알고 있는 노련한 언더라이터는 자산이 유리한 투자 대상인지 여부와 그 자산의 평가 방법을 결정할 때 컴퓨터를 돕는다. 무감독 학습 과정(208)에서, 컴퓨터는 자산을 분할 및 분류하고, 상기 데이터로부터의 피드백에 기초하여 자산을 객관적으로 자체 평가한다. 언더라이터는 컴퓨터가 분별있는 언더라이팅 결론을 내리고 있는지 여부를 결정하기 위해서, 주기적으로 무감독 학습 과정(208)을 검토한다. 컴퓨터는 통계적인 알고리즘(134)를 이용하여 추측한다. 예컨대, 제한되지 않은 것으로서, 일실시예는 정확성이 증가된 자산 데이터 평가를 위해서, 제네럴 일렉트릭 콤파니사가 개발 및 사용하고 다세대 산출물 개발(MGPD) 모드에 의한 듀 딜리전스(DD) 자산 평가 과정에 적용되는 디자인 포 식스 시스마(Design For Six Sigma:"DFSS") 콸러티 패러다임을 이용한다. 학습 과정(206, 208)은 상기 평가가 진행중인 실시간으로 캐시 플로우 회수 및 회수 확률 계산으로 진보될 때 축적된 지식을 통합한다. 감독 학습 과정(206)은 평가 목적에 대한 공통적인 면을 갖는 자산 클러스터를 식별하는 데 비지니스 규칙을 이용한다. 무감독 학습 과정(208)은 절차(40)에 의한 이전 데이터 평가로부터의 피드백을 이용하여, 평가 신뢰 증가 면에서의 진보 여부를 결정한다. 이용 가능한 모든 생데이터(raw data)의 식별 및 상기 이용 가능한 생데이터 클러스터들의 상호 관계 회수는 이하 설명되는 바와 같이, 고속 컴퓨터의 사용 때문에 가능하다.
예시적인 일실시예에 있어서, HELTR 스코어링 기술을 이용한 생데이터의 무감독 편성을 위한 퍼지 클러스터링 수단(FCM) 과정은 이하 설명되는 바와 같이, 포트폴리오 내의 자산에 대한 신용 스코어 평가를 추측하는 데 채용된다. 그러한 클러스터링 기술은 수동 처리를 허용하지 않는 시간 주기에서 평가되어야만 하는 포트폴리오 내의 자산 및 높은 자산 총계를 서술하는 더 복잡한 분류 세그먼트에 응답하여 발전되어 왔다.
예시적인 한 방법은 먼저 컴퓨터화된 시스템에서 평가 스코어(정적 및/또는 확률적 회수)를 편성한다. 다음, 특정 요인 및 비지니스 결정에 대한 평가 스코어를 조정한다. 다음, 동일한 자산을 서술하는 다수의 평가 스코어에 대한 조정 및추측된 평가를 인터뷰/번복하기 위한 총체적인 조정이 수행된다.
평가 스코어 편성은 클러스터 번호, 클러스터 이름, 클러스터의 서술적 속성, 확률적 회수 가치(예시적인 예로서 HELTR 스코어), 및 각 클러스터의 서술적 속성의 세기에 기초한 각 클러스터의 평가에 대한 언더라이터의 신뢰를 전자적인 형태로 대조함으로써 수행된다. 클러스터 번호는 평가에 능숙한 사람이 자산 가치를 평가할 때 이용하는 자산에 관한 사실인 특정 세트의 서술적 속성에 대한 유일한 식별자이다. 서술적 속성의 예에는 지불 상태, 자산 유형, 스코어로 표현된 차용자의 신용도, 청구 위치 및 선임권 등이 있다. 클러스터 이름은 일실시예에 있어서, 클러스터의 서술적 속성 또는 소스를 서술하는 문자 숫자식의 이름이다. 서술적 속성의 한 예는 후술되는 도 12에 나타난다.
서술적 속성은 자산의 가치를 나타내는 데 사용되는 사실 또는 차원 또는 벡터이다. 컴퓨터 논리는 복제된 클러스터를 체크하여 분석자 또는 언더라이터에게 경고하는 데 사용된다.
각 자산이 서술적 속성의 여러 조합에 의해 서술될 수 있기 때문에, 동일한 자산에 대한 여러 레벨의 가치가 발생될 수도 있다. 확률적 회수 가치 또는 신용 스코어 또는 자산 가치의 수적 표시는 이산 자산 레벨로 지정된 가치의 표시자이다. 여러 서술적 속성으로부터 모든 정보를 종합함으로써 매수 또는 매도 가격이 고정 가치 또는 확률적 가치로서 확정될 수 있다. 여기서 사용된 예시적인 실시예는 HELTR 스코어이다. 각 클러스터는 유일한 세트의 서술적 속성 및 지정된 HELTR 스코어를 갖는다.
모든 클러스터의 유일한 속성마다 클러스터 가치 평가에 기여한다. 상이한 조합의 속성은 특정 클러스터 스코어의 더 높은 신뢰 또는 신뢰 구간을 제공한다. 예컨대, 어떤 자산이 2.5"의 높이와 5"의 폭을 갖는 한 조각의 녹색 종이로서 서술되었다면, 그것은 0 내지 1000 달러의 가치를 가지며 이러한 평가에 매우 적은 신뢰를 둔다. 동일한 자산이 실제의 $20 US 지폐인 것처럼 하나 이상의 사실 또는 속성 또는 벡터로서 설명되었다면, 그것은 $20 US 달러의 클러스터 가치에 매우 높은 신뢰 요인을 둘 것이다.
클러스터의 평가 및 신뢰는 어느 한 시점에서 결정되어 기록된다. 때때로 새로운 정보가 이용 가능해지며, 분석자는 그 가치를 변경하고자 할 것이다. 그 가치는 컴퓨터 코드를 통해 자동 방식으로 데이터 필드 및 결정 규칙에 의해 수동 또는 자동으로 변경된다. 이전 가치는 새로운 정보를 반영하도록 조작된다. 예시적인 예로서, 이전 클러스터 신뢰가 0.1로 기록되어 있다고 가정하고, 이 클러스터와 같은 정확한 서술적 속성을 갖는 다른 자산은 예측된 "가장 그럴듯한" 가치 이상으로 매도되었음을 알 수 있다. 규칙상, 이러한 경우가 발생되면, 클러스터 신뢰는 10배가 되어, 변경된 클러스터 신뢰는 0.1 ×10 = 1이 된다.
그러한 과정의 목적은 평가의 각 차원에 대한 평가의 각 소스와 관련된 신뢰를 제어하여, 동일한 자산에 대한 다수의 스코어를 조정하는 것이다. 특정 자산에대한 표본 데이터 포인트를 갖는 예시적인 예로서 HELTR을 사용한다.
클러스터 콘센서스 평가는 2.6059의 타이밍에서 .6999의 하이 가치, .4792의 가장 적당한 가치, .2374의 로우 가치를 갖는다. 다른 논리가 적용하여 임의의 가중치를 조작할 수 있다.
콘센서스 스코어는 전체적인 가정 하에서 나타내어진다. 전체적인 가정이 바뀌어야한다면, 과정 단계(128, 138)는 콘센서스 스코어에 가중치를 주는 방법에 포함된다. 예시적인 예는 어떤 일정한 평가 요인, 거시 경제적 변화, 자산 종류에 대한 대체 가능한 시장 가치, 및 적용된 다른 방법에 대한 추측된 자산 평가 방법의 손실 또는 이익 때문에 거짓 발견이다.
다른 실시예에 있어서, 포트폴리오의 구성을 신속히 이해하고 설명하기 위해서, 상호 상관 도구가 사용된다. 통상적으로, 상호 상관 도구는 자산 포트폴리오에서 사용자 선택 변수 대 다른 변수의 응답을 상관시키는 데 사용된다. 상호 상관 도구는 2개의 속성 변수와 응답 변수간의 예상치 못한 높은 또는 낮은 상관성을 신속히 식별한다. 속성 변수는 2가지 유형, 즉 연속적인 것과 범주적인 것이 있다. 상호 상관성은 흥미있는 모든 변수와 그들의 빈(bin) 또는 레벨간의 상호 상관 도구에 의해 계산되고, 일실시예에 있어서 이차원 매트릭스로 제공되어, 포트폴리오 내 자산들간의 경향에 대한 용이한 식별을 가능케 한다.
먼저, 상호 상관 도구는 자산 포트폴리오에서 속성 변수를 연속적 변수 또는 범주적 변수 중 하나로서 식별한다. 각각의 변수에 대한 애그리게이션 레벨은 연속적 변수에 대한 빈과, 범주적 변수에 대한 가치에 의해 계산된다.
상호 상관 도구로 상관성을 식별하고자 하는 사용자는 응답 변수 Yr, 예컨대 기대 회수 또는 카운트를 선택할 것이다. 속성 변수(x1 및 x2)와 그들의 레벨(a 및 b)의 모든 조합쌍에 대한 응답 변수 Yr의 평균값은 다음 식에 따라 계산된다:
Yr= sum(Y(x1 = a and x2 = b)) / count(x1 = a and x2 = b).
응답 변수의 기대치 Yexpect은 다음 식에 따라 계산된다:
Yexpect= (sum(Y(x1 = a)) * count(x1 = a) + (sum(Y(x2 = b)) * count(x2 = b)) / (count(x1 = a) * count(x2 = b)).
선택 응답 변수 Yr의 편차 Yerror는 기대치 Yexpect로부터 x1 = a and x2 = b 발생의 가중치를 사용하여 다음 식에 따라 계산된다:
Yerror= Yr- Yexpect.
일실시예에 있어서, 기대치 및 편차는 기대치로부터의 변동을 용이하게 식별할 수 있도록 이차원 디스플레이에 표시된다.
다른 예시적인 실시예에 있어서, 생데이터를 최종 입찰 가격으로 변환하는전달 함수 프로세스가 후술되는 바와 같이 사용된다. 클러스터표(136)는 절차(14, 34, 40)에서 전개된 변경 계수를 이용하여 전자적으로 조정되어, 자산에 대한 신용 스코어(138)의 계수를 조정하고, 추측된 개개의 자산 신용 가치의 조정된 신용 분석자표(140)를 생성한다. 개개의 자산 가치는 트랑슈 그룹에 의해 요청될 때 조정된 신용 분석자표(140)로부터 취해져, 추측된 신용 평가액(142)을 생성한다. "취급되지 않은" 자산의 소량의 잔여 부분(30)을 외삽법에 의해 추정하여, 취급되지 않은 자산표(144)를 생성한다. 자산표(144)로부터 가치를 선택하여, 취급되지 않은 자산 평가액을 생성한다.
완전한 캐시 평가액(98), 부분 캐시 평가액(104), 완전한 샘플링 신용 평가액(118), 부분 신용 가치(132), 추측된 신용 가치(142), 및 취급되지 않은 자산표(144)로부터 할당된 임의의 가치는 완전한 캐시 평가액(98)으로부터 추측된 신용 가치(142)까지의 연속적인 우선 순위로 누적(culumate)되고, 서로 배타적이다. 상기 평가액들의 합계는 포트폴리오의 가치를 나타낸다.
도 4는 시스템(28)(도 2)에 의해 수행되는 입찰 준비 단계(168)의 흐름도이다. 누적된 평가액(98, 104, 118, 132, 142, 144)은 위험 선호 대출 레벨 평가 단계(146)로 결합된다. 캐시 플로우 타이밍표(150)에 의해 결정적 캐시 플로우 브리지(148)가 산출되어 확률적(stochastic 또는 probabilistic) 캐시 플로우 브리지(152)로 전개된다. 확률적 캐시 플로우 브리지(152)는 어떤 일정한 임계치(158)이 도달될 때까지 반복적으로 트랑슈 모델(156)에 적용되는 제안된 트랑슈 입찰 가격(154)을 결정하기 위해서 작성 및 사용된다. 임계치(158)는 예컨대,일정값보다 큰 내부 수익률("IRR"), 일정한 시간 대 이익("TTP"), 및 절대적 순현재 가치("NPV")이다.
일반적으로, NPV는 다음과 같이 정의된다:
여기서C 0 은 시간 0에서의 투자이고,C 1 은 시간 1에서의 예상 수익(expected payoff)이며,r은 할인률(discount factor)이다. 오늘의 달러가 내일의 달러보다 더 가치가 있다는 것이 기본 개념이다.
보험 증권의 경우에 있어서, NPV는 다음과 같이 정의된다:
여기서P는 프리미엄이고,E는 예상 명목 비용이며,C는 청구 비용이다. 본질적으로, 수학식 B는 이익과 가중된 예상 보험금(weighted expected risk)간의 차액인 순수입이 얼마나 발생되는지를 나타낸다. 합계는 특정 구획에 있는 모든 보험 증권에 걸쳐 합계한다는 것을 주의해야 한다. 또한 모든 프리미엄, 명목 비용 및 청구 비용은 수학식에 대입하기 전에 할인된다는 것을 주의해야 한다. 그 결과로서, 수익성 스코어가 생성된다.
임계치 조건(160)이 충족되면, 입찰 가격(154)을 모의 실험 입찰 공개분석(161)하여, 그 입찰 가격이 획득 입찰가로 예상될 수 있는지의 여부를 예측한다. 봉인 입찰 경매의 결과는 각 입찰자로부터 접수된 입찰가 크기에 의존한다. 그 경매는 모든 입찰가를 공개하여 최고 입찰자에게 경매용 품목을 매도하는 방식으로 실행된다. 전통적인 봉인 입찰 경매에 있어서, 입찰자는 일단 입찰가를 제출하면 그 입찰가를 바꿀 수 없고, 입찰가가 공개되기 전까지는 다른 입찰자가 제출한 입찰가를 알 수 없어, 경매의 결과가 불확실해진다. 더 높은 입찰가를 제출할수록 경매에서 이길 확률은 높아지지만, 더 낮은 가격으로 경매에서 이길 가능성이 있었다면 가치 이득은 더 낮아진다.
경쟁 입찰 모의 실험은 자금을 소유한 사람이 가장 희망하는 자산을 자장 높은 자본 보존으로 거래하기 전에 어떤 경쟁 입찰자의 자금을 고갈시키는 성향이 있는 입찰/매도 가격의 범위를 설정함으로써 수익성의 최고 상승 경향을 획득할 수 있는 확률을 증가시킨다. 가격 결정은 분석적으로 강력한 프로세스에 의해 촛점에 맞추어지는데, 이는 순수한 일화의 비지니스 판단이 숨겨진 사항, 인격 또는 일면의 지식에 종속되지 않는 데이터 구동 방법에 의해 증대될 수 있기 때문이다.
각 잠재적 입찰자는 봉인 입찰 경매에 제출될 수 있는 가능한 입찰 범위를 갖는다. 그 입찰 범위는 통계적인 분포로서 표현될 수 있다. 입찰가 분포로부터 확률적으로 샘플링함으로써, 하나의 가능한 경매 시나리오가 모의 실험될 수 있다. 또한 반복 샘플링 기술, 예컨대 몬떼 까를로(Monte Carlo) 분석에 의해서, 여러 시나리오를 모의 실험하여, 결과 분포를 산출한다. 결과 분포는 경매 품목 획득 확률 및 가치 이득을 포함한다. 그 자신의 입찰가를 변경함으로써, 그 자신의 입찰 가격에 반하여 경매에서 이길 확률이 결정될 수 있다.
다음의 핵심 요소, 즉 시장 규정 및 계약을 전산화된 비지니스 규정으로 성문화(codification), 잠재적 경쟁/시장력, 예측 예산 및 우선권을 선호 행렬(preference matrix)로 성문화, 그 자신의 입찰 능력, 선호도, 선호 행렬로 성문화하기로 합의된 위험/수익 흥정, 전산화된 확률적 최적화를 이용하여 경쟁 입찰 수익을 모의 실험한다.
분석(160)은 다른 회사가 시스템(28)에 의해 계산된 입찰가에 반하여 입찰할 수 있는 다양한 재정 능력을 갖는 경쟁 환경을 모의 실험한다. 일실시예에 있어서, 분석(160)은 예컨대(제한되지 않음), 총자산 가치가 시스템(28)을 사용하는 엔티티의 재정 능력을 초과하는 경우에 있어서와 같이 자산 총입찰 한도를 포함한다. 일실시예에 있어서, 분석(160)은 그러한 입찰 제한 자원의 경우, 각종 조합의 트랑슈에 대한 입찰의 경우에 있어서 수익률을 평가할 수도 있다. 또한 분석(160)에서, 그 트랑슈 입찰가가 경영자측(162)에 의해 평가 및 설정되어, 최종 트랑슈 입찰가(164)가 결정된다. 입찰가(164)가 결정되기 전에 모든 평가는 희망하는대로 반복될 수 있다. 또한, 그 과정은 자체 조정 및 반복적이기 때문에, 트랑슈 입찰 가격(164)은 시스템(28)에 의해 수행되는 반복에 의해 더욱 높은 가격으로 결정되는 식으로 각각의 반복만큼 상향되는 경향이 있다.
흐름도(85)에 기재된 과정에는 평가 단계(166)(도 3)와 입찰 준비 단계(168)(도 4)가 포함된다. 평가 단계(166)에는 절차(14, 34, 40)가 포함된다. 평가 단계(166)는 정지될 때까지 계속해서 실행되며, 여기서 자동 평가 절차(40)와샘플링 절차(34)는 각종 자산의 임시 가치 또는 자산 목록을 알려고 시도한다.
도 2를 다시 참조하면, 고속 자산 평가에 따라, 포트폴리오(12)의 자산 내에서 각 자산에 대해 데이터 카테고리(170, 172, 174)가 식별되어 데이터베이스(76)에 저장된다. 반복적 및 적응성 평가 과정(32)은 선택된 데이터(78) 부분을 취해서, 그 선택된 데이터(78) 부분에 기준(80)을 통계적 방식으로 적용하여, 총체적인 외삽법(20)에 의한 자산 가치보다는 기지의 자산 가치를 증가시킨다. 자산은 방법(28)에 따라 적어도 제1 부분(16), 제2 부분(36) 및 제3 부분 또는 잔여 부분(42)으로 분할된다. 제1 부분(16)의 자산은 절차(14)에 의해 완전히 언더라이팅되어, 평가액(98) 및 부분 가치의 완전히 언더라이팅된 평가액(104)을 결정하고, 그러한 평가액에 대한 기준(80)을 확립한다. 절차(34)를 이용하여, 과정(28)은 제2 부분(36)에 있는 그룹을 대표하는 제2 부분(36)으로부터 다수의 자산을 샘플링하여, 제2 부분에 대해 완전한 샘플링 그룹 평가액(118) 및 부분 샘플링 신용 가치(132)를 결정하고, 그러한 평가액에 대한 추가의 기준(80)을 확립한다. 절차(40)를 이용하여, 도 2의 컴퓨터(38)와 같은 자동 분석자에 의해 부분 감독 학습 과정(206) 및 부분 무감독 학습 과정(208)이 수행된다. 학습을 위해서, 자동 분석자는 제3 부분 또는 잔여 부분(42)에 대한 확립된 기준(80) 및 선택된 데이터(78)를 추출하여, 제3 부분을 부분(46)으로 분할하며, 또한 데이터베이스(76) 및 각 과정(206, 208)으로부터 수입된 기준(80)을 이용하여 각 부분(46)을 카테고리(48, 50)로 분할하고, 카테고리(50)을 클러스터(52, 54)로 분할하며, 클러스터(52, 54)를 서브클러스터(56, 58, 60, 62, 64)로 분할한다. 개개의 자산 평가액은 통계적 추측에 의해 서브클러스터(56, 58, 60, 62, 64)에 있는 자산에 대해 확립된다.
개개의 자산 평가액은 클러스터표(136)(도 3)에 리스팅되고, 후에 조정(138)되어, 신용 분석표(140)에 리스팅된다. 확립된 기준(80)은 객관적인데, 이는 기준(80)이 완전한 언더라이팅 절차(14) 및 샘플링 언더라이팅 절차(34) 중에 저장되는 데이터베이스(76)로부터 나오기 때문이다. 환언하면, 모든 자산에 대한 완전한 가치표(96), 부분 가치표(102), 표(116), 문자 신용 분석자표(126), 조정된 신용 분석자표(130), 조정된 신용 분석자표(140) 및 취급되지 않은 자산표(144)에서 획득된 정보는 컴퓨터(38)의 하드 디스크 저장 장치(178) 등의 디지털 저장 장치에 있는 데이터베이스(76)에 저장되며, 절차(14, 34)로부터 기준(80)과 함께 절차(40)에 의해 상관된다. 절차(40) 중에, 만족할 만한 신뢰도를 갖는 통계적 의미의 기준(80)이 기입된다. 즉, 절차(40)는 기준(80)을 평가 및 확립하는 식으로 반복적으로 학습한다. 감독 학습 과정(206) 및 무감독 학습 과정(208)은 완전히 언더라이팅된 제1 부분(16)에 있는 자산 및 샘플링 언더라이팅된 제2 부분에 있는 자산에 대해 데이터베이스(76)에 기준(80)을 확립하도록 상관시킴으로써, 통계적으로 추측된 평가액(142)의 정확도를 증가시킨다. 부분(16 및/또는 36)에 있는 자산에 대해 선택된 데이터(78)와 유사한 제3 부분(42)에 있는 하나 이상의 자산에 관해 선택된 데이터(78)는 데이터베이스(76)에 위치되며, 다음에 제3 부분(42)에 있는 각각의 자산에 대한 가치는 통계적 추측에 의해, 상기 위치된 정보로부터 결정된다.
흐름도(85)에 기재된 과정 중에, 자산은 개개의 자산 레벨로 평가되며, 그개개의 자산 가치는 하나 이상의 조합으로 표로 만들어지거나 분류된다. 다양한 입찰 시나리오에 대한 최대 유연성을 갖기 위해서, 임의 집합의 포트폴리오(12)가 특정 시간 프레임에서 개별적으로 평가 및 가치가 매겨진다. 기지의 과정(10)에 있어서, 자산 매도자가 예컨대 자산 회사에 의한 그룹으로부터 차용자의 지리적 위치에 의한 그룹까지 자산을 재분류하는 경우, 입찰가 재평가는 부적절할 수도 있는데, 이는 총체적인 외삽법에 의한 추정(20)이 수행될 필요가 있기 때문이다. 시스템(28)을 사용함에 있어서, 개개의 자산 가치가 표(96, 102, 116, 130, 140, 144)에 전개 및 리스팅되기 때문에, 이러한 가치는 "먹이 연쇄(food chain)" 선택 기준이 상호 배타적이고 평가를 수행하는 분석자에 의해 선택 가능한 상이한 평가액(98, 104, 118, 132, 142)으로 전자적으로 재분류될 수 있으며, 이하 더 설명할 것이다. 매도자가 자산을 분류하는 경우, 판매자 그룹 또는 트랑슈에 따라 용이하게 분류될 수 있으며, 그 트랑슈에 대한 적절한 평가액(146)이 발현될 수 있다. 개개의 자산 가치는 제3 부분(42)에 대해 용이하게 재분류되어, 상기 그룹 또는 트랑슈에 대한 추측된 평가액(142)을 객관적으로 획득할 수 있다.
자산 가치를 확립하기 위한 여러 방법이 적용될 수도 있다. 평가 목표에 따라, 상이한 평가 방법의 상대적 이점은 특정 자산에 대한 평가 기술의 바람직함을 확립한다. 한 방법은 가설 전개 방법을 보존하면서 최고 신뢰 구간을 갖는 구간을 선택하는 "먹이 연쇄"와 유사하다.
먹이 연쇄를 소개하는 예시적인 일례에 있어서, 개인적인 의견과 비교하여 개방 시장에서 어떤 유사한 자산 거래만큼 더 재정 자산을 평가하기를 좋아할 수도있다. 순위대로, 시장 대 시장 가치는 개개의 의견을 통해 선택된다.
예측된 캐시 플로우 회수를 갖는 포트폴리오의 자산은 동일한 방식으로 다수의 평가 기술에 의해 평가될 수도 있다. 통상의 목표는 높은 확률을 이용하여 미래의 캐시 플로우가 무엇이 될지를 확립하는 것이다. 평가 방법은 캐시 플로우, 또는 캐시 등가물, 최소 하강 변동 및/또는 최대 상승 변동을 갖는 예측을 정확히 정량화(quantify)할 수 있는 능력의 순서대로 순위가 매겨진다. 자산은 장점이 있는, 즉 최상의 방법이 적용되었을 때 더 정확한 방법이 자산의 평가액을 평가할 필요성을 제거한다는 것을 알고 있을 때 이중 작업을 제거하는 비지니스 논리 규정을 가질 수도 있는 이용 가능한 모든 방법에 의해 평가된다.
자산 가치에 대한 최상의 예측을 제공하기 위해서, 자산은 각각의 특정 자산에 대한 최상의 이용 가능한 방법에 의해 평가될 때까지 먹이 연쇄 내의 각 방법에 의해서 평가된다. 최상의 가치가 발견되면, 자산은 먹이 연쇄에서 (더 많은 변동을 갖는) 더 낮은 다른 가치에 상관없이 그의 가치를 가지며, 완성된 상태로 전달된다.
일례로서, 포트폴리오 자산은 먹이 연쇄를 통해 평가된다. 먹이 연쇄에서의 제1 평가 방법은 평가 목표, 즉 최고의 정확도(엄격한 신뢰 구간)를 갖는 가치를 발견하는 것과 가장 근접하게 매칭시키는 방법이다. 유일한 자산에 대한 가치를 확립했던 방법에 의해 자산이 평가되자마자, 평가표로 전달되고 먹이 연쇄에서의 임의의 다른 단계로부터 이전된다. 임의의 평가 방법과 매칭시키지 않은 최초의 포트폴리오로부터의 자산 목록은 취급되지 않은 자산표 내에 유지된다. 이러한 취급되지 않은 자산표를 제로 자산으로 만드는 것이 목표이다.
먹이 연쇄의 일례는 선호순으로 다음과 같다. (a) 100% 캐시의 수중 자산, (b) 부분 캐시의 수중 자산, (c) 유동 시장 가치의 동류(like) 자산, (d) 직접 언더라이팅, 및 (e) 추측 언더라이팅.
먹이 연쇄 방법은 최상의 확률 분포 형태를 발견할 수 있는 능력을 제공하고, (특히 하강 꼬리 부분에서의) 확률 분포 변동을 줄이며, 구매자에 관한 이용 가능한 모든 지식을 보존하면서 신속히 확률 분포를 확립할 수 있는 능력을 제공하고, 발견 과정에서 임의 지점에서의 최상의 가치 평가를 제공할 수 있는 능력을 제공한다.
도 4에 도시되어 있는 바와 같이, 입찰 준비 단계(168)의 일반적인 체제는 획득한 투자자가 투자를 회수할 권리, 그러나 의무가 아닌 권리를 갖는 옵션 평가 패러다임과 유사한 입찰가(164)를 정하는 것이다. 각 트랑슈에 대한 가치는 3 부분 즉, 화폐의 시간 가치 요소, 고유 가치 요소 및 가능한 캐시 클로우 요소로 디세그리게이트(desegregate)된다. 화폐의 시간 가치 및 고유 가치는 결정적으로 계산되어, 적은 변동을 갖도록 확립된다. 화폐의 시간 가치는 현재 투자를 위해 앞선 교체 투자에 대한 기회를 나타내는 적용 가능한 기간 동안 투자에 의해 배가되는 낮은 위험 투자에 대한 자본의 회사 비용을 취함으로써 계산된다. 고유 가치는 기지의 유동 자산 가치로서, 매수 가격을 초과하고 자산 관리 직후에 이용 가능하다. 일실시예는 포트폴리오의 일부로서 시장 가치 이하에서 매수된 잘 거래된 담보물이다. 가능한 캐시 플로우 변동은 실사팀(due diligence team)이 생데이터를 캐시 플로우 회수 스트림으로 변환하기 위해 선택한 과정이다. 여기서 설명된 시스템은 부정적인 변동을 줄이고 가치를 발견하도록 구성된다.
도 5는 통상의 최소 3 포인트 자산 평가(180)에 대한 삼각 확률 분포도이다. 과정(40)에 따라, 금융 상품에 대하여 최소 3가지 경우로 평가된다. 수직축(182)은 증가하는 확률을 나타내고, 수평축(184)은 증가하는 회수 부분을 나타낸다. 액면 가치 라인(188)의 청산 또는 최악의 경우의 퍼센티지(186), 액면 가치 라인(188)의 최상의 경우의 퍼센티지(190), 그리고 액면 가치 라인(188)의 가장 가능한 경우의 퍼센티지 및 회수 가치(192)를 나타낸다. 최악의 경우의 퍼센티지(186)의 확률은 제로이고, 최상의 경우의 시나리오(190)의 확률도 제로이며, 가장 가능한 회수 퍼센티지(192)의 확률(194)은 포인트(196)에 의해 표현된 값이다. 포인트(186, 196, 190)를 연결한 라인에 의해 규정된 선(200) 안의 영역(198)의 크기는 자산 가치를 나타낸다. 액면 가치 라인(188)의 100% 회수의 100% 확률 라인(204)까지 제한된 직사각형의 영역(202)에 표시된 자산 가치는 선(200)에 의해 표현된 자산에 돌려질 수 있는 액면 가치 라인(188)의 일정 부분이다. 포인트(186, 196, 190), 라인(188, 204) 및 그에 따른 면적(198, 202)은 문제의 자산을 위해 선택된 선택 데이터(78)와, 그 자산 및 규정된 확률의 자산 가치 회수에 적용된 기준(80)에 따라 변화될 것이다. 수평축(184)은 액면 가치의 퍼센티지보다는 통화 단위(예컨대, 달러)로 표현될 수 있다. 통화 단위가 사용되는 경우, 상이한 자산에 대한 선(200) 아래의 영역(198)은 통화 단위로 될 것이며, 따라서 영역(198)은 모든 입찰가(70, 72, 74)에 대한 크기와 의미에서 서로 관련시킨다. 자산에 관하여 더 많이 알려질수록선(200)이 더욱더 정제될 수 있다. 포인트(186, 196, 190) 및 그에 따른 영역(198) 그리고 자산의 예상 가치를 확립하도록 돕는 기준(80)이 확립될 때 선(200)에 통계가 적용된다. 가치에 영향을 미치는 캐시 플로우 타이밍은 타이밍 속성의 막대 그래프 결과에 기초할 수 있다.
예컨대, 캐시 플로우 회수 타이밍은 0-6 개월, 7-12 개월, 13-18 개월 등의 3개의 빈으로 분류될 수 있다. 알고리즘(134)을 이용한 자동 분석자(38)는 가능한 한 언더라이터에 의해 결정된 게이지 회수 및 레이트에 대한 평가에 대한 타이밍의 감도 검토 흥정에 기초하여 빈 폭을 선택할 수 있다. 예시적인 실시예에서, 할인률이 25% 이상일 때 최소 4개의 빈이 사용되어야만 한다. 10 내지 25의 할인률에 대해서는 적당한 회수 기간을 커버하기 위해서 최소 6개의 빈이 사용되어야만 한다.
절차(40)에 따라 언더라이터가 금융 상품에서 가치를 평가하는 데 이용할 수 있는 다른 데이터원이 선택된다. 절차(14, 34)에서 언더라이팅팀(94, 100, 114, 122, 140)에 의해 확립된 기준(80)은 그러한 관점에서 유용하다. 흐름도(85)에 기재된 과정에 따라, 생데이터는 회수로 변환되고, 그 생데이터에 평가액을 적용하기 위한 규정이 선택되며, 그 규정은 기준(80)의 형태로 평가 데이터베이스 내로 코드화된다. 클러스터가 절차(14, 34 또는 40)에서 평가되는 동안 다수의 적평(hit)에 의해 취급될 때마다, 그 클러스터에 콘센서스 예측이 전개 및 적용된다. 시스템(28)에 따라, 트랑슈 레벨에서의 캐시 플로우 및 타이밍의 확률 분포는 생데이터가 취하고, 데이터를 생성하는 가정을 유리화하여, 트랑슈에 있는 개개의 자산에 대한 평가액을 애그리게이트하는 자산 레벨에서 평가 전사 함수(146)를 전개시킴으로써 결정된다.
모든 회수는 동일하지 않기 때문에, 캐시 플로우 회수의 가변성을 설정하기 위한 방법이 제공된다. 각각의 자산은 그룹 노출에 의해 클러스터화된다. 가능한 많은 액면가가 허용된 시간내에 언더라이팅되는 것이 일반적이고, 상당히 많은 샘플이 클러스터화를 위해 남아 있다는 것을 인식하게 된다. 클러스터화 준비금은 액면 총액과 변경치의 소급 분석에 대해 145+2.65%와 동일한 표본 크기를 이용하여 추정된다. 이 과정은 100 자산액의 액면 총액에 대해서는 30개의 크기로 샘플링하고, 1,000 자산액의 액면 총액에 대해서는 150개의 크기로 샘플링하며, 5,000 자산액의 액면 총액에 대해서는 400개의 크기로 샘플링하고, 10,000 자산액의 액면 총액에 대해서는 500개의 크기로 샘플링하며, 20,000개의 액면 총액에 대해서는 600개의 크기로 샘플링한다.
통계적 추론 과정(40) 동안, 포트폴리오(12)의 제3 부(42)에 남아 있는 자산액은 기술적인 언더라이팅 속성 또는 기준(80)에 의해 클러스터화되고, 랜덤 샘플은 각각의 클러스터로부터 취해지고, 샘플은 언더라이팅된다. 일실시예에 있어서, 과정(40)에서 클러스터로부터 샘플링하는 것은 자산 레벨 평균 분산이 10% 이하로 떨어지면 중단된다. 다른 실시예에 있어서, 샘플링은 트랑슈 레벨 평균 분산이 15% 이하로 떨어지면 중단된다. 포트폴리오 평균 분산은 잠재적인 판매 단위가 전체 포트폴리오보다 작게 된다면 중단점으로서 사용되지 않는다. 과정(40)에 따라, 클러스터 샘플링의 회수 가치는 대응하는 클러스터 집단으로 추론된다. 시스템(28)을 이용함에 있어서, 그 목적은 3개 이상의 고유 클러스터를 통해 추론된 각각의 자산가치를 처리하는 것이다. 과정(40) 동안 클러스터의 언더라이팅된 신용과 기술적 속성 관련성이 가중화된다.
실시예에 의해, 제한 없이, 0 은 클러스터의 기술적 속성이 의미있는 가치를 제공하는 신용이 없다는 것이고, 1 은 클러스터의 기술적 속성이 각 문서를 개별적으로 언더라이팅하는 것만큼 정확한 가치 평가를 제공하는 신용이 완료되었다는 것을 의미하며, 1 과 0 사이의 숫자들은 가치 평가에 있어서의 불완전한 신용을 나타낸다. 이러한 값들의 조정은 조절된 신용 분석표(130) 내에서 행해진다. 과정(40)에 있어서, 자산 레벨에서의 캐시 플로우는 조절된 신용 분석표(140) 내에서 거시경제 모델 계수에 의해 조절된다. 거시경제 모델 계수는, 일실시예에 있어서, 예컨대, 어떠한 제한 없이, 부동산 주거용 대부 또는 상업 장비 대부와 같은 대규모 자산류이다. 이 계수는, 제한 없이, 법적 기후, 국내총생산(GDP) 예측, 보증인 풍조, 수집 효율, 차용인 그룹 코드 등과 같이 광범위하게 사용될 수 있다.
포트폴리오를 샘플링하는 한가지 방법은 크게 영향을 미치고 위험을 발생시키는 속성을 위한 주요 자산, 차용인, 담보물 중에서 탐색하는 방법이다. 이하의 표 A는 자산 평가 시나리오에서 포트폴리오 속성들을 나타내는 리스트의 한가지 예이다.
포트폴리오 속성
자산 속성의 세그멘테이션은 속성들을 "더미 변수"로 부호화함으로써 달성된다. 예를 들어, 공동 자산 속성은 "차용인이 지난 12달 안에 지불이 이루어졌나?", 이고, 이것의 응답이 "그렇다"이면 변수는 "1"로 부호화될 것이고, 응답이 "아니다"이면 변수는 "0"으로 될 것이다. 이와 마찬가지로, "더미 변수"는 다른 자산 속성을 위해 사용된다.
세그멘테이션 과정은 포트폴리오를 세그먼트화하여 유사한 자산 그룹으로 만드는 방법으로 부호화된 자산 속성을 처리하는 임의의 모든 통계적 과정을 이용하여 이루어진다. 이러한 알고리즘의 하나는 K-means 클러스터링이다. 일 실시예에 있어서, 3가지 자산 속성이 있는데, 미납 원금 잔액(Unpaid Principal Balance: UPB), 0 부터 1까지의 범위를 갖는 지불 확률(Probability of Payment), 및 부동산 담보에 의해 보증되는 확률인 보증 스코어(Secured Score)가 사용되며, 자산은 유사한 속성끼리 5개의 그룹으로 분류된다.
일단 자산의 그룹화가 이루어졌으면, 추가의 언더라이팅 검토를 위해 취해지고 제출될 샘플의 개수가, 각 세그먼트(k)에서 전체 회수금에 대해 대차표가 만들어질 수 있는 신뢰 지수를 설정하고, 각 세그먼트(h)에서 전체 회수금을 추정하기를 원하는 정밀도를 설정하며, 미납 원금 잔액(UPB)(R)의 퍼센트로서 선행 추정 지수와 회수 범위를 제공함으로써 계산된다. 이에 대한 계산은 다음식을 이용한다.
n=표본 사이즈
N=클러스터 사이즈
x i =표본i에 대한 UPB
yi=표본i에 대한 회수
=클러스터 예측 회수율%
로를 추정하기 위한 에러 허용도
k=체비세프 공식에서의 상수
여기서, 확율은보다 크거나 같다.
수학식 C를n에 대해 풀어, 주어진 클러스터에 필요한 표본 크기를 얻는다. 수학식 C를 풀게 되면, 사용자는 확률과 계산된 표본 크기n을 이용하여 대차표 작성이 가능하고, 관련된 언더라이팅값은 전체 클러스터 회수를 에러값h이내로 추정할 것인데, 이 때 전체 세그먼트 회수의 추정치는 수학식 D를 이용하여 결정되는 것으로 가정한다.
실제로, 이용 가능한 데이터를 사용하지 않고 가변값을 전체 회수금에서 추정하는 것은 어렵다. 스프레드시트 툴은 몬테카를로(Monte Carlo) 시뮬레이션으로 데이터를 생성하고, 선호하는 표본 크기가 유도될 때까지 결과값의 분석을 통해 이용자에게 지시를 함으로써 상기 계산을 한다.
표 B는 20개의 부채 그룹의 연구로부터 예시적인 결과를 제공하는데, 그 추정된(예측된) 회수금은 20% 내지 30%의 UPB가 되고, UPB의 범위는 1MM과 2MM 사이가 된다. 액추얼이 10% 이내이고 신뢰도가 75%가 되도록 20개의 부채에 대해 전체회수금을 추정하기 위해서는 8개의 샘플이 필요하다.
표본 크기 스프레드시트 위자드
각각의 자산에 대해서 적절하게 분산이 조정된 예측값이 만들어지고, 모든 자산을 포트폴리오에 포함시키기 위해 평가표가 구성된다. 회수는 판매 단위로 연속하는 확률을 이용하여 평가되며, 그 한가지 예가 트랑슈가다. 시스템(28)의 사용에 있어서, 내부수익률(internal rate of return: "IRR")과 분산이 평가될 것이다. 바람직한 트랑슈는 주어진 IRR에 대해 더 낮은 분산값을 갖는다. 0 이상이 될 각 트랑슈의 순현재가치(net present value: "NPV")는 프로젝트의 할인율을 이용하여 평가된다. 할인율은 자본의 기회비용과 FX 스왑비용에, 예측된 캐시 플로우 회수의 분산에서 고유한 일반 불확실성에서의 위험요소를 더한 것으로부터 결정된다. 만일 프로젝트가 네거티브 NPV를 갖는 확실성이 5% 이상이라면, 입찰은 이루어지지 않는다. 거래 평가는 트랑슈에 의해서 결정 기준이 IRR이 되고 트랑슈에서의 IRR의 위험 분산은 지불할 트랑슈의 의도 및 능력, 시간대 이익대과 트랑슈에 의한 회수에서의 위험 분산이 측정되고, 트랑슈에 의한 예측된 캐시 플로우의 NPV는 위험 제거율로 할인된다.
경쟁적 입찰시에 있어서, 자산 포트폴리오의 내용이 협상 가능하지 않은 것이라면, 투자자나 판매자는 그들의 집단 금융 구조가 최상의 위험/회수를 갖는 거래를 위해 이용 가능한 전체 자산 부분만을 선택하도록 하는 강력한 금융 장려를 가진다. 최대 상승 가능성을 갖는 자산으로 최소 위험/회수 예측값을 만족시키는 것은 투자자들을 더욱 끌어들이게 된다.
집단 포트폴리오는 개별적으로 시장화가 가능한 부분 포트폴리오 또는 트랑슈로 분할된다. 각각의 트랑슈는 예측된 캐시 플로우 확률 분포와 이전 분석으로부터의 시간 기간을 갖는다. 이들 트랑슈는 정해진 시산가가 된다. 새로운 자산은 판매 또는 매입부의 현존하는 자산 성과와 결합하고, 몬테카를로 케이스 발생이 된다(관련된 교차 상관이 그것을 위해 결산된다).
트랑슈 선택 과정에는 매입하지 않은 트랑슈의 임의적 선택이 포함된다. 일단 포트폴리오 효과가 패턴에 대해 이루어졌으면 어떠한 가격으로 매입을 위한 트랑슈의 최상의 선택은 확률적 최적화에 의해 제한이 있게 된다.
NPV를 이용하는 것은 잘못될 수 있는 것은 이중의 할인과 관련된 효과에 의해서인데, 이것은 비관적인 케이스의 시나리오가 PV를 얻기위해 할인될 때 일어날 것이다. 시간대 이익을 이용하는 것은 이러한 제한을 극복하기 위해서이고, 한계 자본 비용 또는 위험 제거율이 평가에 대해 분석을 실행함으로써 결정될 때의 할인에 이용된다.
추론된 평가 절차(40)의 감독 학습 과정(206)과 부분 샘플링 절차(108) 단계(120, 122, 126)는 언더라이터가 그 과정에 참여하는 것이 능동적이지만 과정은 자동화된다는 점에서 실질적인 유사성을 갖는다. 도 6은 세그먼트화가 가능한 금융 상품(증서) 자산의 자동화 언더라이팅을 위한 과정(210)을 나타내는 흐름도이다. 금융 상품의 제1 클러스터는 공통 속성으로 정의된다(212). 속성에 기초하여 정의된 클러스터로부터 선택된 샘플을 위해 가치에 대한 전문가의 의견(214)이 주어진다. 이 의견은 샘플링 언터라이트 과정(216)에 사용되며, 가치는 속성들의 조합을 위해 검사되고, 일치된다. 과정(210)은 사용될 개별 속성을 선택하여 설정하고(220), 개별 자산을 클러스터로 분류한다(222). 클러스터 평가는 각각의 클러스터 자산에 적용된다(224). 클러스터 평가를 이용함으로써, 가치는 규칙(226)에 의해 결합되어 신용 분석표를 생성하게 된다(228).
도 7은 몇개의 모듈을 포함하는 무감독 학습의 한가지 예시 실시예(208)를 나타내는 흐름도이다. 데이터 획득 모듈(230)은 관련 데이터(78)를 이용 가능성 여부에 상관없이 수집한다. 가변 선택 모듈(232)은 다양한 자산 그룹을 분리함에 있어 신용 검토에 의해 중요한 것으로 또는 가장 강력한 판별력으로 여겨지는 자산 관련 변수를 식별한다. 계층적 세그멘테이션 모듈(234)은 분석에 의해 선택된 중요 변수에 기초하여 자산의 전체 포트폴리오를 빈으로 세그먼트화한다. FCM 모듈(236)은 자산 데이터의 고유 구조에 기초하여 각각의 빈을 클러스터로 더 분류한다. 언더라이팅 검토 모듈(238)은 프로젝트화된 캐시 플로우와 위험 스코어(138, 도 3에 도시되어 있음)를 각각의 클러스터에 할당한다. 이 스코어는 조정된 신용분석표(140)를 생성하기 위해 절차(40)에서 조정되는 클러스터로부터 자산을 위한 신용 분석표(136)에서 개별적인 자산값에 부여된다. 이 과정은 반복되고 연속적이며 컴퓨터에 의해 수행될 수 있기 때문에, 표준 언더라이팅이 다른 어디에서든 사용되는 동안 계속된다.
도 8은 도 3 및 4에 개시된 과정 대신에 사용되는 다른 예시적인 추론 가치 과정(240)을 나타낸다. 이 대체 가능한 과정(240)에서, 완전한 언더라이팅, 부분 언더라이팅 및 추정 가치의 조합을 이용하는 부동산 대부 포트폴리오에 대해 신속하게 가치 평가하는데 7단계 과정이 사용된다. 제1 단계는, 위험에 따라 자산에 샘플링 된다(242). 제2 단계로, 자산은 언더라이팅되고(244), 가치가 기록된다. 제3 단계로, 시장값 클러스터는 이하 기술된 바와 같이 FCM에 의해 형성된다(246). 제4 단계로, 회귀 모델이 언더라이팅된 자산을 위해 구축된다(248). 제5 단계로, 앞서서 구축된(248) 모델 중에서 언더라이팅된 자산을 위해 최상의 모델이 선택된다(250). 제6 단계로, 선택된 모델을 위한 카운트가 계산된다(252). 제7 단계로, 언더라이팅되지 않은 각각의 자산에 대해 개별 가치를 예측하기 위해 카운트에 의해 가중화되는 방식으로 포트폴리오(12)의 언더라이팅되지 않은 또는 추정에 의해 가치평가된 부분(42)에 상기 선택 단계(250)와 같이, 모델이 사용된다(254). 과정(240)에 따라 생성된 개별 자산 값은 조정된 신용 분석표(140)에 놓이게 된다(도 3을 참조하라).
자산을 샘플링하는 과정(242)에 있어서, 언더라이터는 검토를 상세하게 하기 위한 자산을 선택하도록 계층화 임의 샘플링을 이용한다. 계층은 담보 속성으로 구성된다. 부동산 포트폴리오를 위한 담보 속성의 예에는, 담보의 (상업용인지, 주거용인지의)용례, 이전 평가 총액, 이전 평가 총액으로부터 예측된 시장 가치 클러스터, 토지 면적, 빌딩 면적, 현재 평가 총액, 법원 경매 판매 가격, 재산 유형, 재산의 위치가 포함된다. 통상적으로, 자산은 반대로 샘플링되는데, 미납 원금 잔액("UPB") 또는 이전 평가 총액("PAA")을 감소시킴으로써 순서화된 리스트로부터 의도적으로 선택되는 것이다.
언더라이팅(244)은 전문 언더라이터가 가치 개념을 담보 자산으로 여기는 주로 수동적인 과정이다. 이 언더라이팅된 평가는 데이터베이스(76, 도 2에 도시됨)와 같은 마스터 데이터베이스표에 저장된다. 평가는 일반적으로 통화 단위(예컨대, 100,000 KRW)로 총계를 내고, 이것이 현재의 시장 가격이 된다.
도 9는 시스템(28)에 의해 채택된 과정의 자동화 부분을 고레벨로 나타낸 개략도(290)이다. 자동화 절차는 절차(34, 도 3을 참조하라)에 기초하여 완전한 언더라이팅을 보조하기 위해 언더라이터에 의해 사용된다. 절차(34)에서 취한 정보가 금융 상품의 듀 딜리전스 평가(due diligence valuation)에서의 비용과 불확실성을 감소시키기 위해, 듀 딜리전스 평가간의 비용과 변동성을 감소시키기 위해 추론된 평가 절차(40)에 사용된다. 이 평가는 자산 지수 평가(146), 결정적 캐시 플로우 브리지(148), 확률적 캐시 플로우 브리지(152) 및 캐시 플로우표(150)을 포함하는 캐시 플로우 모델이 된다. 이러한 결과의 입찰 평가(154)는 모험 전략(160) 및 관리 조정(162)이 되어 최종 입찰(164)을 생성하게 된다.
도 10은 클러스터(246)를 형성하는 예시적 실시예를 나타낸 흐름도이다. 클러스터(246)를 형성함에 있어서, 언더라이터는 예시적 알고리즘(134, 도 3에 도시됨)과 같은 알고리즘으로, 분류와 회귀 트리 모델을 이용하는 분석을 수행하고, 이 결과가 담보 용례 및 시장 가치("CUMV") 그룹에 의해 UW 자산의 그룹화를 이루게 되고, 구동 변수와 같이 이전 평가 총액("PAA")을 이용하게 된다.
분류와 회귀 트리 모델의 성능을 평가하는 2가지 방법이 이하에 개략적으로 설명되어 있다. 제1 방법은 단순한 모델로서 분류와 회귀 트리 방법의 스퀘어 에러의 합의 비율, 간단히 에러 비율을 이용한다. 단순한 모델은 평균 자산 가격을 모든 자산에 할당하는 모델이다. 제2 방법은 R2로 표시된 판별 계수를 계산하는 것인데, R2=1-(SSE/SST)로 정의된다. 여기서 SST는 전체 스퀘어의 합이다. R2는 전체 분포에 대한 각 세그먼트내의 단일 자산의 기여이며, 특정 세그먼트내의 자산에 대한 R2값이 높아지면 기여가 더 높아진다. 상이한 포트폴리오 세그먼트는 각 포트폴리오 세그먼트내에 모델의 예측가능성이 얼마나 좋은지를 나타내는 2가지 방법에 기초하여 순위가 매겨지고, 가격, 예컨대 각 트랑슈에 의해 입찰자에게 만족할만한 수준을 제공한다.
랭크 에러율 및 자산 당 R2값
제1 단계는 관련 포트폴리오 분할을 정의하는 것이다. 이 분할은 사전에 미리 정의된 트랑슈, 예를 들어 산업에 기초하여 미납 원금 잔액(UPB)량, 지역 또는 고객 위험에 기초하여 될 수도 있다. 상기 표 C는 트랑슈와 자산 랭킹(B 또는 C)에 기초하여 정의된 세그먼트이다.
표 C는 포트폴리오 조사로부터의 예시적 결과에 5개의 트랑슈와 2개의 상이한 자산 타입(B, C)를 제공한다. 이 표는 상이한 세그먼트에 대해 에러율이 어떻게 랭크되어 있는지를 보여준다. 또, 각 자산에 대한 R2값은 각 세그먼트내에서 타입 C의 자산에 대해 계산된다.
제2 단계는 분류 및 회귀 트리 모델에 대한 각각의 관련 포트폴리오 세그먼트와 단순 모델에 대한 각각의 관련 포트폴리오 세그먼트에 대한 SSE 값을 계산[평균 가격에 대한 외삽법에 의한 추정]하는 것이다. 에러율은 단순 모델에 기초한 SSE에 의해 분리된 분류 및 회귀 트리 모델에 기초한 SSE로부터 계산된다 만일 에러율이 1 이하라면, 분류 및 회귀 트리 모델은 단순 모델에 비해 더 향상된 예측 기구이다. 이러한 이점에 대해, 에러율 측정기준에 따라 각각의 세그먼트에서 최상으로 수행하는 모델을 선택함으로써 분류 및 회귀 트리와 단순 모델의 "하이브리드식" 조합으로 상급의 모델이 결합될 수 있다.
제3 단계는 각 포트폴리오 세그먼트내에서 각 자산에 대한 R2값을 계산하는 것이다. 자산에 대한 R2값은 세그먼트당 SST에서 세그먼트당 SSE를 뺀 값에서, 모든 자산에 대한 전체 SST에 각 세그먼트내의 자산의 수를 곱한 값을 나눈 값이다.
마지막으로, 모든 세그먼트는 제2 단계에서 계산된 에러율에 기초하여 순위가 매겨지고, R2값은 제3 단계에서 계산된다. 이 모델은 2개의 측정기준에서의 높은 순위를 갖는 세그먼트에 대해 가격을 예측하는 것이 정확하고, 에러율, R2값 및 상급 모델은 이들 측정기준을 이용하여 조합된다.
표 D는 2개의 성능 측정기준에 기초하여 (표 C로부터의)타입 C의 자산에 대해 5개의 트랑슈에 대해 상대적인 순위를 매긴 것을 보여주고 있다.
포트폴리오 세그먼트 랭킹
도 10은 모델링을 위한 클러스터를 선택하기 위해 FCM을 이용한 클러스터(246)를 형성하는 예시적 실시예를 나타내는 흐름도이다. 컴퓨터(38, 도 2에 도시되어 있음)가 클러스터(246)를 형성하는 것은 선택된 데이터(78)를 취하고, FCM 분석을 수행함으로써 클러스터를 생성하게 된다.
도 11은 모델 구축(248), 최상의 모델 선택(250) 및 카운트 계산(252)을 나태내며, 여기서 6개의 모델이 데이터베이스(76)를 이용하여 구축된다. 이 과정은 컴퓨터(38, 도 3에 도시되어 있음)에 의해 수행된다. 모델 구축(248)은 언더라이터가 완전한 언더라이팅(14), 샘플식 언더라이팅(34) 및 추론 가치를 위한 자산을 우선순위화하는데 있어서 도움을 주는데 사용된다.
도 11의 하부는 모델 구축(248d)에 따라 구축된 6개의 모델로부터 최상의 모델을 선택(250)하는 예시적 실시예를 나타내는 표이다. 이 모델들은 X로 사용된 변수에 따라 다르다. 모든 모델은 CUMV 클러스터(이들은 모든 자산에 대해 존재한다)를 이용한다. 모델 구축(248)으로부터의 모델은 시장 가격("MAV")에 더하여 법원 경매 가격("CAV")(256)을 예측하는데 사용된다. 다른 실시예들(도시하지 않음)은다른 값들을 예측하기 위해 다른 모델을 이용한다.
최상의 모델을 선택(250)함에 있어서, 고려중인 K 회귀 모델(여기서, K=6)의 최상의 모델이 선택된다. 각각의 UW 자산에 대해 최상이 모델은 다음 측정기준에 의해 이루어지며, 여기서 y는 예측되는 UW값이고,는 k번째 회귀 모델로부터의 예측이다. 여기서 k=1,2,..., K 이다.
카운트를 계산(252)함에 있어서, 각 K 모델에 대한 회수는 카운트되는 각각의 CUMV 클러스터내에서 선택된다. 도 11은 CAV 및 MAV 모델링 시나리오에 대한 이들 카운트를 포함한다. 다른 모델링 시나리오는 다른 실시예에 사용된다.
모델을 적용(254)함에 있어서, 각각의 non-UW 자산에 대한 모든 모델로부터 가중화된 평균 예측이 사용된다. 가중치는 계산된 카운트의 회수로부터 구성되고(252), 예측은 모델링 과정으로부터 이루어진다. 일실시예에 있어서, 상업적 통계 분석 소프트웨어 시스템이 모델을 생성하는데 사용된다. 통계적 분석 소프트웨어 시스템을 이용하는 아티팩트는 각각의 입력 변수, 즉 "X 변수"를 non-UW 자산이 갖기 위한 각각의 모델로부터 예측된 UW 변수를 얻는 각각의 non-UW 자산이 존재한다는 것이다. 다른 모델링 패키지는 이러한 특징을 공유한다. 이하의 수학식 E는 이러한 과정을 상세히 나타내고 있다.
수학식 C에 있어서, 모델 k가 자산l에 대해 예측값을 생성하면I lk=1 이고, 생성하지 않으면I lk=0 이 된다.f ijk 는 i번째 CUMV 타입(i=1,2), j번째 CUMV 클러스터(j=1,2,3) 중에서 UW 자산을 위해 선택된 모델 k의 회수 카운트이고,는 모델 k로부터yl에 대한 예측값이다. 주의할 것은 자산이 예측값을 갖기 위한 각각의 모델링 방법으로부터의 분담금만 존재하며, 동일 CUMV 클러스터의 모든 UW 자산에 대해 선택되는 모델링 방법의 회수에 의해 가중화된다.
과정(240)은 수학식 E에서의에 대해 대응하는 통계에 대신하여, 평균 예측에 대한 하한 신뢰도("LCL")와 상한 신뢰도("UCL")를 추정하는데 사용된다.
도 3을 다시 참조하여 보면, 감독 학습 과정(206)과 무감독 학습 과정(208)이 클러스터화를 이용한다. "클러스터화"는 패턴을 그룹 또는 클러스터로 구성함으로써 설정된 데이터 패턴 중에서 관련사항을 평가하여, 상이한 클러스터에 속하는 패턴이 되는 것이 아니라 클러스터내의 패턴이 더 유사하게 되는 도구이다. 즉, 클러스터화의 목적은 대규모 데이터 세트로부터 데이터의 그룹화를 자연스럽게 하고 시스템 동작을 단순하게 나타내기 위한 것이다. 무감독 학습 단계(208)는 퍼지 클러스터링 방법("FCM"), 자동 평가를 위한 그룹 자산에 대해 지식 공학을 채택한다. FCM은 통계 모델링에 광범위하게 사용되고 적용되는 공지된 방법이다. 이 방법은 목적은 클러스터간 거리를 최소화하고 클러스터내 거리를 최대화하는 것이다. 유클리드 거리가 일반적으로 사용된다.
FCM(248, 도 10 참조)도 클러스터간 거리를 최소화하고 클러스터내 거리를최대화하는데 사용된다. 일반적으로, 유클리드 거리가 사용된다. FCM은 비용 함수를 최소화하는 반복적인 최적화 알고리즘이다.
여기서,n은 데이터 포인트 번호이고,c는 클러스터 번호이며,X k 는k번째 데이터 포인트이고,V i 는i번째 클러스터 중심이며,μ ik 는i번째 클러스터에서k번째 데이터의 멤버쉽 정도이고, m은 1보다 큰(일반적으로 m=2) 상수이다. 주의할 것으로,μ ik 는 실수이고 [0,1]로 제한된다.μ ik =1 이라는 것은i번째 데이터가k번째 클러스터에서 명확하다는 것이고,μ ik =0 이라는 것은i번째 데이터가k번째 클러스터에서 명확하지 않다는 것을 의미한다.μ ik =0.5 라는 것은i번째 데이터가k번째 클러스터에서 부분적으로 0.5 에 가깝다는 것을 의미한다. 직관적으로, 비용 함수는 각각의 데이터 포인트가 특정 클러스터에 정확하게 속하고 어떤 다른 클러스터에 대한 멤버십의 부분 정도가 없는 경우 최소화될 것이다. 즉, 클러스터가 속하는 클러스터에 각각의 데이터 포인트를 할당하는 것이 불명확하지 않다.
멤버십 정도μ ik 는 다음과 같이 정의된다.
직관적으로,μ ik 는 클러스터 중심Vi에서 데이터 포인트Xk의 멤버십의 정도를 나타내고,Xk가Vi에 가까와질수록 증가하게 된다. 이와 동시에,μ ik 는Xk가Vj(다른 클러스터)로부터 멀어질수록 더 작아지게 된다.
i번째 클러스터 중심Vi는 다음과 같이 정의된다.
직관적으로,Vi는i번째 클러스터 중심이고,Xk의 좌표의 가중화된 합이다. 여기서k는 데이터 포인트 번호이다.
바람직한 클러스터 c의 수와 각각의 클러스터 중심 Vi, i=1,2,...,c 로 시작할 때, FCM은 비용 함수의 새들 포인트 또는 로컬 최소값 중 하나를 나타내는 Vi에 대한 해결에 집중할 것이다. FCM 해결의 성질은 대부분의 비선형 최적화 문제와 마찬가지로, 초기값, 개수 c와 초기 클러스터 중심 Vi의 선택에 크게 좌우된다.
일실시예에 있어서, 전체 포트폴리오(12)는 관리되지 않은 퍼지 클러스터링에 의해 세그먼트화되고, 각 클러스터는 언더라이팅 전문가에 의해 검토된다. 이에의하여, 완전한 언더라이팅(14)과 샘플링 언더라이팅(34)을 위한 금융 상품을 언더라이터가 선택하는데 도움을 주게 된다. 이와 달리, FCM은 부분(42)에 적용될 수 있다. 그 결과, 각 클러스터는 조정(138, 도 3 참조)의 목적을 위한 HELTR 복합 스코어를 할당한다. 본질적으로, HELTR 복합 스코어는 예측된 그리고 캐시 플로우의 범위를 획득하고, 그 타이밍과 위험은 각 클러스터와 관련된다.
도 2를 참조하여 보면, 전체 포트폴리오(12)에 대한 완전한 언더라이팅 부분(16)의 비율은 자산의 예시적 실시예 25%와 모든 자산의 액면가의 60%가 되다. 이들 자산의 완전한 언더라이팅은 그 사이즈와 가치에 의해 보증된다. 그러나, 이러한 언더라이팅은 모든 언더라이터에 대해 공평하게 균등하고, 이 언더라이팅은 중요한 입찰 분산을 생성하지는 않을 것이다. 그러나, 나머지 40%는 부분(36, 42)을 구성하고, 예시적 실시예가 자산의 75%를 형성하지만, 액면가의 40%만이 언더라이팅 동안 매우 투기성이 된다. 예를 들어, 제한 없이 부분(36, 42f)에서 알 수 있는 한계값까지, 총 외삽법에 의한 추정액에서 5%를 초과하여, 그 차이는 전체 포트폴리오 입찰에서 승리하고 패배하는 차이를 의미하고, 전체 트랑슈 입찰은 이익이 수만달러 차이가 난다는 것을 의미한다.
보험 정책의 경우에 있어서, 절차(40)에 따라, 통계는 3개의 기본 질문을 하는데 사용된다. 이 3가지 질문은 (a) 어떻게 데이터를 수집하여야 하는가? (b) 수집한 데이터를 어떻게 요약하는가? (c) 데이터의 요약이 얼마나 정확한가? 이다. 알고리즘(134)은 (c)에 대한 답이 되고, 복잡한 이론적 증명이 없는 컴퓨터에 기반을 둔 방식이다. 보험 정책 추론 가치를 위한 알고리즘(134)은 통상적인 통계적 분석에 대해 너무 복잡한 통계적 추론의 해결에 적당하다. 보험 정책 가치를 위한 알고리즘(134)은 대체 샘플링을 반복함으로써 통계적 추정값의 분배를 시뮬레이트한다. 이 알고리즘은 다음 3가지 주요 단계로 구성된다. 이들 단계는 (Ⅰ) 대체 샘플링, (Ⅱ) 관련 통계의 평가, (Ⅲ) 표준 편차 추정이다.
보험 알고리즘(134)에 따라, NPV 표준 에러의 추정값은 다음과 같이 된다. 위험 모델 각각에 대해 그리고 모델에서의 각 세그먼트에 대해, 세그먼트에는 N개의 정책이 있다고 가정하고, n개의 샘플이 대체 샘플링을 이용하여 선택된다(예를 들어, n=100). 이 실시예에서도 각 샘플은 N개의 정책을 포함한다. 각 샘플에 대해 그리고 모든 역사적 정책은 다음과 같다.
다음으로, 순현재가치는 최신의 정책에 의해 수학식 J에 의해 생성된다.
n개의 NPV 가치에 대한 표본 표준 편차를 계산한다. 수학식 I에 있어서,Act는 액추얼 클레임이고,Wtdexp는 각 개별 정책에 대한 가중화된 예측 클레임이다.
도 12는 신용 스코어(138)에 대한 예시적 규칙들과 예시적 기준(80)에 대한 표이다. 금융 상품의 유형과 특정 입찰 조건이나 다른 목적 또는 입찰자의 선호에따라 기타 다른 기준이 선택될 수 있다.
도 13은 트리차트(66, 도 2의 하부 참조)에 유사한 트리차트도(260)를 더욱 자세히 나타낸 도면이다. 도 13에 있어서, 분할은 (a) 담보화되었는지, (b) 회전되었는지, (c) 최종 지불금이 없었는지에 따라 이루어진다. 이 결과는 트리로서 알려진 6개의 클러스터(262, 264, 266, 268, 270, 272)가 된다.
도 14는 본 발명의 일실시예에 따른 예시적 시스템(300)을 나타낸다. 이 시스템(300)은 서버(302)로서 구성된 적어도 하나의 컴퓨터와 이 서버에 결합된 복수 개의 다른 컴퓨터(304)를 포함하여 네트워크를 형성한다. 일실시예에 있어서, 컴퓨터(304)는 웹 브라우저를 포함하는 클라이언트 시스템이고, 서버(302)는 인터넷으로 컴퓨터(304)에 억세스 가능하고, 서버(302)는 컴퓨터이다. 컴퓨터(304)는 근거리 통신망(LAN)이나 광대역 통신망(WAN), 다이얼식 접속, 케이블 모뎀 및 초고속 ISDN 회선과 같은 네트워크를 포함하는 많은 인터페이스를 통해 인터넷에 상호접속이 가능하다. 컴퓨터(304)는 무선 웹이나 위성을 포함하는 웹폰이나 다른 웹에 기반을 둔 접속 가능한 장비를 갖춘 인터넷에 상호 접속이 가능한 어떠한 장치도 가능하다. 서버(302)는 자산 포트폴리오 세트를 나타내는 데이터를 포함하는 중앙 데이터베이스(76, 도 2에 도시되어 있음)에 접속된 데이터베이스 서버(306)를 포함한다. 일실시예에 있어서, 중앙 데이터베이스(76)는 데이터베이스 서버(306)에 저장되고, 컴퓨터(304) 중 하나를 통해 서버 부시스템(302)에 로그인함으로써 컴퓨터(304)중 하나에서 사용자에 의해 엑세스된다. 다른 실시예에 있어서, 중앙 데이터베이스(76)는 서버(302)로부터 원격적으로 저장된다. 서버(302)는 상기 언급된 가치 평가 방법을 위한 정보를 수신하여 저장하도록 구성된다.
시스템(300)이 네트워크화된 시스템으로 기술되어 있지만, 자산 포트폴리오의 시험과 조작을 위해 본 명세서에 개시된 방법과 알고리즘은 다른 컴퓨터에 네트워크화되지 않은 독립 컴퓨터 시스템에서도 구현이 가능하다는 것을 알 수 있을 것이다.
본 발명이 다양한 특정의 실시예에 의해 개시되어 있지만, 본 발명의 당업자라면 청구범위내에서 변형이 가능하다는 것을 알 수 있을 것이다.

Claims (30)

  1. 완전히 언더라이팅된 자산과, 유사한 식별 가능한 특성이 있는 부분적 또는 불완전한 데이터 표현을 갖는 언더라이팅되지 않은 자산으로부터 완전한 데이터 표현 및 이용 가능한 데이터를 갖는 다른 언더라이팅되지 않은 자산 중 적어도 하나로부터 언더라이팅되지 않은 자산에 가치를 투영함으로써 데이터 표현이 부분적 또는 불완전한 언더라이팅되지 않은 자산의 가치를 예측하는 방법(240)에 있어서,
    위험에 따라 자산을 샘플링하는 단계(242)와,
    자산을 언더라이팅하고 평가액을 기록하는 단계(244)와,
    시장 가치 클러스터를 형성하는 단계(246)와,
    언더라이팅된 자산에 대한 회귀 모델을 구축하는 단계(248)와,
    상기 언더라이팅된 자산에 대한 최상의 모델을 선택하는 단계(250)와,
    상기 모델이 선택된 횟수를 카운팅하는 단계(252)와,
    상기 언더라이팅되지 않은 자산에 대한 언더라이팅 가치를 예측하기 위해 상기 선택된 모델을 이용하는 단계(254)
    를 포함하는 자산 가치 예측 방법.
  2. 제1항에 있어서, 위험에 따라 자산을 샘플링하는 상기 단계(242)는 감소하는 미납의 원금 잔액 및 이전 평가 총액 중 적어도 하나에 의해 정돈된 리스트로부터 자산을 선택하는 단계를 더 포함하는 것인 자산 가치 예측 방법.
  3. 제1항에 있어서, 자산을 언더라이팅하고 평가액을 기록하는 상기 단계(244)는 현재 시장 가격에서 화폐 단위로 환산하여 요약된 평가액을 마스터 데이터베이스(76)에 저장하는 단계를 더 포함하는 것인 자산 가치 예측 방법.
  4. 제1항에 있어서, 시장 가치 클러스터를 형성하는 상기 단계(246)는 담보 용례 및 시장 가치 그룹에 따라 자산이 분류되도록, 이전 평가 총액을 구동 변수로 사용하여 분류 및 회귀 나무 분석을 수행하는 단계를 더 포함하는 것인 자산 가치 예측 방법.
  5. 제1항에 있어서, 언더라이팅된 자산에 대한 회귀 모델을 구축하는 상기 단계(248)는 상이한 그룹의 데이터 표현을 변수로 사용하는 모델을 구축하는 단계를 더 포함하는 것인 자산 가치 예측 방법.
  6. 제5항에 있어서, 상기 언더라이팅된 자산에 대한 최상의 모델을 선택하는 상기 단계(250)는
    에 따라 모델을 선택하는 단계를 더 포함하며,
    여기서 y는 예측되는 언더라이팅 가치이고,는 k = 1, 2, ..., K(K는 구축(248)된 모델수)에 대한 kth회귀 모델로부터의 예측인 것인 자산 가치 예측 방법.
  7. 제1항에 있어서, 상기 모델이 선택된 횟수를 카운팅하는 단계(252)는 각 모델이 자산 언더라이팅을 위한 최상의 예측을 산출하는 횟수를 카운팅하는 단계를 더 포함하는 것인 자산 가치 예측 방법.
  8. 제1항에 있어서, 상기 언더라이팅되지 않은 자산에 대한 언더라이팅 가치를 예측하기 위해 상기 선택(250)된 모델을 이용하는 상기 단계(254)는
    에 따라 언더라이팅 가치를 예측하는 단계를 더 포함하며,
    여기서I lk 는 모델k가 자산l에 대한 예측을 산출한 경우에는 1이고, 그렇지 않은 경우에는 0이며;f ijk 는 모델k가 ith담보 용례 및 시장 가치 그룹 타입(i=1,2)과 jth담보 용례 및 시장 가치 그룹 클러스터(j=1,2,3)에 따라 UW 자산에 대해 선택된 횟수의 카운트이며;는 모델k로부터y l 에 대한 예측인 것인 자산 가치 예측 방법.
  9. 제8항에 있어서, 상기 예측된 언더라이팅 가치에 대한 신뢰 하한 및 신뢰 상한 중 적어도 하나를 추정하는 단계를 더 포함하는 자산 가치 예측 방법.
  10. 제9항에 있어서, 신뢰 하한 및 신뢰 상한 중 적어도 하나를 추정하는 상기 단계는에 대응 통계치를 대입하는 단계를 더 포함하는 것인 자산 가치 예측 방법.
  11. 완전히 언더라이팅된 자산과, 유사한 식별 가능한 특성이 있는 부분적 또는 불완전한 데이터 표현을 갖는 언더라이팅되지 않은 자산으로부터 완전한 데이터 표현 및 이용 가능한 데이터를 갖는 다른 언더라이팅되지 않은 자산 중 적어도 하나로부터 언더라이팅되지 않은 자산에 가치를 투영함으로써 데이터 표현이 부분적 또는 불완전한 언더라이팅되지 않은 자산의 가치를 예측하는 시스템(240)에 있어서,
    서버(302)와 같이 구성되고 자산 포트폴리오(12)의 데이터베이스(76)와 함께 구성되는 컴퓨터(304)를 포함하며,
    적어도 하나의 클라이언트 시스템이 네트워크를 통해 상기 서버에 연결되고,
    상기 서버는, 위험에 따라 자산을 샘플링(242)하고, 자산을 언더라이팅하고 평가액을 기록(244)하고, 시장 가치 클러스터를 형성(246)하고, 언더라이팅된 자산에 대한 회귀 모델을 구축(248)하고, 상기 언더라이팅된 자산에 대한 최상의 모델을 선택(250)하고, 상기 모델이 선택된 횟수를 카운팅(252)하며, 상기 언더라이팅되지 않은 자산에 대한 언더라이팅 가치를 예측하기 위해 상기 선택된 모델을 이용(254)하도록 구성되는 것인 자산 가치 예측 시스템.
  12. 제11항에 있어서, 상기 서버(302)는 감소하는 미납의 원금 잔액 및 이전 평가 총액 중 적어도 하나에 의해 정돈된 리스트로부터 자산을 선택하도록 구성되는 것인 자산 가치 예측 시스템.
  13. 제11항에 있어서, 상기 서버(302)는 현재 시장 가격에서 화폐 단위로 환산하여 요약된 평가액을 마스터 데이터베이스(76)에 저장하도록 구성되는 것인 자산 가치 예측 시스템.
  14. 제11항에 있어서, 상기 서버(302)는 담보 용례 및 시장 가치 그룹에 따라 자산이 분류되도록, 이전 평가 총액을 구동 변수로 사용하여 분류 및 회귀 나무 분석을 수행하도록 구성되는 것인 자산 가치 예측 시스템.
  15. 제11항에 있어서, 상기 서버(302)는 상이한 그룹의 데이터 표현을 변수로 사용하는 모델을 구축(248)하도록 구성되는 것인 자산 가치 예측 시스템.
  16. 제15항에 있어서, 상기 서버(302)는
    에 따라 모델을 선택(250)하도록 구성되며,
    여기서 y는 예측되는 언더라이팅 가치이고,는 k = 1, 2, ..., K(K는 구축(248)된 모델수)에 대한 kth회귀 모델로부터의 예측인 것인 자산 가치 예측 시스템.
  17. 제11항에 있어서, 상기 서버(302)는 각 모델이 자산 언더라이팅을 위한 최상의 예측을 산출하는 횟수를 카운팅(252)하도록 구성되는 것인 자산 가치 예측 시스템.
  18. 제11항에 있어서, 상기 서버(302)는
    에 따라 언더라이팅 가치를 예측하도록 구성되며,
    여기서I lk 는 모델k가 자산l에 대한 예측을 산출한 경우에는 1이고, 그렇지 않은 경우에는 0이며;f ijk 는 모델k가 ith담보 용례 및 시장 가치 그룹타입(i=1,2)과 jth담보 용례 및 시장 가치 그룹 클러스터(j=1,2,3)에 따라 UW 자산에 대해 선택된 횟수의 카운트이며;는 모델k로부터y l 에 대한 예측인 것인 자산 가치 예측 시스템.
  19. 제18항에 있어서, 상기 서버(302)는 상기 예측된 언더라이팅 가치에 대한 신뢰 하한 및 신뢰 상한 중 적어도 하나를 추정하도록 구성되는 것인 자산 가치 예측 시스템.
  20. 제19항에 있어서, 상기 서버(302)는에 대응 통계치를 대입하도록 구성되는 것인 자산 가치 예측 시스템.
  21. 완전히 언더라이팅된 자산과, 유사한 식별 가능한 특성이 있는 부분적 또는 불완전한 데이터 표현을 갖는 언더라이팅되지 않은 자산으로부터 완전한 데이터 표현 및 이용 가능한 데이터를 갖는 다른 언더라이팅되지 않은 자산 중 적어도 하나로부터 언더라이팅되지 않은 자산에 가치를 투영함으로써 데이터 표현이 부분적 또는 불완전한 언더라이팅되지 않은 자산의 가치를 예측하도록 구성되고, 자산 포트폴리오(12)의 데이터베이스(76)를 포함하는 컴퓨터(38)에 있어서,
    위험에 따라 자산을 샘플링하고,
    자산을 언더라이팅하고 평가액을 기록하고,
    시장 가치 클러스터를 형성하고,
    언더라이팅된 자산에 대한 회귀 모델을 구축하고,
    상기 언더라이팅된 자산에 대한 최상의 모델을 선택하고,
    상기 모델이 선택된 횟수를 카운팅하며,
    상기 언더라이팅되지 않은 자산에 대한 언더라이팅 가치를 예측하기 위해 상기 선택된 모델을 이용하도록 프로그램화된 자산 가치 예측 컴퓨터.
  22. 제21항에 있어서, 감소하는 미납의 원금 잔액 및 이전 평가 총액 중 적어도 하나에 의해 정돈된 리스트로부터 자산을 선택하도록 프로그램화된 자산 가치 예측 컴퓨터.
  23. 제21항에 있어서, 현재 시장 가격에서 화폐 단위로 환산하여 요약된 평가액을 마스터 데이터베이스(76)에 저장하도록 프로그램화된 자산 가치 예측 컴퓨터.
  24. 제21항에 있어서, 담보 용례 및 시장 가치 그룹에 따라 자산이 분류되도록, 이전 평가 총액을 구동 변수로 사용하여 분류 및 회귀 나무 분석을 수행하도록 프로그램화된 자산 가치 예측 컴퓨터.
  25. 제21항에 있어서, 상이한 그룹의 데이터 표현을 변수로 사용하는 모델을 구축(248)하도록 프로그램화된 자산 가치 예측 컴퓨터.
  26. 제25항에 있어서,
    에 따라 모델을 선택(250)하도록 프로그램화되며,
    여기서 y는 예측되는 언더라이팅 가치이고,는 k = 1, 2, ..., K(K는 구축(248)된 모델수)에 대한 kth회귀 모델로부터의 예측인 것인 자산 가치 예측 컴퓨터.
  27. 제21항에 있어서, 각 모델이 자산 언더라이팅을 위한 최상의 예측을 산출하는 횟수를 카운팅(252)하도록 프로그램화된 자산 가치 예측 컴퓨터.
  28. 제21항에 있어서,
    에 따라 언더라이팅 가치를 예측하도록 프로그램화되며,
    여기서I lk 는 모델k가 자산l에 대한 예측을 산출한 경우에는 1이고, 그렇지 않은 경우에는 0이며;f ijk 는 모델k가 ith담보 용례 및 시장 가치 그룹타입(i=1,2)과 jth담보 용례 및 시장 가치 그룹 클러스터(j=1,2,3)에 따라 UW 자산에 대해 선택된 횟수의 카운트이며;는 모델k로부터y l 에 대한 예측인 것인 자산 가치 예측 컴퓨터.
  29. 제28항에 있어서, 상기 예측된 언더라이팅 가치에 대한 신뢰 하한 및 신뢰 상한 중 적어도 하나를 추정하도록 프로그램화된 자산 가치 예측 컴퓨터.
  30. 제29항에 있어서,에 대응 통계치를 대입하도록 프로그램화된 자산 가치 예측 컴퓨터.
KR1020017011075A 1999-12-30 2000-12-27 입력이 없는 상황에서의 가치 평가 예측 모델 KR20010103784A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US17387599P 1999-12-30 1999-12-30
US60/173,875 1999-12-30
US09/745,821 US7165043B2 (en) 1999-12-30 2000-12-21 Valuation prediction models in situations with missing inputs
US09/745,821 2000-12-21
PCT/US2000/035369 WO2001050322A2 (en) 1999-12-30 2000-12-27 Valuation prediction models in situations with missing inputs

Publications (1)

Publication Number Publication Date
KR20010103784A true KR20010103784A (ko) 2001-11-23

Family

ID=26869631

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020017011075A KR20010103784A (ko) 1999-12-30 2000-12-27 입력이 없는 상황에서의 가치 평가 예측 모델

Country Status (11)

Country Link
US (1) US7165043B2 (ko)
JP (1) JP2004506959A (ko)
KR (1) KR20010103784A (ko)
CN (1) CN1372667A (ko)
BR (1) BR0008632A (ko)
CA (1) CA2362447A1 (ko)
CZ (1) CZ20013132A3 (ko)
HK (1) HK1050061A1 (ko)
MX (1) MXPA01008620A (ko)
TW (1) TW530235B (ko)
WO (1) WO2001050322A2 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100468546B1 (ko) * 2000-07-15 2005-01-29 이밸류(주) 이자율 평활모형을 이용한 자산가격의 추정 방법
KR100477014B1 (ko) * 2000-07-15 2005-03-17 이밸류(주) 축약모형을 이용한 위험자산의 가격 추정 방법
KR100766149B1 (ko) * 1999-12-30 2007-10-10 지이 캐피탈 커머셜 파이낸스 인코포레이티드 컴퓨터로 구현되는 자산 샘플링 방법, 시스템 및 컴퓨터
KR100766148B1 (ko) * 1999-12-30 2007-10-10 지이 캐피탈 커머셜 파이낸스 인코포레이티드 자산 가치 평가에 대한 최소 변동 가정 선택을 위한 컴퓨터로 구현되는 방법과, 포트폴리오 가치 평가 시스템 및 컴퓨터

Families Citing this family (57)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7251629B1 (en) 1999-10-14 2007-07-31 Edge Capture, Llc Automated trading system in an electronic trading exchange
US7177833B1 (en) * 2000-07-18 2007-02-13 Edge Capture, Llc Automated trading system in an electronic trading exchange
CN1466730A (zh) * 2000-10-02 2004-01-07 瑞士再保险公司 在线再保险容量拍卖系统和方法
US20020042731A1 (en) * 2000-10-06 2002-04-11 King Joseph A. Method, system and tools for performing business-related planning
CA2326055A1 (en) 2000-11-15 2002-05-15 Reavs Information Technologies Limited Method and system for automated decisioning in financial lending processes
US7117174B2 (en) * 2000-12-22 2006-10-03 General Electric Company Capital analysis tool for medical diagnostic systems and institutions
WO2002063424A2 (en) * 2001-02-02 2002-08-15 Wisconsin Alumni Research Foundation Method for forecasting prices and other attributes of agricultural commodities
US20020143604A1 (en) 2001-02-02 2002-10-03 Wisconsin Alumni Research Foundation Method for forecasting the effects of trade policies and supply and demand conditions on the world dairy sector
US7110525B1 (en) 2001-06-25 2006-09-19 Toby Heller Agent training sensitive call routing system
US7792714B1 (en) * 2001-12-28 2010-09-07 Fannie Mae System and method for providing a common data and analytic framework for valuating financial instruments and portfolios
US20030177032A1 (en) * 2001-12-31 2003-09-18 Bonissone Piero Patrone System for summerizing information for insurance underwriting suitable for use by an automated system
US7899688B2 (en) 2001-12-31 2011-03-01 Genworth Financial, Inc. Process for optimization of insurance underwriting suitable for use by an automated system
US7844477B2 (en) * 2001-12-31 2010-11-30 Genworth Financial, Inc. Process for rule-based insurance underwriting suitable for use by an automated system
US7630910B2 (en) * 2001-12-31 2009-12-08 Genworth Financial, Inc. System for case-based insurance underwriting suitable for use by an automated system
US20030182159A1 (en) * 2001-12-31 2003-09-25 Bonissone Piero Patrone Process for summarizing information for insurance underwriting suitable for use by an automated system
US7844476B2 (en) * 2001-12-31 2010-11-30 Genworth Financial, Inc. Process for case-based insurance underwriting suitable for use by an automated system
US7818186B2 (en) * 2001-12-31 2010-10-19 Genworth Financial, Inc. System for determining a confidence factor for insurance underwriting suitable for use by an automated system
US8005693B2 (en) * 2001-12-31 2011-08-23 Genworth Financial, Inc. Process for determining a confidence factor for insurance underwriting suitable for use by an automated system
US7895062B2 (en) 2001-12-31 2011-02-22 Genworth Financial, Inc. System for optimization of insurance underwriting suitable for use by an automated system
US8793146B2 (en) 2001-12-31 2014-07-29 Genworth Holdings, Inc. System for rule-based insurance underwriting suitable for use by an automated system
US6928418B2 (en) * 2002-10-25 2005-08-09 Michaud Partners, Llp Portfolio rebalancing by means of resampled efficient frontiers
US9818136B1 (en) 2003-02-05 2017-11-14 Steven M. Hoffberg System and method for determining contingent relevance
US7640201B2 (en) * 2003-03-19 2009-12-29 General Electric Company Methods and systems for analytical-based multifactor Multiobjective portfolio risk optimization
US20040186804A1 (en) * 2003-03-19 2004-09-23 Anindya Chakraborty Methods and systems for analytical-based multifactor multiobjective portfolio risk optimization
US7593880B2 (en) 2003-03-19 2009-09-22 General Electric Company Methods and systems for analytical-based multifactor multiobjective portfolio risk optimization
DE10313693A1 (de) * 2003-03-27 2004-10-21 Sap Ag Verfahren zur automatischen Wertberichtigung von bilanzrelevanten Objekten
US7801748B2 (en) * 2003-04-30 2010-09-21 Genworth Financial, Inc. System and process for detecting outliers for insurance underwriting suitable for use by an automated system
US7567914B2 (en) * 2003-04-30 2009-07-28 Genworth Financial, Inc. System and process for dominance classification for insurance underwriting suitable for use by an automated system
US7383239B2 (en) 2003-04-30 2008-06-03 Genworth Financial, Inc. System and process for a fusion classification for insurance underwriting suitable for use by an automated system
US7813945B2 (en) * 2003-04-30 2010-10-12 Genworth Financial, Inc. System and process for multivariate adaptive regression splines classification for insurance underwriting suitable for use by an automated system
US20040236611A1 (en) * 2003-04-30 2004-11-25 Ge Financial Assurance Holdings, Inc. System and process for a neural network classification for insurance underwriting suitable for use by an automated system
US7881994B1 (en) * 2003-09-11 2011-02-01 Fannie Mae Method and system for assessing loan credit risk and performance
US20050125253A1 (en) * 2003-12-04 2005-06-09 Ge Financial Assurance Holdings, Inc. System and method for using medication and medical condition information in automated insurance underwriting
US7698159B2 (en) * 2004-02-13 2010-04-13 Genworth Financial Inc. Systems and methods for performing data collection
US7469228B2 (en) * 2004-02-20 2008-12-23 General Electric Company Systems and methods for efficient frontier supplementation in multi-objective portfolio analysis
US7542932B2 (en) * 2004-02-20 2009-06-02 General Electric Company Systems and methods for multi-objective portfolio optimization
US8219477B2 (en) * 2004-02-20 2012-07-10 General Electric Company Systems and methods for multi-objective portfolio analysis using pareto sorting evolutionary algorithms
US8126795B2 (en) * 2004-02-20 2012-02-28 General Electric Company Systems and methods for initial sampling in multi-objective portfolio analysis
US7630928B2 (en) * 2004-02-20 2009-12-08 General Electric Company Systems and methods for multi-objective portfolio analysis and decision-making using visualization techniques
US7870018B2 (en) * 2004-03-19 2011-01-11 Accenture Global Services Gmbh Brand value management
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
US7644089B2 (en) * 2004-12-29 2010-01-05 Barclays Capital, Inc. System and method for corporate-wide policy management
US7558755B2 (en) * 2005-07-13 2009-07-07 Mott Antony R Methods and systems for valuing investments, budgets and decisions
US7783565B1 (en) 2006-11-08 2010-08-24 Fannie Mae Method and system for assessing repurchase risk
US7653593B2 (en) * 2007-11-08 2010-01-26 Equifax, Inc. Macroeconomic-adjusted credit risk score systems and methods
US7653555B2 (en) * 2008-04-21 2010-01-26 Steven Paul Wiese Valuation using credit score
US8494972B2 (en) * 2008-04-21 2013-07-23 Pythalis Suite Data Kg, Llc Valuation using credit score
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
US20100063921A1 (en) * 2008-09-10 2010-03-11 Flaherty James E System and method for performing lease-by-lease cash flow and risk analysis in the commercial backed securities (CMBS) environment
US8131571B2 (en) * 2009-09-23 2012-03-06 Watson Wyatt & Company Method and system for evaluating insurance liabilities using stochastic modeling and sampling techniques
US20150032598A1 (en) * 2013-07-26 2015-01-29 Corelogic Solutions, Llc System and method for generating a natural hazard credit model
US20150178795A1 (en) * 2013-12-23 2015-06-25 Fannie Mae Performing automated appraisals with automatic detection and remediation of situations involving faulty characteristics
EP3194865B1 (en) * 2014-08-14 2021-04-07 Vigilent Corporation Method and apparatus for optimizing control variables to minimize power consumption of cooling systems
CN106033473A (zh) * 2015-03-20 2016-10-19 阿里巴巴集团控股有限公司 数据的处理方法和装置
US20190244289A1 (en) * 2018-02-08 2019-08-08 2Bc Innovations, Llc Asset utilization optimization communication system and components thereof
CN111091462A (zh) * 2019-12-23 2020-05-01 京东数字科技控股有限公司 网络请求的处理方法与装置
CN116402345A (zh) * 2023-03-31 2023-07-07 华能信息技术有限公司 一种安全告警管理方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6035287A (en) * 1997-12-17 2000-03-07 Omega Consulting, Inc. Method and apparatus for bundled asset trading
US7096197B2 (en) * 1999-12-30 2006-08-22 Ge Capital Commercial Finance, Inc. Methods and apparatus for simulating competitive bidding yield

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100766149B1 (ko) * 1999-12-30 2007-10-10 지이 캐피탈 커머셜 파이낸스 인코포레이티드 컴퓨터로 구현되는 자산 샘플링 방법, 시스템 및 컴퓨터
KR100766148B1 (ko) * 1999-12-30 2007-10-10 지이 캐피탈 커머셜 파이낸스 인코포레이티드 자산 가치 평가에 대한 최소 변동 가정 선택을 위한 컴퓨터로 구현되는 방법과, 포트폴리오 가치 평가 시스템 및 컴퓨터
KR100468546B1 (ko) * 2000-07-15 2005-01-29 이밸류(주) 이자율 평활모형을 이용한 자산가격의 추정 방법
KR100477014B1 (ko) * 2000-07-15 2005-03-17 이밸류(주) 축약모형을 이용한 위험자산의 가격 추정 방법

Also Published As

Publication number Publication date
CN1372667A (zh) 2002-10-02
US20020032585A1 (en) 2002-03-14
TW530235B (en) 2003-05-01
WO2001050322A8 (en) 2002-04-11
HK1050061A1 (zh) 2003-06-06
WO2001050322A2 (en) 2001-07-12
MXPA01008620A (es) 2003-06-24
US7165043B2 (en) 2007-01-16
CZ20013132A3 (cs) 2002-09-11
BR0008632A (pt) 2001-12-18
JP2004506959A (ja) 2004-03-04
CA2362447A1 (en) 2001-07-12

Similar Documents

Publication Publication Date Title
KR20010103784A (ko) 입력이 없는 상황에서의 가치 평가 예측 모델
KR100766149B1 (ko) 컴퓨터로 구현되는 자산 샘플링 방법, 시스템 및 컴퓨터
US7120599B2 (en) Methods and systems for modeling using classification and regression trees
US7096197B2 (en) Methods and apparatus for simulating competitive bidding yield
US7039608B2 (en) Rapid valuation of portfolios of assets such as financial instruments
US7028005B2 (en) Methods and systems for finding value and reducing risk
US6985881B2 (en) Methods and apparatus for automated underwriting of segmentable portfolio assets
US7082411B2 (en) Methods and systems for optimizing return and present value
KR100771718B1 (ko) 신용 점수의 평가를 추론하는 컴퓨터로 구현되는 추론 방법, 포트폴리오 평가 시스템 및 컴퓨터
US7162445B2 (en) Methods and systems for quantifying cash flow recovery and risk
US20090177589A1 (en) Cross correlation tool for automated portfolio descriptive statistics
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
E902 Notification of reason for refusal
E601 Decision to refuse application