[发明专利]在有缺失输入的情形中的评价预测模型

说明书

相关申请的交叉引用

本申请主张美国临时申请号60/173,875的权益，后者申请日是1999年12月30日，特此全部引用作为参考。

发明背景

本发明总体涉及金融工具的评价方法，特别是涉及大量金融工具的快速评价。

大量的诸如贷款的资产，例如上万的贷款和其它金融工具，有时由于各种经济状况、计划的和无计划的资产剥夺或因为法律补救，而变得可供销售。数以千计的商业贷款或其它金融工具的销售，有时涉及到相当于数十亿美元的资产，有时在数月内就必须发生。当然，资产的卖方想要使投资组合的价值最优化，有时要按“部分”(tranche)来对资产进行分组。术语“部分”在这里不仅仅限于外国票据，而是也包括不论国家和管辖区域的资产和金融工具。

投标人可以对所有部分投标，或者仅对有些部分投标。为了赢得某部分，投标人一般必须为该部分投最高的标。在确定要对特定部分投的标的量时，投标人通常将雇佣认购人(underwriters)在部分内并且在可能利用的有限时间内尽可能多地评价资产。在投标的期限将至时，投标人将评价当时被认购的(underwritten)资产，然后试图对资产推算(extrapolate)一个尚未由认购人分析出来的价值。

这个过程的结果可能是，投标人严重低估了某部分，所投的标要么没有竞争性，要么高于被认购的价值，为此承担无量化的风险。当然，因为目标是以使投标人挣取收益的价格赢得每个部分，所以，由于对部分的严重低估而丧失一个部分，就表明丧失一次机会。需要提供一种系统，它便于在短时间内精确评价大量的金融工具并明白给定投标的收益的相关概率。

发明简述

在典型实施例中，提供一种循环的自适应的方法，其中将投资组合划分成三种主要估价(valuations)。根据不利的样本(adversesample)进行对资产投资组合的第一类估价的完全认购(fullunderwriting)。从普通的描述性属性的类别中对第二种估价类型有效地取样，将有选择的随机样本中的资产全部认购。第三种估价类型，需以统计方法来推断出估价-这是采用认购价格(underwritingvalues)和第一与第二部分的方差(variances)并应用统计推理来个别地评价第三部分中的每个资产。评价第三部分时使用分类(clustering)和数据扣除(data reduction)。

随着过程的进行和更多的资产被认购，具有在第一和第二部分中确定的价格的资产的数量增加，第三部分中的资产的估价的方差变得越来越确定。更具体来说，对第三部分中的资产进行评估的方法是，根据第一和第二部分中的资产的估价的相似性将这些资产组合成具有价格概率的群集(clusters)。

公开一种用于通过将来自完全被认购的资产、带有完整数据表示的其它未被认购的资产和可从带有具有类似的可识别特征的部分或不完整数据表示的未被认购的资产得到的数据中的至少之一的价值投射到其数据表示是部分的或不完整的的未被认购的资产上而预测该未被认购的资产的价值的方法。该方法包含以下步骤：按照风险对资产采样，认购资产并记录估定价格，构成市场价值群集，为被认购的资产建立回归模型，为被认购的资产选择最佳模型，计算模型被选择的次数，使用所选择的模型来对未被认购的资产的认购价值进行预测。

附图简介

图1是表示一个用于评价资产的投资组合的已知过程的流程图；

图2是表示按照本发明的一个实施例评价资产的投资组合的流程图；

图3的流程图更详细地表示把大型资产投资组合分解成差异的类别的快速评价过程的第一部分的实施例；

图4的流程图表示从一个基础到一个部分或投资组合基础聚集的大型资产投资组合的快速评价过程的第一部分；

图5表示其回收价值被推断的典型资产的概率分布；

图6是图3的过程的监控学习步骤的流程图；

图7是图3的过程的无监控学习步骤的流程图；

图8是无监控学习的过程的实施例；

图9是第一代(第一回合)快速资产评价过程的实施例；

图10是在图8的无监控学习中使用的模糊分类(fuzzyclustering)方法；

图11的一对表表示的是快速资产评价过程的模型选择和模型加权的例子；

图12是表示快速资产评价过程的典型属性的表；

图13是用于快速资产评价过程的示例性群集方法的群集图；

图14是计算机网络示意图。

发明详述