KR20020063615A - 어세트 가치 평가에 대한 최저 변동 가정 선택 방법과,포트폴리오 가치 평가 시스템 및 컴퓨터 - Google Patents

어세트 가치 평가에 대한 최저 변동 가정 선택 방법과,포트폴리오 가치 평가 시스템 및 컴퓨터 Download PDF

Info

Publication number
KR20020063615A
KR20020063615A KR1020027008583A KR20027008583A KR20020063615A KR 20020063615 A KR20020063615 A KR 20020063615A KR 1020027008583 A KR1020027008583 A KR 1020027008583A KR 20027008583 A KR20027008583 A KR 20027008583A KR 20020063615 A KR20020063615 A KR 20020063615A
Authority
KR
South Korea
Prior art keywords
asset
valuation
portfolio
methodology
assets
Prior art date
Application number
KR1020027008583A
Other languages
English (en)
Other versions
KR100766148B1 (ko
Inventor
존슨크리스토퍼디
키예스팀케이
스펜서데이비드제이
미드키프캐서린엘
메스머리챠드피
피수파티찬드라세크하르
첸유-토
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 KR20020063615A publication Critical patent/KR20020063615A/ko
Application granted granted Critical
Publication of KR100766148B1 publication Critical patent/KR100766148B1/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
    • G06Q40/08—Insurance
    • 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

Landscapes

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

Abstract

위험도를 제한하기 위해, 어세트 가치 평가에 대한 최저 변동 가정을 선택하혀 큰 어세트 그룹을 가치 평가하는 방법(32)은, 특정의 어세트들에 대한 장점을 가진 모든 알려진 가치 평가 방법론에 의해 어세트들을 평가하는 단계와, 가치 평가 방법론중 평가중인 어세트에 대해 최선의 정확성을 가진 가치 평가 방법론을 선택하는 단계 및 선택된 방법론을 이용하여 어세트에 값을 할당하는 단계를 포함한다. 개별적인 어세트 값은 발현되고 테이블에 리스트되며, 그에 따라 개별적인 어세트 값들을 테이블로 획득하고, 임의의 원하는 방식으로 그룹화할 수 있게 된다. 어세트는 신용 변수에 의해 카테고리로 분류되고 개별적으로 평가된다.

Description

어세트 가치 평가에 대한 최저 변동 가정 선택 방법과, 포트폴리오 가치 평가 시스템 및 컴퓨터{METHODS AND SYSTEMS FOR QUANTIFYING CASH FLOW RECOVERY AND RISK}
관련 출원에 대한 상호 참조
본출원은 본 명세서에서 병합되어 참조되는 1999년 12월 30일에 출원된 미국 가출원 제 60/173,843 호의 우선권을 주장한다.
본 발명은 금융상품(financial instruments)에 대한 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 박탈로 인하여, 혹은 법적 구제의 결과로서 판매가 가능하게 된다. 종종 자산에서 수십억 달러에 상응하는 것과 관련있는 수천가지의 상업적 대출 또는 금융상품의 판매는 종종 몇 달내에 발생해야만 한다. 자산의 판매자는 물론 포트폴리오(portfolio)의 가치를 최적화시키기를 원하며, 종종 "트렌치(tranches)"로 자산을 분류할 것이다. 본 명세서에 사용되는 용어 "트렌치"는 외국 유통증권으로 한정되지 않으며 나라또는 관할권에 관계없이 자산 및 금융상품을 분류하는 것을 포함한다.
입찰자는 모든 트렌치 또는 단지 몇몇의 트렌치상에 입찰을 제출한다. 트렌치를 획득하기 위하여, 입찰자는 전형적으로 이 트렌치에 대해 최고 입찰를 제출해야만 한다. 특정한 트렌치상에 제출할 입찰가를 결정하는 것과 관련하여, 입찰자는 종종 트렌치내에, 그리고, 사용가능한 제한 시간내에 가능한 한 많은 대출을 평가하도록 인수업자(underwriters)를 고용할 것이다. 입찰을 제출할 시간이 막 종료하려고 할때, 입찰자는 그 시간에 인수한(underwrite) 대출을 평가할 것이며, 그후, 인수업자에 의해 분석되지 않은 대출에 대한 가치를 추정할려고 한다.
이 처리의 결과로서, 입찰자는 트렌치를 실제보다 낮게 평가할 수 있고, 경쟁력이 없는 입찰 또는 인수한 가격보다 높은 입찰을 제출하고, 측정할 수 없는 위험을 떠맡을 수 있다. 물론, 목적은 입찰자가 이득을 볼 수 있는 가격에서 각 트렌치를 획득하는 것이므로, 트렌치를 상당히 평가절하하여 트렌치를 잃는 것은 기회를 상실하는 것이다. 짧은 시간 주기에 상당수의 금융상품의 정확한 평가를 용이하게 하는 시스템을 제공하고, 주어진 입찰에 대한 이익의 관련 확률을 이해하는 것이 바람직하다.
전통적으로, 어세트 및 사업 결정에서 실행되는 가치 평가는 미래의 현금 유통의 불확실성에 대해 미리 고려되는 예측을 기반으로 한다. 이러한 방법론의 개선은 최상, 최악, 가장 유망한 경우에 대한 시나리오 생성을 포함한다. 최근 몇년간, 아주 경쟁력있는 마켓 지식을 가진 적절하게 속성화된 어세트는 선택 가치 매김 방법론으로 평가된다. 경쟁력있는 어세트가 없는 경우에 예측 가능성 분배를 설정하는데 있어서 알려진 시스템으로는 한계가 있기 때문에, 특히 제한된 시간 기간을 가지고서 가능성을 설정하는 응용에서는 더욱 그러하기 때문에, 어세트 가치 평가에 대한 최저 변동 가정을 선택하는 위험성 제한 "푸드 체인"을 생성하는 것이 바람직하다.
발명의 개요
전형적인 실시예에서 반복적이고 적용가능한 접근방안이 제공되는 데, 여기서, 포트폴리오는 세가지 주된 평가로 분할된다. 자산 포트폴리오의 제 1 유형 평가의 완전 인수가 반대 샘플을 기반으로 수행된다. 제 2 평가 유형은 공통 기술적 속성의 범주(categories)로부터 효율적으로 샘플링되고, 선택적인 임의 샘플에서의 자산은 완전히 인수된다. 제 3 평가 유형은 제 1 및 제 2 부분 인수 가격들과 분산을 사용하고, 그리고, 제 3 부분에서 각 자산을 개별적으로 평가하기 위해 통계적 추론을 적용하는 통계적으로 추론된 평가에 속한다. 클러스터링 및 데이터 정리는 제 3 부분을 평가시에 사용된다.
처리가 진행되고 더 많은 자산이 인수됨에 따라, 제 1 및 제 2 부분에서 자산의 수는 증가되고 제 3 부분에서 자산의 수는 감소하고 제 3 부분에서의 자산의 평가의 분산은 점점 더 한정된다. 특히, 제 3 부분에서의 대출은 제 1 및 제 2 부분에서 자산의 평가에 대한 유사성을 기반으로 어세트를 클러스터로 그룹화하므로써 평가된다. 입찰자에 의해 결정되는 매개변수내에서 최적의 입찰을 결정하도록 평가를 사용하여 가설상 입찰을 생성한다.
최적 비드는 반복적인 비드 생성 프로세스를 통해 확인된다.
특정의 어셋트에 대한 장점을 가진 모든 알려진 가치 평가 방법론에 의해 어세트를 평가하는 단계와, 평가중인 어세트에 대해 최선의 정확성을 가진 가치 평가 방법론을 선택하는 단계와, 어세트에 값을 할당하는 단계를 포함하는, 위험성을 제한하기 위해 어세트 가치 평가에 대한 최저 변동 가정을 선택하는 방법이 개시된다.
도 1은 자산의 포트폴리오를 평가하는 기지의 과정을 도시하는 흐름도,
도 2는 본 발명의 일 실시예에 따라서 자산의 포트폴리오를 평가하는 것을 도시하는 흐름도,
도 3은 자산을 분산 범주로 분할하는 큰 자산 포트폴리오에 관한 신속한 평가 처리의 제 1 부분의 일 실시예를 보다 상세히 도시하는 흐름도,
도 4는 일 원리로부터 트렌치 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 지도 학습 단계의 흐름도,
도 7는 도 3의 과정의 미지도 학습 단계의 흐름도,
도 8은 미지도 학습을 위한 처리의 실시예를 도시하는 도면,
도 9는 생성 1 (제 1 통과) 신속한 자산 평가 처리의 실시예를 도시하는 도면,
도 10은 도 8의 미지도 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 네트워크를 개략적으로 도시한 도면.
도 1은 예를 들면, 경매에서 인수 사이클을 통하여 자산 포트폴리오(12)를 구매하기 위하여 입찰을 행하므로써 큰 자산 포트폴리오(12)를 평가하기 위한 기지의 처리를 도시하는 도면(10)이다. 도 1은 반복적이지 않으며 자동화되지 않은 전형적인 인수 및 추론 처리(10)의 고레벨 개요이다. 도면(10)에서, 인수자는 포트폴리오(12)로부터 상당수의 개별 자산을 인수하여(14) 인수한 제 1 부분(16) 및 손대지않은 나머지 부분(18)을 생성한다. 자산이 인수되기전에, 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. 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. 추정값(20)은 인수되지 않은 추론값(24)이 된다. 총 외삽법은 나머지 부분(18)에 대한 평가(24)를 생성한다. 평가(22)는 단순히 제 1 부분(16)에서 개별 자산 값의 총계이다 그러나, 평가(24)는 추론에 의해 발생되는 그룹 평가이므로 적절히 할인될 수 있다. 평가(22, 24)는 포트폴리오 자산값(26)을 생성하도록 합계된다. 평가 처리는 포트폴리오의 각 트렌치상에 수행된다.
도 2는 신속한 자산 평가를 위한 시스템(28)의 일 실시예를 도시한다. 도 2에는 자산 포트폴리오(12)를 평가시에 시스템(28)에 의해 취해지는 처리 단계를 포함한다. 시스템(28)은 통계상 중요하지 않거나 혹은 재정적으로 중요하지 않은 것으로 간주되는 건드리지 않은 자산의 상당히 작은 양(30)을 제외하고는, 모두를 개별적으로 자산마다 평가한다("건드린다(touch)"). 특히, (후술하는 바와 같이) 양(30)외의 포트폴리오(12)에서 모든 자산은 포트폴리오(12)에서 자산이 개별적으로 평가되고, 표에서 개별적으로 리스트되고, 이 표로부터 선택되고, 입찰을 위해 원하는 또는 필요한 그룹 또는 트렌치로 분류된다. 참조번호(10)에서, 인수자는 포트폴리오(12)에서 개별 자산의 완전 인수(14)를 시작하여 자산의 충분히 인수된 자산 제 1 부분(16)을 생성한다. 또한, 인수자는 포트폴리오(12)의 제 2 부분(36)에서 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)에 자산에 배정된 값을 보여주는 (후술하는 바와 같은) 표를 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 한명의 고객 시스템에 연결된 서버로서 구성된다.
계속 도 2를 참조하면, 예를 들어, 포트폴리오(12)의 제 3 부분(42)의 샘플링되지 않고 인수된 부분(46)은 퍼지-C 평균 클러스터링("FCM") 및 복합 고/예상/저/타이밍/위험("HELTR: High/Expected/Low/Timing/Risk") 점수를 사용하는 통계적 추론 절차(40)를 하여 두 범주(48, 50)를 생성한다. HELTR은 H-높은 현금 흐름, E-예상 현금 흐름, L-낮은 현금 흐름, T-현금 흐름의 타이밍(예를 들면, 월로 0-6, 7-18, 19-36, 37-60) 및, R-차용자의 위험 부과(9-신용 분석가에 의해 사용되는 박서)로서 정의된다. 범주(48)는 전체적으로 평가를 위한 충분한 공통성을 가지는 것으로 생각된다. 범주(50)는 클러스터(52, 54)로 더 분할되고, 다시, 세분화된다. 클러스터(52)는 부클러스터(56, 58)로 분할되는 반면에, 클러스터(54)는 부클러스터(60, 62, 64)로 재분할된다. 클러스터 및 부클러스터는 평가 블럭(68)에서 "트리" 차트(66) 및 박스로 도시되어 있다. 이들 개별 자산값은 입찰을 위하여 트렌치(70, 72, 74)로 다시 분류된다. 임의 수의 트렌치는 판매자에 의해 설정된 배열로 집합할 수 있다.
포트폴리오(12)에서 각 자산에 대한 개별 자산 데이터(도시되지 않음)는 반복적이고 적용가능한 처리(32) 동안에 일정한 표준(80)을 근거로 선택된 데이터가 검색되는 데이터베이스(76)로 입력된다. 범주(80)가 임의 자산의 평가를 위해 설정될 때, 설정된 범주(80)는 이러한 설정된 표준을 공유하는 데이터베이스(76)에서 다른 자산 데이터를 평가시에 사용하기 위하여 데이터베이스(76)에 저장된다. 그후, 반복적이고 적용가능한 평가 처리(32)는 입찰시에 사용하기 위하여 (후술된) 평가 및 그룹화(84)를 전개한다(82).
도 3 및 도 4는 함께 큰 자산 포트폴리오(2)의 평가를 위한 시스템(28)(도 2에 도시됨)의 기능적인 개요와 함께 도시하는 흐름도(85)이다. 평가 절차(14, 34, 40)(도 2)는 후술하는 방식으로 시스템(28)에서 동시에 및 순차적으로 사용된다. 전술한 바와 같이, 완전 인수(14)는 평가 절차의 제 1 유형이다. 샘플의 완전 인수하므로써 분류 및 샘플링 절차(34)는 평가 절차의 제 2 유형이다. 통계적 추론(40)은 평가 절차의 제 3 유형이며, 자동화된 그룹화 및 자동화된 평가이다. 절차(14, 34, 40)는 후술하는 바와 같이 설정된 객관적인 표준을 근거로 한다.
본 명세서에 사용되는 "인수(underwriting)"는 사람이 설정된 원리에 따라서 자산을 검토하여 자산을 구매하기 위한 현 구매가를 결정하는 처리를 의미한다. 인수 동안, 인수자는 평가를 위하여 기존 또는 설정된 표준(80)을 사용한다. "표준"은 이러한 범주를 근거로 자산값 및 등급에 적절한 규칙을 의미한다. 예를 들면, 자산 평가에 적절한 정보 범주에 차용자의 3년의 현금 흐름 이력을 결정하고 다양한 레벨의 현금 흐름에 소정 등급을 줄 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 충분히 개별적으로 검토한(14)(도 2 참조)한 자산의 집합(90, 92)으로써 시작한다. 이러한 완전 검토(14)는 주로 큰 달러나 혹은, 다른 적절한 통화, 포트폴리오에서 다른 자산에 관하여 검토되는 자산양으로 인한 것이거나 혹은, 차용자가 잘 알려져 있거나 상당히 신뢰할만히야 자산이 신속하고 신뢰할만하게 완전히 인수될 수 있거나 혹은 자산이 상기 자산의 값과 관련된 상당히 작은 변동이 있는 시장으로 인한 것이다. 자산 집합(90)은 인수자(94)에 의해 평가되며, 집합(90)에서 의 각 자산은 현금으로써 지지되는 자산 또는 완전 현금가로 교환가능한 재화처럼 상당히 작은 변동을 가지는 평가를 받으며, 완전 값 표(96)에 배치된다. 표(96)에서 자산을 위해 선택된 개별 값은 완전 인수된 그룹 가격(98)으로서 저장된다.
집합(92)은 팀(94)과 동일할 수 있는 인수자팀(100)에 의해 평가되지만, 각 자산은 할인되거나 혹은 부분적인 가격을 받으며 부분 가격표(102)에 배치된다. 표(102)의 트렌치에서 자산에 대하여 선택된 개별 값은 부분 가격이 완전히 인수된 그룹 가격(104)으로서 저장된다. 완전 현금 원리 방식(86) 및 부분 현금 원리 방식(88)에 대한 (도 2에 도시된) 표준(80)은 자동 평가(40)의 지도 학습(206) 및 미지도 학습(208)에 사용하기 위해 (도 2에 도시된) 컴퓨터(38)의 (도시되지 않은) 디지탈 저장 메모리에서 (도 2에 도시된) 데이터베이스(76)에 저장된다.
샘플링 인수(34)는 완전 샘플링(106) 절차 및 부분 샘플링(108) 절차인 두 절차를 사용하여 성취된다. 완전 샘플링(106)은 큰 자산의 범주를 위해 사용되며, 샘플링되는 자산 범주에서 샘플 그룹의 100 퍼센트 샘플링(110)을 포함한다. 완전 샘플링(106)에서 자산은 개별적으로 인수되지 않고, 오히려 결정된 공통성을 기반으로 완전 샘플링 그룹(112)에 인수된다. (도시되지 않은) 최종 완전 샘플링 그룹평가가 생성된 후에, 규칙(114)을 기반으로 분리되어 개별의 완전 샘플 자산가 표(116)를 생성한다. 그후, 표(116)에서 개별의 완전 샘플 자산가는 트렌치에서 자산의 분류에 의해 제안되는 대로 입찰을 위해 필요한 완전 샘플링 그룹 평가(118)로 전자적으로 업로드된다. 인수 샘플 분류에서 자산의 수는 자산의 임의 수에 대해 1 만큼이나 작을 수 있다. 부분 샘플링(108)은 자산의 중간 범주를 위한 것이며, 샘플링되는 그룹의 클러스터내에서 이로부터 대표적인 그룹의 100 퍼센트 샘플링 및 클러스터에서 다른 그룹의 임의 샘플링에 의해 클러스터 샘플 그룹(120)을 형성하는 것을 포함한다. 부분 샘플링(108)에서, 모든 그룹이 샘플링되지만, 클러스터 샘플 그룹(120)으로부터 외삽법에 의해 부분적으로 평가된다. 부분 샘플링(108)은 수동 데이터 입력(125)으로써 자산 레벨 재인수(122)를 포함하여 조정된 신용 분석표(130)를 생성하도록 자산 클래스 조정(128)이 주어지는 알파 신용 분석 표(126)를 생성한다. 전술한 바와 같이, 개별 자산은 트렌치 분류에 따라서 조정된 신용 분석표(130)로부터 선택되어, (도 2에 도시된) 트렌치(70)상에 입찰시에 사용하기 위한 부분 샘플링 신용가(132)를 생성한다.
자동 평가 절차(40)는 지도 학습 처리(206), 미지도 학습 처리(208) 및 통계적 추론 알고리즘(134)으로부터의 업로드를 활용하여 디지탈 저장 장치에 저장된 인수 클러스터 표(136)를 생성한다. 지도 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. 미지도 학습 처리(208)에서, 컴퓨터는 자산을 세그먼트화 및 분류하고, 데이터로부터의 피드백을근거로 자산을 객관적으로 자체평가한다. 인수자는 주기적으로 미지도 학습 처리(208)를 검토하여 컴퓨터가 현명한 인수 결정을 행하는 지를 판정한다. 컴퓨터는 통계 알고리즘(134)을 사용하여 추론을 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) 질 패러다임을 사용하지만, 이로 제한하려는 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 합병한다. 지시 학습 처리(206)는 비즈니스 규칙을 사용하여 평가 목적을 위해 공통 양상을 가지는 자산의 클러스터를 식별한다. 미지시 학습 처리(208)는 처리가 절차(40)에 의해 수행되는 종래의 데이터 평가로부터의 피드백을 사용하여, 진행이 증가하는 평가 신뢰도에 관하여 행해지는 지의 여부를 판정한다. 후술하는 바와 같이, 고속 컴퓨터의 사용으로 인하여 모든 사용가능한 원 데이터의 식별과, 이들 사용가능한 원 데이터의 클러스터들간의 상관관계를 발견할 수 있다.
후술되는 바와 같이, 일 전형적인 실시예에서, HELTR 스코어링 기법을 사용하는 원 데이터의 미지시 조직화의 FCM(fuzzy clustering means) 처리는 포트폴리오에서 자산에 대한 신용 점수의 평가를 추론하기 위하여 사용된다. 이러한 클러스터링 기법은 수동 처리를 허용하지 않는 시간 주기내에서 평가해야만 하는 포트폴리오에서 자산 및 높은 자산 카운트를 기술하기 위하여 보다 복잡한 분류 세그먼트에 응답하여 개발되어 왔다.
일 전형적인 방법은 먼저 컴퓨터화된 시스템에서 평가 점수(정적 및/또는 확률적 회수)를 조직화한다. 그후, 특별 인자 및 비즈니스 판단에 대한 평가 점수에 조정을 행한다. 그후, 동일한 자산을 기술하는 다수의 평가 점수를 중재하고 추론된 평가를 인터뷰/번복하기 위한 전반적인 조정을 행한다.
평가 점수를 조직화하는 것은 전자 형태인 클러스터 번호, 클러스터명, 클러스터의 기술적 속성, 확률적 회수 가격(예로는 HELTR 점수) 및, 각 클러스터의 기술적 속성의 강도를 기반으로 각 클러스터의 평가시에 인수자의 신뢰성을 대조하므로써 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, 클레임의 위치 및 연공를 포함하지만 이로 제한되지는 않는다. 일 실시예에서 클러스터명은 클러스터의 기술적 속성 또는 소스를 기술하는 문자숫자식 이름이다. 가술적 속성의 일 예는 도 12에 도시되어 있다.
기술적 속성은 자산의 가치를 전개하는데 사용되어 왔던 사실 또는 치수 또는 벡터이다. 컴퓨터 논리부는 있는 경우에 복제된 클러스터에 대해 검사하는 데 사용되고, 만약 있는 경우에는 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 가치의표현이다. 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, 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 지페인것과 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. 새로운 정보는 종종 사용가능하게 되며, 분석가는 그 값(들)을 변경할려고 한다. 이 값은 컴퓨터 코드를 통한 자동화된 방식으로 데이터 필드 및 결정 규칙과 함께 수동으로 혹은 자동적으로 변경된다. 종래의 값은 새로운 정보를 반영하기 위해 조작된다. 도시된 예에서와 같이, 종래의 클러스터 신뢰성이 0.1에서 기록되었고, 이 클러스터에서와 같이 정확한 기술적 속성을 가지는 상이한 자산이 예견된 "가장 유망한" 가격이상으로 막 판매되었다고 가정하자. 규칙은 사실상, 이 사건이 발생한 경우에 클러스터 신뢰성은 10에 의해 곱해진다. 개정된 클러스터 신뢰성은 0.1 ×10 = 1.
이러한 처리의 목적은 동일한 자산에 대한 다수의 점수를 중재하고, 각 치수의 평가의 각 소스와 관련있는 신뢰성에 대해 제어하는 것이다. HELTR을 사용하여 특정한 자산상에 샘플 데이터 지점을 가지는 예는:
클러스터 합의 평가는 하이값 .6999, 근접 .4792, 로우 .2374, 타이밍 2.6059이다. 상이한 논리부가 가중치를 조작하는 데 사용될 수 있다.
합의 점수는 광범위한 추정의 문맥에서 전개된다. 광범위한 추정의 변경이 발생하면, 방법론에서 합의 점수에 가중치를 매기기 위해 처리 단계(128, 138)를 포함한다. 도시된 예는 소정 평가 인자, 매크로경제학적 변경, 자산 클래스를 위해 설정된 변경가능한 시장 가격, 그리고 사용되는 다른 방법론에 관해 추론된 자산 평가 방법론의 증가 또는 손실에서 거짓 발견이다.
또다른 실시예에서, 교차 상관관계 툴이 사용되어 포트폴리오의 구성물을 신속히 이해하고 기술한다. 전형적으로, 툴은 사용자에게 응답하여 자산 포트폴리오에서 선택된 변수 대 다른 변수를 상호관련시키는 데 사용된다. 툴은 신속하게 두 속성 변수와 응답 변수 간에 뜻밖의 높고 또는 낮은 상관관계를 확인한다. 속성 변수는 연속적 및 범주에 속하는 두가지 유형이다. 교차 상관관계는 상관관계 툴에 의해 관심의 대상인 모든 변수와 그들의 빈(bin) 또는 레벨간에 계산되고, 일실시예에서, 포트폴리오에서 자산들중에 경향의 용이한 식별을 위해 2차원 매트릭스에 제공된다.
먼저, 교차 상관관계 툴은 연속적인 또는 범주에 속하는 유형과 같은 자산의 포트폴리오에서 속성 변수를 식별한다. 각 변수 집합 레벨은 연속 변수에 대한 빈에 의해, 그리고, 범주적 변수에 대한 값에 의해 계산된다.
툴로써 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
에 따라서 응답 변수 Yr의 평균값을 계산한다.
응답 변수의 예상 가격 Yexpect는
x1=a 및 x2=b의 사건의 가중치를 독립적으로 사용하여 예상값 Yexpect으로부터 선택된 응답 변수 Yr의 편차 Yerror는
에 의해 계산된다.
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)로 계수 조정을 주고, 추론된 개별 자산 신용가의 조정된 신용 분석 표(140)를 생성한다.
개별 자산 가격은 트렌치 분류에 의해 요구되는 대로 표(140)로부터 취해지며, 추론된 신용 평가(142)를 생성한다. 마지막으로, "손대지 않은" 자산의 사소한 나머지 부분(30)상에 외삽법을 행하여 손대지 않은 자산 표(144)를 생성한다. 표(144)로부터의 값은 손대지 않은 자산 평가를 생성하도록 선택된다.
완전 현금 평가(98), 부분 현금 평가(104), 완전 샘플링 신용 평가(118), 부분 신용 값(132), 추론된 신용 값(142) 및 손대지 않은 자산 표(144)로부터 배정된 값이 축적되고, 완전 현금 평가(98)에서 추론된 신용 값(142)까지 연속적으로 우선순위를 가지므로 상호 배타적이다. 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 위험한 선호 대출 레벨 평가 단계(146)에서 결합된다. 추계적 현금 흐름 브리지(152)를 전개하기 위해 현금 흐름 타이밍표(150)를 사용하여 결정적 현금 흐름 브리지(148)를 생성한다. 추계적 또는 확률적 현금 흐름 브리지(152)가 생성되어 소정 임계(158)에 도달할 때 까지 반복적으로 트렌치 모델(156)에 적용되도록 제안된 트렌치 입찰가(154)를 결정하는 데 사용된다. 임계(158)는 예를 들면, 소정 가격보다 큰 내부수익률(IRR:internal rate of return), 소정 시간-이익(TTP:time to profit), 포지티브 순현가(NPV: net preseent value)이다.
일반적으로, NPV는 다음과 같이 정의된다.
(수학식 A)
여기서, C0는 시간 0에서의 투자이며, C1은 시간 1일때 예상 페이오프이며, r은 할인율이다. 기본적인 개념은 현 달러가 미래의 달러보다 더 가치 있다는 것이다.
보험 증권의 경우, NPV는 다음과 같이 정의된다.
(수학식 B)
여기서, P는 프리미엄, E는 예상되는 명목상 비용, C는 청구 비용이다. 근본적으로, 수학식 2는 이익 및 가중치된 예상 위험의 차이에 따라 순 수익이 어떻게 발생하는 지를 나타낸다. 합산은 특정 세그먼트에서 모든 정책을 가로질러 합산된다는 데에 주목한다. 프리미엄, 명목상 비용 및 청구 비용의 모두는 수학식에 들어가기 전에 할인된다는 데에도 주목한다. 결과적으로, 수익성 점수가 발생된다.
임계 조건(160)이 충족되면, 입찰(154)이 시뮬레이션된 입찰 개방 분석(161)을 받게 하여 입찰이 성공 입찰이도록 예상할 수 있는 지의 여부를 예견한다. 봉인된 입찰 경매의 성과는 각 입찰자로부터 받은 입찰의 크기에 의존한다. 경매의 집행은 모든 입찰을 개방하고, 최고 입찰자에게 경매에 대한 품목을 판매하는 것과관련있다. 전형적인 봉인된 입찰 경매에서, 입찰자는 일단 그들의 입찰을 제출한 경우 그들의 입찰을 변경못하게 되어 있으며, 입찰이 개방될 때 까지 다른 입찰자가 한 입찰가를 알지 못하므로, 경매의 성과가 불확실하게 된다. 보다 높은 입찰을 행하므로써, 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 설정하므로써 이익성의 최고 상한선을 포착할 확률을 증가시킨다. 순수한 일화적 비즈니스 판단이 숨겨진 비망록, 개성 또는 편파적인 지식에 영향받지 않는 데이터 도출 접근방안에 의해 증가될 수 있으므로, 가격 결정은 분석적으로 힘든 처리에 의해 포커스로 이동된다.
각 잠재적 입찰자는 봉인된 입찰 경매에 제출할 가능한 입찰의 범위를 가진다. 입찰의 범위는 통계적 분포로서 표현될 수 있다. 입찰가의 분포로 부터의 확률적인 샘플링에 의해, 한가지 가능한 경매 시나리오를 시뮬레이션할 수 있다. 또한, 예를 들면, 몬테 카를로 분석(Monte Carlo analysis)과 같은 반복적 샘플링 기법을 사용하므로써, 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 이윤를 시뮬레이션하는 데 사용된다. 시장규칙의 집대성 및 컴퓨터화된 비즈니스 규칙에 대한 계약, 잠재적 경쟁/시장 힘의 집대성, 선호 매트릭스의 예보된 예산 및 우선순위, 자신의 입찰 능력, 선호도, 우선권 매트릭스로 집대성되도록 인수한 위험/수익 트레이드오프, 그리고, 컴퓨터화된 확률적 최적화로 단축된다.
분석(160)은 시스템(28)에 의해 계산된 입찰에 대항하여 입찰하는 다양한 재정적 능력을 가지는 다른 회사와 경쟁적 환경에서 시뮬레이션한다. 일 실시예에서, 예를 들면, 분석(160)은 자산의 총 가격이 시스템(28)을 사용하여 엔티티의 재정적 능력을 초과하는 경우와 같이 총 입찰 제한을 포함하는 데, 이는 예일 뿐 이로 제한되지는 않는다. 일 실시예에서, 분석(160)에 입찰한 제한된 자원의 경우에 트렌치의 다양한 결합상에 입찰의 이익성을 평가한다. 또한, 분석(160)은 기지의 경쟁자들에 대항하여 입찰시에 과거 기록 및, 경쟁하는 입찰자에 의해 선호되는 각종 유형의 자산상에 정보를 고려한다. 분석(160)에서, 트렌치 입찰은 관리(162)에 의해 평가 및 설정되고, 최종 트렌치 입찰(164)이 행해진다. 입찰(164)을 행하기 전의 모든 평가를 원하는 대로 반복할 수 있다. 또한, 처리는 자체조정적이며 반복적이므로, 시스템(28)에 의해 수행되는 반복에 의해 점점 많은 가격이 발견되므로 각 반복과 함께 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 각종 자산 또는 자산 범주에서 여분 값을 발견하려고 시도하는 자동 평가 절차(40) 및 샘플링 절차(34)와 함께 중단될 때 까지일정하게 실행된다.
일단 도 2를 다시 참조하면, 신속한 자산 평가에 따라서, 포트폴리오(12)의 자산내에서 데이터 범주(170, 172, 174)는 각 자산상에서 식별되며 데이터베이스(76)에 저장된다. 반복적이며 적응적인 평가 처리(32)는 선택된 데이터(78) 부분을 취하며, 통계적 방식으로 이 선택된 데이터(78) 부분에 표준(80)을 적용하여 총 추론(20)인 자산가이라기 보다 기지의 자산가를 증가시킨다. 방법(28)에 따라서, 자산은 적어도 제 1 부분(16), 제 2 부분(36) 및 제 3 부분 또는 나머지 부분(42)으로 나누어 진다. 절차(14)를 사용하여, 부분(16)에서 자산은 완전히 인수되어 평가(98)를 결정하고, 부분 가격이 완전히 인수된 평가(104) 및 이러한 평가에 대한 표준(80)을 결정한다. 절차(34)를 사용하여, 처리(28)는 제 2 부분에서의 그룹을 나타내는 제 2 부분(36)으로부터의 자산의 양을 샘플링하여, 제 2 부분(36)에 대한 완전 샘플링 그룹 평가(118) 및 부분 샘플링 신용값(132)을 결정하고, 이러한 평가에 대한 부가적인 표준(80)을 설정한다. 절차(40)를 사용하여, 부분적인 지시 학습 처리(206) 및 부분 미지시 학습 처리(208)는 도 2의 컴퓨터(38)와 같은 자동화된 분석자에 의해 수행된다. 학습하기 위하여, 자동화된 분석자는 설정된 표준(80) 및, 제 3 부분 또는 나머지 부분(42)에 대해 선택된 데이터(78)를 추출하고, 제 3 부분(42)을 부분(46)으로 분할하고, 그후, 각 부분(46)을 범주(48, 50)로 더 분할하고, 범주(50)을 클러스터(52, 54)로 분할하고, 데이터베이스(76)로부터 들여온 표준(80) 및 처리(206, 208)의 각각을 사용하여 클러스터(52, 54)를 부 클러스터(56, 58, 60, 62, 64)로 분할한다. 개별 자산 평가는 부클러스터(56, 58, 60, 62, 64)에서 통계적 추론에 의해 자산에 대해 설정된다.
개별 자산 평가는 클러스터 표(136)(도 3 참조)에서 리스트되고, 조정(138)후에, 신용 분석표(140)에 리스트된다. 설정된 표준(80)은 완전 인수 절차(14) 및 샘플 인수 절차(34) 동안 배치되는 데이터베이스로부터 온 것이므로 객관적이다. 환언하면, 완전한 가격 표(96), 부분 가격 표(102), 표(116), 문자 신용 분석표9126), 조정된 신용 분석표(130), 조정된 신용 분석 표(140) 및 모든 자산에 대한 손대지 않은 자산 표(144)에서 얻어지는 정보는 컴퓨터(38)의 하드 디스크 저장소(178)와 같은 디지탈 저장 장치에서 데이터베이스(76)에 배치되고, 상관관계는 절차(14, 34)로부터 표준(80)으로써 절차(40)에 의해 행해진다. 절차(40) 동안에, 수용가능한 신뢰도를 가지는 통계적 중요성이 있는 표준(80)이 입력된다. 즉, 절차(40)는 그의 값을 반복 학습하고 표준(80)을 설정한다. 지시 학습 처리(206) 및 미지시 학습 처리(208)는 완전 인수된 제 1 부분(16)에서의 자산 및, 샘플 인수된 제 2 부분(36)에서의 자산상에서 데이터베이스(76)에서 설정된 표준(80)에 상호관련시키므로써 통계적으로 추론된 평가(142)의 정확성을 증가시킨다. 부분(16 및/또는 36)에서 자산상의 선택된 데이터(78)과 유사한 제 3 부분(42)에서 하나 또는 그이상의 자산에 관련된 선택된 데이터(78)는 데이터베이스(76)에 위치하고, 그후에, 통계적 추론에 의해, 제 3 부분(42)에서 각 자산에 대한 값은 위치된 정보로부터 결정된다.
흐름도(85)에 의해 기술되는 처리 동안, 자산은 개별 자산 레벨에서 평가되고, 개별 자산 가격은 하나 또는 그이상의 결합에서 제표되거나 혹은 분류된다. 다양한 입찰 시나리오에 대한 최대 융통성을 가지기 위하여, 포트폴리오(12)의 부집합을 평가하고 특정한 시간 프레임에서 개별적으로 가격이 매겨진다. 알려진 처리(10)에서, 자산의 판매자가 예를 들면, 차용자의 지리적 위치에 의해 그룹화하기 위해 자산 회사에 의해 그룹화하므로써 자산을 재그룹화하는 경우, 총 외삽법(20)이 수행될 필요가 있으므로, 입찰의 재평가가 부적절할 수 있다. 시스템(28)을 사용시에, 개별 자산가가 전개되고 표(96, 102, 116, 130, 140, 144)에 리스트되므로, 이들 값은 "푸드 체인(food chain)" 선택 표준이 상호 배타적이고, 평가를 수행하는 분석가에 의해 선택가능한 상이한 평가(98, 104, 118, 132, 142)로 전자적으로 분류될 수 있으며, 이는 후술될 것이다. 판매자가 자산을 분류하는 경우, 판매자 그룹 또는 트렌치에 따른 그룹화는 쉽게 행해지며, 이 트렌치에 대하여 적절한 평가(146)가 전개된다. 따라서, 개별 자산값은 제 3 부분(42)에 대해 쉽게 재분류되어, 이 그룹 또는 트렌치에 대한 추론된 평가(142)를 객관적으로 얻는다.
다수의 방법을 사용하여 자산가를 설정할 수 있다. 평가의 목적에 따라, 상이한 평가 방법론의 상대적 이점은 특정한 자산에 대한 평가 기법의 바람직함을 설정한다. 전개 방법이 최고 신뢰성 구간을 가지는 구간을 선택한다고 가정시에 일 방법론은 보존하는 "푸드 체인"과 유사하다.
먹이 연쇄의 서두에 기술된 예에서, 개별 의견에 대하여 개방 시장에서 유사한 자산이 트레이드된 것에 의해 재정 자산을 평가할려고 할 수 있다. 계급에서, 시장 대 시장 값은 개별 의견위에서 선택된다.
동일한 방식으로, 예보된 현금 흐름 회수를 가지는 포트폴리오에서 자산은 다수의 평가 기법에 의해 평가될 수 있다. 전형적인 목표는 사용가능한 높은 확률을 가지고 장래 현금 흐름이 어떨지를 설정하는 것이다. 평가 방법론은 현금 흐름, 또는 현금 등가물을 정확하게 정량화하기 위해 그들의 능력의 순서대로 순위가 매겨지며, 최소 하향 변동 및/또는 최대 상향 변동으로써 예보된다. 자산은 이점을 가지며, 보다 정확한 방법이 일단 최상의 방법을 사용한 경우에 자산을 평가할 필요를 배제할 것이라는 것을 알 때, 중복 작업을 제거하기 위해 사업 논리 규칙을 가질 수 있다.
자산값의 최상의 예보를 제공하기 위하여, 자산은 각 특정 자산에 대해 사용가능한 최상의 사용가능한 방법에 의해 평가될 때 까지, 푸드 체인내에서 각 방법에 의해 평가된다. 일단 이 최상값이 발견되면, 자산은 푸드 체인에서 보다 낮은(더 많은 변동을 가지는) 다른 값에 관계없이 그의 값을 가진다.
예로서, 자산의 포트폴리오는 먹이 연쇄를 사용하여 평가된다. 먹이 연쇄에서 제 1 평가 방법은 평가 목적에 가장 근접하게 일치하는 방법으로, 즉, 최고 수준의 정확성(가장 타이트한 신뢰성 구간)을 가지는 값을 발견하는 것이다. 자산이 고유 자산에 대한 값을 설정하는 방법론에 의해 평가되자 마자, 평가 표로 전송되고, 먹이 연쇄에서 다음 단계로부터 제거된다. 평가 방법과 일치하지 않았던 원래 포트폴리오로부터의 자산 리스트는 손대지 않은 자산 표에서 유지된다. 목적은 이 손대지 않은 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 시장가, (d) 직접 인수,및 (e) 추론된 인수.
먹이 연쇄 접근방안은 최상 확률 분포 형태를 발견하는 능력을 제공하고, (특히 하락세의 끝부분에서) 확률 분포 변동을 감소시키고, 고객층에서 모든 사용가능한 지식을 보존하는 동안에 신속히 확률 분포를 설정할 수 있는 능력을 제공하고, 회수 처리에서 임의 지점에서 값의 최상 견적을 제공할 수 있는 능력을 제공한다.
도 4에 도시된 바와 같이, 입찰 준비 단계(168)의 일반적인 프레임워크는 성공한 투자자가 약정은 아니지만 투자를 회수하기 위한 권리를 가지는 옵션 평가 패러다임과 유사한 입찰의 가격을 흥정하는 것이다(164). 이 값은 각 트렌치에 대해 통화 성분의 시간 값, 고유 가격 성분 및 있음직한 현금 흐름 요소의 세부분으로 분해된다. 돈의 시간 값 및 고유 값은 결정론적으로 계산되며, 일단 설정되면 변동이 거의 없다. 돈의 시간 값은 현 투자를 행하기 위하여 이전이 되는 대체 투자의 기회를 나타내는 적용가능한 주기 동안에 투자에 의해 배가된 낮은 위험 투자에 대한 자본의 고정 비용을 취하므로써 계산된다. 고유 값은 알려진 유동 자산 값이며, 구매가를 초과하며, 자산을 제어한 후에 바로 사용가능하다. 일 실시예는 포트폴리오의 부분으로서 시장가의 이하로 구매한 양호하게 트레이드된 보안이다. 있음직한 현금 흐름 분산은 실사(a due diligence) 팀이 행하는 가정이라는 함수이고, 원 데이터를 현금 흐름 회수 스트림으로 변환하기 위해 선택한다. 본 명세서에 기술된 시스템은 네거티브 변동을 감소시키고 값을 발견하도록 구성된다.
도 5는 전형적인 최소 세 지점 자산 평가(180)에 대한 삼각 확률 분포 그래프이다. 처리(40)에 따라서, 금융상품당 세 경우의 최소점을 평가한다. 수직축(182)는 증가하는 확률을 표기하고, 수평축(184)은 회수의 증가하는 부분을 표기한다. 파산 또는 액면가 라인(188)의 최악 경우 퍼센트(186), 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 자산에서 가치를 표현하는 것이다. 액면가(188)의 100% 회수의 100% 확률선(204)에 의해 한정되는 직사각형의 영역(202)으로의 표기된 자산값 홀드는 곡선(200)에 의해 표현되는 자산에 기여할 수 있는 액면가(188) 부분의 측정치이다. 지점(186, 196, 190) 및 선(188, 204), 그리고, 영역(198, 202)은 자산가 회수의 기술된 확률 및 자산에 적용되는 표준(80) 질문시에 자산에 대해 선택되는 선택된 데이터(78)에 따라 변할 것이다. 수평축(184)은 액면가의 퍼센트라기 보다는 현 단위(예를 들면, 달러)로 표현될 수 있다. 현 단위가 사용될 때, 상이한 자산에 대한 곡선(200) 아래의 영역(198)은 현 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. 표준(80)이 지점(186, 196, 190)의 위치, 영역(198) 및 자산의 예상값의 설정을 돕기 위해 설정되므로 통계학이 곡선(200)에 적용된다. 값에 영향을 미치는 현금 흐름의 타이밍은 타이밍 속성의 도수 분포도를 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 인수자에 의해 결정가능한 가우지 회수 및 율에 반하여 평가에 대한 타이밍의 감도 연구 트레이드오프를 기반으로 하여 빈 폭을 선택할 수 있다. 전형적인 실시예에서, 디스카운트 인자가 25%이상일 때는 최소 4 빈을 사용하여야 한다. 디스카운트 인자가 10과 25 사이인 경우, 최소 6 빈을 사용하여 적당한 회수 주기를 커버해야 한다.
절차(40)에 따라서, 인수자가 금융상품에서 값을 평가하는 데 사용할 수 있는 데이터의 다른 소스를 선택한다. 절차(14, 34)에서 인수팀(94, 100, 114, 122, 140)에 의해 설정된 표준(80)은 이러한 점에서 유용하다. 흐름도(85)에 의해 기술되는 처리에 따라서, 원 데이터는 회수으로 향하게 되고, 규칙 집합은 원 데이터에 평가를 적용하기 위해 선택되고, 이 규칙 집합은 표준(80)의 형태로 평가 데이터베이스에 코딩된다. 클러스터가 절차(14, 34, 40) 동안에 다수의 힛에 의해 건드려질 때 마다, 합의 예보가 전개되고, 클러스터에 적용된다. 시스템(28)에 따라서, 트렌치 레벨에서 현금 흐름의 확률 분포 및 타이밍은 원 데이터를 취하고 데이터가 발생되고 트렌치에서 개별 자산의 평가를 모은 다고 가정을 합리화할 자산 레벨에서 평가 전달 함수(146)를 전개하므로써 결정된다.
모든 회수 가격 동종의 것이 아니므로, 현금 흐름 회수의 변이성을 설정하기위한 방법이 제공된다. 개별 자산은 그룹 노출에 의해 클러스터링된다. 가능한 한 액면가만큼은 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 표준에 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 트렌치 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 그이상의 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 수는평가에서 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.
자산 속성의 세그먼트화는 "가변수(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 "가변수"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, 미납된 주요 차액(UPB: Unpaid Principal Balance), 지불 확률 및 확신된 점수의 세 자산 속성이 사용될 시에 확률은 부동산 담보에 의해 보장되고, 자산은 유사한 속성을 가지고 5 그룹으로 분류화된다.
일단 자산의 그룹화가 행해지면, 취해져서 차후에 인수 검토를 위해 제출되는 샘플의 수는 일람표가 각 세그먼트(k)에서 총 회수에 대하여 만들어지도록 신뢰성 레벨을 설정하고, 각 세그먼트(h)에서 각 회수를 추정하기를 원할 시에 정확도를 설정하고, 총 미납 원금 차액(UPB)(R)의 퍼센트로서 회수의 레벨 및 범위의 우선순위 추정을 제공하므로서 계산되고, 다음과 같다.
(수학식 C)
(수학식 D)
n에 대한 수학식 C를 해결하므로서, 주어진 클러스터에 대해 필요한 샘플 크기를 얻는다. 수학식 C를 해결하는 것은 사용자에게 확률, 계산된 샘플 크기 n으로써 말할 수 있게 하며, 총 세그먼트 인수의 추정이 수학식 4를 사용하여 결정된다고 가정시에, 관련된 인수된 값이 에러 h내에서 총 클러스터 회수를 추정할 것이다.
사실상, 사용가능한 데이터없이 총 인수에서 변이성을 추정하는 것은 어려운 일이다. 전술한 스프레시트 툴은 몬테 카를로 시뮬레이션에서 데이터를 발생하고, 양호한 샘플 크기를 얻을 때 까지 결과의 분석을 통해 사용자를 이끌므로써 전술한 내용을 구현단다.
표 B는 20%와 30% 사이의 추정된(예상되는) 인수, 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 8개의샘플이 필요하다.
각 자산에 대하여 예보에 의해 조정된 적절한 분산이 행해지며, 평가표는 포트폴리오에서 모든 자산을 포함하도록 구성된다. 인수는 판매 단위에서 연속 확률로써 평가되며, 일 실시예에서는 트렌치가다. 시스템(28)을 사용시에, 내부 수익률(IRR)과 평가된다. 우선되는 트렌치는 소정 IRR에 대하여 보다 낮은 분산을 가진다. 0 이상의 각 트렌치의 순 제공값("NPV": net present value)의 확률은 프로젝트의 할인률을 사용하여 부과된다. 할인률은 원금의 기회 비용에, FX 교환 비용(FX swap cost)을 더하고, 예보된 현금 흐름 인수의 분산에서 고유한 일반적인 불확실성에서의 위험을 더하므로써 결정된다. 프로젝트가 네거티브 NPV를 가질 5% 이상의 확실성이 있다고 나타나는 경우, 입찰은 행해지지 않는다. 거래 평가는 IRR이 결정 표준, 트렌치에서 IRR의 위험 분산, 지불해야할 트렌치의 추정된 자진성과 능력, 시간 이익(TPP)과 트렌치에 의한 페이백에서 위험 분산, 위험 자유 비율(risk free ratio)로 할인된 트렌치에 의해 예상되는 현금 흐름의 NPV에 의한다.
자산 포트폴리오의 내용이 협정가능하지 않은 경우인 경쟁적 입찰 환경에서, 투자자 또는 판매자는 그들의 종합된 재정적 구조에 최상 위험/이득을 줄 거래에사용가능한 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 부 포트폴리오 또는 트렌치로 분할된다. 각 트렌치는 종래 분석으로부터 예보된 현금 흐름 확률 분포 및 시간 지속기간을 가진다. 그후, 이들 트렌치에 시험가가 주어진다. 새로운 자산은 판매부 또는 구매부의 기존 자산 수행과 함께 결합되고, (고려되는 관련된 교차 상관관계를 가지는) 몬테 카를로 경우 생성을 행한다.
트렌치 선택 처리는 구매하지 않을 트렌치의 임의 선택을 포함한다. 일단 포트폴리오의 결과가 형태를 띠면, 억제할 가격에서 구매할 트렌치의 최상의 선택은 추계적 최적화에 의해 알 수 있다.
NPV를 사용하면 비관적 경우인 시나리오가 PV를 얻기 위해 절하될 때 발생할 이중 절하와 관련된 결과로 인하여 잘못 이끌어질 수 있다. 이러한 한계를 극복하는 데 수익 시점을 사용하고, 원금 비용 또는 위험이 없는 비율은 평가를 행하는 분석가에 의해 결정되어지는 대로 절하시에 사용된다.
추론된 평가 절차(40)의 지기 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). 가치의 예상 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 신용 분석가표(228)를 생성하는 데 규칙(226)에 의해 분해된다.
도 7은 몇몇 모듈을 포함하는 미지시 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 파워로써 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 분석가 표(136)에서 개별 자산 값에 공급되어, 조정된 신용 분석가 표(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, 부분인수 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 예견하기 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 분석가 표(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), 이전 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 감소시키므로써 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, 재정 기구의 당연한 근면 평가시에 비용 및 불확실성을 감소시키고, 당연한 근면 평가들간의 비용 및 변이성을 감소시킨다. 자산 레벨 평가(146), 결정적 현금 흐름 다리(148), 추계적 현금 흐름 다리(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 입착(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 두가지 접근방안이 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), 여기서, SST는 제곱 총계의 합이다.
R2은 전체 모집단에 관련된 각 세그먼트내에서의 단일 자산의 기여도이며, 특정 세그먼트내에서 자산에 대하여 R2값이 높을 수록 기여도가 높아지게 된다. 상이한 포트폴리오 세그먼트는 각 포트폴리오 세그먼트내에서 모델의 예견 능력이 얼마나 양호한지를 표시하고, 예를 들면, 각 트렌치를 가격을 매기는 것에 관하여는 개념에서 입찰자에게 편안한 레벨을 주는 두가지 접근방안을 근거로 순위가 매겨진다.
제 1 단계는 적절한 포트폴리오 세그먼트화를 정의하는 것이다. 세그먼트화는 예를 들면, 산업, UPB가, 영역 또는 고객 위험을 근거로 한 사전정의된 트렌치일 수 있다. 표 C는 트렌치 및 자산 순위(B 또는 C)를 기반으로 정의된 세그먼트의 예이다.
표 C는 5개의 트렌치 및 두개의 상이한 자산 유형(B 또는 C)를 가지는 포트폴리오의 연구로의 결과인 예이다. 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 나누므로써 계산된다. 오류율이 1보다 작은 경우, CART 기반 모델은 단순 모델 보다 나은 예견자이다. 추가된 이점으로 인해, 우수한 모델은 오류율 거리에 따라서 각 세그먼트에서 최상을 수행하는 모델을 선택하므로써 CART와 단순 모델의 "하이브리드" 결합으로 조립될 수 있다.
제 3 단계는 각 포트폴리오 세그먼트내에 각 자산에 대한 R2값을 계산하는 것이다. 자산당 R2은 (세그먼트당 SST - 세그먼트당 SSE)/(모든 자산에 대한 전체 SST ×각 세그먼트내에서 자산의 수).
마지막으로, 모든 세그먼트는 제 2 단계에서 계산된 오류율 및, 제 3 단계에서 계산된 R2값을 기반으로 순위가 매겨진다. 이 모델은 두 미터, 오류율과 R2의 모두상에서 높게 순위가 매겨지는 세그먼트에 대한 가격값을 예견시에 정확하고,오류율과 R2및 우수 모델은 이들 미터를 사용하여 조립된다.
표 D는 두 수행 미터의 원리상에 (표 C로부터) 유형 C의 자산에 대한 5개의 트렌치의 상대 랭킹을 보여준다.
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 취하므로써, 그리고, 클러스터를 생성하기 위해 FCM 분석을 수행하므로써 클러스터(246)를 형성한다.
도 11은 모델(248)을 건설하고, 최상의 모델(250)을 선택하고, 6개의 모델이 데이터베이스(76)를 사용하여 건설될 시에 카운트(252)를 계산하는 것을 도시한다. (도 3에 도시된) 컴퓨터(38)는 이 처리를 수행한다. 모델 건설(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 모델은시장가(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 미터에 따라서 각 UW 자산에 대해 최상의 모델을 선택한다., 여기서, y는 예상된 UV값,는 kth회귀 모델로부터의 예견, k=1,2,...,k.
카운트(252)를 계산시에, 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 가중치된 평균 예견이 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 인위적인 결과(artifact)공물은 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.
(수학식 E)
수학식 C에서, Ilk는 모델 k가 어세트 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 어세트에 대해 선택되었던 시간 모델k의 카운트이며,는 모델 K로 부터의 yl에 대한 예측이다. 각 모델링 방식으로 부터 어세트에 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 E에서,를 대응하는 통계량으로 대체한다.
도 3으로 다시 참조하면, 지시 학습 처리(206) 및 미지시 학습 처리(208)는 클러스터링을 이용한다. "클러스터링"은, 그 패턴들을 그룹 또는 클러스터로 조직하여 데이터 세트의 패턴들간의 관계를 어세스하여, 한 클러스터내의 패턴들이 상이한 클러스터에 속하는 패턴들보다 서로 더 유사하게 되도록 하는 툴이다. 즉, 클러스터링은 큰 데이터 세트를 정제하여 데이터의 본래의 배치를 획득하여 시스템 행위를 간결하게 표시한다는데 그 목적이 있다. 미지시 학습 단계(208)은 가치에 대해 자동적으로 어세트를 그룹화하도록 퍼지 클러스터링 방법(Fuzzy Clustering Method : FCM)과 지식 엔지니어링을 이용한다. FCM은 알려진 방법으로서, 통계적모델링에 보다 널리 이용되고 적용된다. 그 방법의 목적은 인트라-클러스터 거리를 최소화하고, 인터-클러스터 거리를 최대화하기 위한 것이다. 전형적으로 유클리디언 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.
(수학식 F)
여기서, n은 데이터 지점의 번호, c는 클러스터 번호, Xk는 kth데이터 지점, Vi는 ith클러스터 중심,는 ith클러스터에서 kth데이터의 멈버쉽도, m은 1 보다 큰 상수(전형적으로 m=2).는 실제 번호이고, [0,1]에 한정된다는 점에 주목한다.= 1은 ith데이터가 kth클러스터에 명확하게 있다는 것을 의미하고,= 0은 ith데이터가 kth클러스터에 확실히 없다는 것을 의미한다.= 0.5인 경우, ith데이터가 0.5 도 까지 kth클러스터에 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 도는 다음과 같이 정의된다.
(수학식 G)
직관적으로,, 클러스터 중심 Vi에서 데이터점 Xk의 멤버쉽의 정도는 Xk가 Vi에 근접할 수록 증가한다. 동시에,는 Xk가 Vj(다른 클러스터)로부터 멀리 떠날 때 보다 작게 된다.
ith클러스터 중심 Vi은 다음에 의해 정의된다.
(수학식 H)
직관적으로, Vi, ith클러스터 중심은 k가 데이터점의 번호일 시에 Xk의 좌표의 가중치된 합이다.
원하는 클러스터 번호 및, 각 클러스터 센터에 대한 초기 추정, Vi, i=1,2,...,c로부터 시작하면 비용함수의 부과 지점 또는 국부적 최소를 나타내는 Vi에 대한 해결방안으로 수렴할 것이다. FCM 해결방안의 질은, 가장 비선형 최적 문제에서와 같이 초기 값- 번호 c 및 초기 클러스터 중심 Vi의 선택시에 강하게 의존한다.
일 전형적인 실시에에서, 전체 포트폴리오(12)는 미감시 퍼지 클러스터링에 의해 세그먼화되고, 각 클러스터는 인수 전문가에 의해 검토된다. 이로써, 완전인수(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%지만 액면가의 40%만을 구성하는 부분(36, 42)을 포함하는 나머지 40%는 인수될 때 까지 상당히 투기적이다. 넓게 말하면, 값은 예를 들면 제한없이, 총외삽에 걸려 부가적인 5% 없이, 순익에서 수억 달러 차이를 의미하는 전체 트렌치 입찰 또는 전체 포트폴리오 입찰을 성공하고 손실을 입는 것 간의 차이를 의미하는 차이 없이 부분(36, 42f)에서 발견될 수 있다.
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 대체로써 반복적으로 샘플링하므로써 통계적 추정의 분포를 시뮬ㄹ이트한다. 알고리즘은 통상적으로 (Ⅰ) 대체로써 샘플링, (Ⅱ) 중요한 통계학을 평가, (Ⅲ) 표준 편차를 추정하는 3가지 주된 단계로 구성된다.
보험 알고리즘(134)에 따라서, NPV 표준 오류의 추정은 다음과 같이 수행된다. 위험 모델의 각각에 대해, 그리고, 모델에서의 각 세그먼트에 대해 세그먼트에 N 증권이 있다고 가정시에, n 샘플이 대체로써 샘플링을 사용하여 선택된다(예를 들면, n=100). 또한, 이 예에서 각 샘플은 N 증권을 포함한다. 각 샘플에 대해, 그리고, 모든 기록 증권에 대해
(수학식 I)
다음, 순현가가 최근 증권에 대해(수학식 J)에 의해 발생된다. 수학식 I에서, Act는 실제 청구액이고, Wtdexp는 각 개별 증권에 대해 가중치된 예상 청구액이다.
도 12는 신용 점수(138)에 대한 전형적인 표준(80) 및 전형적인 규칙 집합의 표이다. 다른 표준은 재정 기구의 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 의해 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 부시스템(302)을 로그온하므로써 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 고쳐된다.
본 발명은 각종 특정한 실시예라는 점에서기술되었지만, 당업자라면 특허청구의 범위의 사상 및 범주를 벗어나지 않고서도 변형이 실행될 수 있음을 알 것이다.

Claims (27)

  1. 위험도를 제한하기 위해, 어세트 가치 평가에 대한 최저 변동 가정을 선택하는 방법(32)에 있어서,
    특정의 어세트들에 대한 장점을 가진 다수의 가치 평가 방법론들을 이용하여 어세트들을 평가하는 단계와,
    가치 평가 방법론중 평가중인 어세트에 대해 최선의 정확성을 가진 가치 평가 방법론을 선택하는 단계, 및
    선택된 방법론을 이용하여 어세트에 값을 할당하는 단계를 포함하는,
    어세트 가치 평가에 대한 최저 변동 가정 선택 방법(32).
  2. 제 1 항에 있어서,
    상기 가치 평가 방법론 선택 단계는,
    현금 흐름 예측과 같은 객체를 수량화하는데 있어서 정확성 순서로 가치 평가 방법론을 분류하는 단계를 더 포함하는,
    어세트 가치 평가에 대한 최저 변동 가정 선택 방법(32).
  3. 제 2 항에 있어서,
    최저 하락 변동 및 최대 상승 변동중 적어도 하나를 가진 가치 평가를 선택하는 단계를 더 포함하는,
    어세트 가치 평가에 대한 최저 변동 가정 선택 방법(32).
  4. 제 1 항에 있어서,
    상기 가치 평가 방법론을 선택하는 단계는,
    최선의 가치 평가 방법론을 알게되면, 가치 평가 방법론을 잔류시켜 대안적인 가치 평가의 선택을 중지하는 단계를 더 포함하는,
    어세트 가치 평가에 대한 최저 변동 가정 선택 방법(32).
  5. 제 1 항에 있어서,
    상기 어세트에 값을 할당하는 단계는,
    어세트 가치 평가에 대한 최선의 가능성 분배 형태를 발견하는 단계를 더 포함하는,
    어세트 가치 평가에 대한 최저 변동 가정 선택 방법(32).
  6. 제 5 항에 있어서,
    상기 어세트 가치 평가에 대한 최선의 가능성 분배 형태를 발견하는 단계는,
    가능성 분배 변동을 감소시키는 단계를 더 포함하는,
    어세트 가치 평가에 대한 최저 변동 가정 선택 방법(32).
  7. 제 5 항에 있어서,
    상기 어세트 가치 평가에 대한 최선의 가능성 분배 형태를 발견하는 단계는,
    가능성 분배를 설정하기 위한 기능을 제공하는 단계를 더 포함하는,
    어세트 가치 평가에 대한 최저 변동 가정 선택 방법(32).
  8. 제 5 항에 있어서,
    상기 어세트 가치 평가에 대한 최선의 가능성 분배 형태를 발견하는 단계는,
    가치 평가 프로세스의 임의의 포인트에서, 최선의 값의 개념을 제공하는 단계를 더 포함하는,
    어세트 가치 평가에 대한 최저 변동 가정 선택 방법(32).
  9. 제 1 항에 있어서,
    상기 특정의 어세트에 대해 장점을 가진 알려진 모든 가치 평가 방법론에 의해 어세트를 평가하는 단계는,
    어세트에 대한 수중에 있는 100% 현금의 가치 평가와, 어세트에 대한 수중에 있는 부분적인 현금의 가치 평가와, 어세트의 직접적인 증권 인수(underwritting) 및 어세트의 추론된 증권 인수중 적어도 하나에 따라 어세트를 평가하는 단계를 더 포함하는,
    어세트 가치 평가에 대한 최저 변동 가정 선택 방법(32).
  10. 위험도를 제한하기 위해 어세트 가치 평가에 대한 최저 변동 가정을 선택하는 포트폴리오 가치 평가 시스템(300)에 있어서,
    서버(302)로 구성되고, 어세트 포트폴리오(12)의 데이터 베이스(76)로 추가 구성되는 컴퓨터(304), 및
    네트워크를 통해 상기 서버에 접속되는 적어도 하나의 클라이언트 시스템을 포함하고,
    상기 서버는 특정의 어세트에 대해 장점을 가진 다수의 가치 평가 방법론을 이용하여 어세트를 평가하고, 평가중인 어세트에 대해 가장 정확한 가치 평가 방법론을 선택하며, 어세트에 값을 할당하도록 구성된,
    포트폴리오 가치 평가 시스템(300).
  11. 제 10 항에 있어서,
    상기 서버(302)는 현금 흐름을 수량화하는데 있어서 정확성 순서로 가치 평가 방법론을 분류하도록 구성된,
    포트폴리오 가치 평가 시스템(300).
  12. 제 11 항에 있어서,
    상기 서버(302)는 최소 하락 변동과 최대 상승 변동중 적어도 하나를 가진 가치 평가를 선택하도록 구성된,
    포트폴리오 가치 평가 시스템(300).
  13. 제 10 항에 있어서,
    상기 서버(302)는 최선의 가치 평가 방법론이 발견되었을때 잔류 가치 평가 방법론의 선택을 중지시키도록 구성된,
    포트폴리오 가치 평가 시스템(300).
  14. 제 10 항에 있어서,
    상기 서버(302)는 어세트 가치 평가에 대한 최선의 가능성 분배 형태를 발견하도록 구성된,
    포트폴리오 가치 평가 시스템(300).
  15. 제 14 항에 있어서,
    상기 서버(302)는 가능성 분배 변동을 감소시키도록 구성된,
    포트폴리오 가치 평가 시스템(300).
  16. 제 14 항에 있어서,
    상기 서버(302)는 가능성 분배를 설정하기 위한 기능을 제공하도록 구성된,
    포트폴리오 가치 평가 시스템(300).
  17. 제 14 항에 있어서,
    상기 서버(302)는 가치 평가 프로세스의 임의의 포인트에서 최선의 값의 개념을 제공하도록 구성된,
    포트폴리오 가치 평가 시스템(300).
  18. 제 10 항에 있어서,
    상기 서버(302)는,
    어세트에 대한 수중에 있는 100% 현금의 가치 평가와, 어세트에 대한 수중에 있는 부분적인 현금의 가치 평가와, 어세트의 직접적인 증권 인수(underwritting) 및 어세트의 추론된 증권 인수중 적어도 하나에 따라 어세트를 평가하도록 구성된,
    포트폴리오 가치 평가 시스템(300).
  19. 위험도를 제한하기 위해, 어세트 가치 평가에 대한 최저 변동 가정을 선택하는 컴퓨터(38)에 있어서:
    특정의 어세트들에 대한 장점을 가진 다수의 가치 평가 방법론들을 이용하여 어세트들을 평가하고,
    가치 평가 방법론중 평가중인 어세트에 대해 최선의 정확성을 가진 가치 평가 방법론을 선택하며,
    어세트에 값을 할당하도록,
    프로그램된 컴퓨터(38).
  20. 제 19 항에 있어서,
    현금 흐름을 수량화하는데 있어서 정확성 순서로 가치 평가 방법론을 분류하도록 프로그램된 컴퓨터(38).
  21. 제 20 항에 있어서,
    최저 하락 변동 및 최대 상승 변동중 적어도 하나를 가진 가치 평가를 선택하도록 프로그램된 컴퓨터(38).
  22. 제 19 항에 있어서,
    최선의 가치 평가 방법론을 알게되면, 잔류 가치 평가 방법론의 선택을 중지하도록 프로그램된 컴퓨터(38).
  23. 제 19 항에 있어서,
    어세트 가치 평가에 대한 최선의 가능성 분배 형태를 발견하도록 프로그램된 컴퓨터(38).
  24. 제 23 항에 있어서,
    가능성 분배 변동을 감소시키도록 프로그램된 컴퓨터(38).
  25. 제 23 항에 있어서,
    가능성 분배를 설정하기 위한 기능을 제공하도록 프로그램된 컴퓨터(38).
  26. 제 23 항에 있어서,
    가치 평가 프로세스의 임의의 포인트에서, 최선의 값의 개념을 제공하도록 프로그램된 컴퓨터(38).
  27. 제 19 항에 있어서,
    어세트에 대한 수중에 있는 100% 현금의 가치 평가와, 어세트에 대한 수중에 있는 부분적인 현금의 가치 평가와, 어세트의 직접적인 증권 인수(underwritting) 및 어세트의 추론된 증권 인수중 적어도 하나에 따라 어세트를 평가하도록 프로그램된 컴퓨터(38).
KR1020027008583A 1999-12-30 2000-12-20 자산 가치 평가에 대한 최소 변동 가정 선택을 위한 컴퓨터로 구현되는 방법과, 포트폴리오 가치 평가 시스템 및 컴퓨터 KR100766148B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US17384399P 1999-12-30 1999-12-30
US60/173,843 1999-12-30
US09/736,782 US7162445B2 (en) 1999-12-30 2000-12-14 Methods and systems for quantifying cash flow recovery and risk
US09/736,782 2000-12-14
US00/000,000 2004-05-13

Publications (2)

Publication Number Publication Date
KR20020063615A true KR20020063615A (ko) 2002-08-03
KR100766148B1 KR100766148B1 (ko) 2007-10-10

Family

ID=26869593

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020027008583A KR100766148B1 (ko) 1999-12-30 2000-12-20 자산 가치 평가에 대한 최소 변동 가정 선택을 위한 컴퓨터로 구현되는 방법과, 포트폴리오 가치 평가 시스템 및 컴퓨터

Country Status (10)

Country Link
US (1) US7162445B2 (ko)
EP (1) EP1266318A2 (ko)
JP (1) JP2004500642A (ko)
KR (1) KR100766148B1 (ko)
CN (1) CN1437736A (ko)
BR (1) BR0017058A (ko)
MX (1) MXPA02006581A (ko)
PL (1) PL355386A1 (ko)
TW (1) TWI230339B (ko)
WO (1) WO2001050314A2 (ko)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050177487A1 (en) * 2000-10-26 2005-08-11 Jeremy Stein System and method for estimating cash flow at risk for a non-financial institution
US7117174B2 (en) * 2000-12-22 2006-10-03 General Electric Company Capital analysis tool for medical diagnostic systems and institutions
US7110525B1 (en) 2001-06-25 2006-09-19 Toby Heller Agent training sensitive call routing system
US7797062B2 (en) * 2001-08-10 2010-09-14 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US9729639B2 (en) * 2001-08-10 2017-08-08 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US20090210081A1 (en) * 2001-08-10 2009-08-20 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US8914300B2 (en) 2001-08-10 2014-12-16 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US20090204237A1 (en) * 2001-08-10 2009-08-13 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US8417360B2 (en) * 2001-08-10 2013-04-09 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US7440921B1 (en) * 2002-02-12 2008-10-21 General Electric Capital Corporation System and method for evaluating real estate transactions
US20030200104A1 (en) * 2002-04-19 2003-10-23 Heming William B. Value resolution process
US9818136B1 (en) 2003-02-05 2017-11-14 Steven M. Hoffberg System and method for determining contingent relevance
EP1678574A4 (en) * 2003-10-10 2007-02-07 Erlach Julian Van ANALYSIS OF GOODS BASED ON THE YIELD PROCESS REQUIRED
US8044665B2 (en) * 2004-07-06 2011-10-25 Marimils Oy Sensor product for electric field sensing
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
AU2005311862A1 (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
US8001024B2 (en) * 2004-12-08 2011-08-16 Corelogic Information Solutions, Inc. Method and apparatus for testing automated valuation models
US7558755B2 (en) * 2005-07-13 2009-07-07 Mott Antony R Methods and systems for valuing investments, budgets and decisions
TW200919356A (en) * 2007-10-31 2009-05-01 Shacom Com Inc Method and system of investment-linked property insurance
US7653593B2 (en) * 2007-11-08 2010-01-26 Equifax, Inc. Macroeconomic-adjusted credit risk score systems and methods
US20090264225A1 (en) * 2008-04-17 2009-10-22 Lee William B Golf tee
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
US8244617B2 (en) * 2009-04-20 2012-08-14 Cfph, Llc Cash flow rating system
US8788402B2 (en) * 2012-09-28 2014-07-22 Ekcs, Llc Systems and methods for residential real estate risk transference via asset-backed contract
US20190244289A1 (en) * 2018-02-08 2019-08-08 2Bc Innovations, Llc Asset utilization optimization communication system and components thereof
US20220366439A1 (en) * 2021-04-29 2022-11-17 Intuit Inc. Object segmentation based on multiple sets of metrics
TWI799281B (zh) * 2022-05-30 2023-04-11 商智資訊股份有限公司 類效率配置估測投資組合的方法及非暫態電腦可讀取記錄媒體

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5563783A (en) * 1992-05-13 1996-10-08 The Trustees Of Columbia University In The City Of New York Method and system for securities pool allocation
WO1997039415A2 (en) * 1996-04-12 1997-10-23 Citibank, N.A. Inside money
US6233566B1 (en) * 1998-12-31 2001-05-15 Ultraprise Corporation System, method and computer program product for online financial products trading
US6691094B1 (en) * 1999-09-28 2004-02-10 Lee N. Herschkorn Bank loan trading system and method
US7165043B2 (en) * 1999-12-30 2007-01-16 Ge Corporate Financial Services, Inc. Valuation prediction models in situations with missing inputs

Also Published As

Publication number Publication date
KR100766148B1 (ko) 2007-10-10
PL355386A1 (en) 2004-04-19
BR0017058A (pt) 2002-12-03
JP2004500642A (ja) 2004-01-08
MXPA02006581A (es) 2004-03-26
CN1437736A (zh) 2003-08-20
WO2001050314A8 (en) 2002-02-07
WO2001050314A2 (en) 2001-07-12
EP1266318A2 (en) 2002-12-18
US20020049653A1 (en) 2002-04-25
US7162445B2 (en) 2007-01-09
TWI230339B (en) 2005-04-01

Similar Documents

Publication Publication Date Title
KR100766149B1 (ko) 컴퓨터로 구현되는 자산 샘플링 방법, 시스템 및 컴퓨터
KR100771718B1 (ko) 신용 점수의 평가를 추론하는 컴퓨터로 구현되는 추론 방법, 포트폴리오 평가 시스템 및 컴퓨터
KR100771710B1 (ko) 입찰가 판정 방법 및 시스템, 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
US7120599B2 (en) Methods and systems for modeling using classification and regression trees
US6985881B2 (en) Methods and apparatus for automated underwriting of segmentable portfolio assets
KR100746107B1 (ko) 자산 포트폴리오의 기술 속성 상관 방법, 상관 시스템 및 상관 컴퓨터
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
JP2004506959A (ja) 情報が欠けた状態での評価値予測モデル
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: 20120924

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20130926

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20140923

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20150923

Year of fee payment: 9

FPAY Annual fee payment

Payment date: 20160923

Year of fee payment: 10

FPAY Annual fee payment

Payment date: 20170926

Year of fee payment: 11

FPAY Annual fee payment

Payment date: 20181001

Year of fee payment: 12