互联网资产证券化平台建设技术方案及路线1、资产证券化AA资产证券化解决方案是基于商务智能的敏捷架构设计与分布式计算技术专利充分整合发起方内部资产全景视图，并可在线对千万级资产数据进行各种数据分析和数据挖掘。同时该设计方案能够最大程度上的保证系统架构的灵活性和前瞻性，降低和其它系统的耦合度，使未来的维护更灵活，更简单。采用AA先进的现金流分析和设计引擎，能准确的对资产证券化产品进行评级测算，定价，流动性管理等各种定量分析，充分提高资产证券化产品的收益能力。AA资产证券化解决方案，旨在为发起方的资产证券化产品提供从资产池提取，到产品流动性分析，存续期管理在内的所有功能。2、金融大数据商务智能AA大数据与商务智能解决方案是基于商务智能在线分析能力，结合AA分布式计算技术专利，对海量数据进行实时的统计，分析，数据挖掘，及数据展现。其数据分析，数据挖掘能力，在金融大数据应用领域，例如征信，风控，资产证券化，资产智能处理等各方都得到了高效的应用。AA大数据商务解决方案，可以跨平台，支持各种客户端，包括手机，电脑，平板等设备同时对商业智能模型进行访问。基于分布式计算技术，以及数据快照技术，旨在云端满足用户对数据分析，数据处理以及数据挖掘的全方位需求。同时基于智能处理和分析结果，对数据的整合，清洗，特别是数据的交易，提供全方位的支持。技术路线为了实现资产条数在百万级别的资产池的快速有效的多维度目标化计算，我们采用了主成分分析(PCA)降维方法以及K-均值聚类方法对原始资产进行处理。整个目标化流程可以分为如下三个步骤。步骤一：资产池统计降维客户选取了N个目标化条件，例如加权平均贷款与资产抵押比率(LTV)，加权平均账龄，贷款利率，贷款区域等等，构成了N个维度。对于资产条目在百万级别的客户而言，在N较大时计算量较大。因此我们考虑对资产池目标化条件进行降维，以去除统计意义上的冗余目标化条件，取得计算速度和准确性的平衡，提高目标化效率。在诸多统计降维方法中，主成分分析(PCA)是一种简单有效的基于无监督学习的降维方法。它的核心是通过计算样本数据的协方差矩阵来分析各个维度对于统计属性的贡献度，并通过协方差矩阵的特征值分解来获得最具统计意义的降维特征空间。在此降维后的特征空间中进行信贷数据的聚类和拟合，将大大提高计算效率。针对大数据资产池的PCA算法实现如下：计算目标化属性协方差对银行整体资产中的每条信贷记录，根据选定的N个目标化属性，可以记为N维向量x。则对于所有田条原始资产，可以计算出x的协方差矩阵如下：X=1£(x(i))(x(i))Tmi=1此处对也经进行零均值化和归一化处理。这是一个NxN的矩阵，代表了原始样本体现出来的N个目标化属性之间的相关性。对协方差矩阵进行特征值分解计算出协方差矩阵£的特征向量，按列排放，而组成矩阵U：U=[uu,...u]12n此处，u1是主特征向量（对应最大的特征值），u2是次特征向量。以此类推，另记«』，•••，«为相应的特征值。U1,u2乃至un互相正交，具有互不相关的统计意义。每个特征向量都代表了使得资产的属性分布最具有统计意义的坐标轴，其对应的特征值即为所有资产在该坐标轴上投射的信息量的量化表示。选择特征向量个数进行降维一般而言对于国内信贷资产的各项统计属性，对应于最大3或4个特征值的特征向量构成的空间通常可以包含资产池80%以上的统计信息。如果我们选择前两个特征向量u1和u2，我们可以把乂用（u1,u2）基表达为：x=UTx=[uTX]rotuTx2这是一个2行m列的矩阵，即对于我们选出来的主成分u1和u2,m条原始N维资产工就降维（投影）到2维表示。在这个变换的过程中我们保留了最具统计意义的两个投影维度，而忽略其他较弱的成分。特征向量矩阵。具有正交性，即满足UTU=UUt=I,所以若想将旋转后的资产记录Xr°t还原为原始资产数据葺,将其左乘矩阵U即可：x=Uxrot目标化属性的协方差矩阵和主特征向量是在银行整体资产样本的基础上计算得到的，代表了对该银行该类信贷资产而言最优的目标化维度空间，可以一次计算而在较长的时期内重复使用，而无需每次对新增的资产进行重复计算。矩阵相乘在计算机上的运算速度较快，因此在得到主特征向量矩阵的基础上可以实时地对资产数据进行目标化前和目标化后的转换和对比。假设我们将10个目标化统计属性通过PCA主成分分析方法减少至3个变换维度，则可以将目标化计算时间缩短到原来的1/3到1/4。步骤二：信贷资产聚类（区间化）步骤一中的降维处理降低了计算量，为步骤二的快速计算奠定了基础。为了对资产池进行目标化，我们需要对每个目标化维度进行区间化，以获得足够细分的备选资产区间，并且每个区间内的资产具有目标化属性同质性，而不同