Seluruh sistem perdagangan-pinjaman

Seluruh sistem perdagangan-pinjaman

Los-7-pasos-forex
Rencana pelatihan-proposal-template
Penawaran saham bawah air-tender-tender


Pilihan-trading-cibc Pilihan-trading-probabilitas Thomas-cook-smart-forex-card-login Stock-options-minimum-upah Trading-options-101 Stock-options-and-college-financial-aid

Wholesale Banking BREAKING DOWN Wholesale Banking Wholesale perbankan dimaksudkan untuk menggambarkan praktik keuangan pinjaman dan pinjaman antara dua institusi besar. Layanan perbankan yang dianggap grosir hanya diperuntukkan bagi instansi pemerintah, dana pensiun. Perusahaan dengan keuangan yang kuat dan pelanggan institusi lainnya dengan ukuran dan ukuran yang sama. Layanan ini terdiri dari manajemen kas. Pembiayaan peralatan, pinjaman besar, jasa merchant banking dan trust, antara lain. Perbankan grosir juga mengacu pada pinjaman dan pinjaman antar bank institusi. Jenis pinjaman ini terjadi di pasar antar bank dan seringkali melibatkan sejumlah besar uang. Sebagian besar bank standar beroperasi sebagai bank pedagang dan menawarkan layanan perbankan grosir selain layanan perbankan ritel tradisional. Ini berarti bahwa seseorang yang mencari perbankan grosir tidak harus pergi ke institusi khusus dan malah bisa melibatkan bank yang sama di mana dia melakukan perbankan ritel pribadinya. Contoh Wholesale Banking Cara termudah untuk mengkonseptualisasikan wholesale banking adalah dengan menganggapnya sebagai superstore diskon seperti Costco yang berurusan dalam jumlah besar sehingga dapat menawarkan harga khusus atau mengurangi biaya, berdasarkan dolar per dolar. Ini menjadi menguntungkan bagi organisasi atau institusi besar dengan jumlah aset atau transaksi bisnis yang tinggi untuk terlibat dalam layanan perbankan grosir daripada layanan perbankan ritel. Misalnya, ada banyak kesempatan di mana bisnis dengan banyak lokasi membutuhkan solusi perbankan grosir untuk pengelolaan kas. Perusahaan teknologi dengan kantor satelit merupakan kandidat utama untuk layanan ini. Katakanlah bahwa perusahaan SaaS memiliki 10 kantor penjualan yang tersebar di seluruh Amerika Serikat, dan masing-masing 50 anggota tim penjualan memiliki akses ke kartu kredit perusahaan. Pemilik perusahaan SaaS juga mewajibkan setiap kantor penjualan menyimpan 1 juta cadangan tunai. Berjumlah 10 juta di seluruh bisnis. Mudah untuk melihat bahwa perusahaan dengan profil ini terlalu besar untuk perbankan ritel standar. Sebagai gantinya, pemilik bisnis dapat melibatkan bank dan meminta fasilitas perusahaan yang menyimpan semua akun keuangan perusahaan. Layanan perbankan grosir bertindak seperti fasilitas yang menawarkan diskon jika bisnis memenuhi persyaratan minimum cadangan kas dan atau persyaratan transaksi bulanan minimum, yang mana perusahaan SaaS akan dipukul. Oleh karena itu, menguntungkan bagi bisnis untuk terlibat dalam fasilitas perusahaan yang mengkonsolidasikan semua akun keuangannya dan mengurangi biaya, daripada mempertahankan 10 rekening giro ritel dan 50 kartu kredit ritel terbuka. Sistem Dan Metode Untuk Mengoptimalkan Harga Tetap Seluruh Perdagangan Utuh AS 20140188692 A1 Mengoptimalkan tingkat bunga keseluruhan seluruh perdagangan pinjaman. Secara khusus, penemuan ini menyediakan sistem dan metode berbasis komputer untuk mengepak secara optimal populasi keseluruhan pinjaman menjadi obligasi baik dalam struktur obligasi senior atau ke dalam kumpulan surat berharga yang dijamin oleh agen pemerintah. Model untuk setiap jenis struktur obligasi diproses pada populasi pinjaman sampai ada paket obligasi yang optimal ditemukan atau pengguna menentukan bahwa solusi dengan kualitas tinggi yang memadai ditemukan. Selain itu, model dapat menjelaskan tawaran untuk keseluruhan pinjaman dengan mengalokasikan keseluruhan pinjaman yang memenuhi persyaratan penawaran namun paling tidak menguntungkan untuk mendapatkan sekuritisasi. (25) Yang diklaim adalah: 1. Metode yang diterapkan oleh komputer terdiri dari: menciptakan, oleh komputer, sebuah model yang terdiri dari fungsi objektif yang mewakili nilai pasar total struktur ikatan senior untuk pluralitas pinjaman dan memaksimalkan, oleh komputer, fungsi tujuan untuk memaksimalkan nilai pasar total Dari struktur ikatan senior. 2. Metode klaim yang diterapkan di komputer 1. dimana langkah memaksimalkan fungsi obyektif terdiri dari: menentukan harga pasar setiap pinjaman yang menentukan kupon eksekusi rata-rata tertimbang untuk pluralitas pinjaman sesuai dengan harga pasar setiap pinjaman yang menentukan jumlah pasar Nilai struktur senior pada kupon eksekusi rata-rata tertimbang pertama yang mengulangi kupon eksekusi rata-rata tertimbang dan menentukan nilai pasar total untuk struktur senior di setiap iterasi dan menentukan kupon eksekusi rata-rata tertimbang yang memiliki nilai pasar total tertinggi untuk struktur senior. 3. Metode klaim yang diterapkan di komputer 1. selanjutnya terdiri dari pengembangan dan memaksimalkan fungsi objektif untuk membagi secara optimal setidaknya satu dari pinjaman menjadi dua pinjaman semu untuk mencegah terciptanya ikatan bunga atau obligasi pokok saja, dua pinjaman semu yang terdiri dari Nilai kupon yang berbeda 4. Metode yang diterapkan secara komputer untuk menyatukan populasi pinjaman secara optimal melalui paket obligasi, metode yang terdiri dari: memilih populasi pinjaman yang menentukan, oleh komputer, eksekusi yang optimal dari setiap pinjaman dari populasi pinjaman dengan cara membeli atau Membeli dari biaya penjaminan yang menentukan satu atau lebih kolam dimana setiap pinjaman memenuhi syarat untuk membangun sebuah model berdasarkan setidaknya satu kendala untuk setidaknya satu kolam yang ditentukan dan mengalokasikan pinjaman ke satu atau lebih melewati kumpulan obligasi. 5. Metode klaim yang diimplementasikan secara komputer 4 selanjutnya terdiri dari penentuan, oleh komputer, setidaknya satu modul dari satu atau lebih modul yang dikonfigurasi untuk menampung populasi pinjaman agar melewati paket obligasi berdasarkan masukan yang diterima, dimana sekurang-kurangnya satu Modul terdiri dari modul pass-through. 6. Metode klaim yang diimplementasikan secara komputer 4. dimana model terdiri dari fungsi objektif yang terdiri dari kombinasi linier dari nilai pasar masing-masing populasi pinjaman. 7. Metode klaim yang diterapkan komputer 6. dimana mengalokasikan pinjaman terdiri dari mengeksekusi model untuk memaksimalkan fungsi objektif. 8. Metode klaim yang diimplementasikan secara komputer 4. selanjutnya terdiri dari mengubah setidaknya satu kendala dari masing-masing melewati kolam obligasi menjadi batasan bersyarat. 9. Metode klaim yang diimplementasikan secara komputer 4. selanjutnya terdiri dari pengkonversian setidaknya sebagian dari sekurang-kurangnya satu batasan dari masing-masing melewati kolam obligasi menjadi batasan bersyarat sebelum memproses model untuk memastikan bahwa model dapat dipecahkan. 10. Metode klaim yang diimplementasikan secara komputer 4. selanjutnya terdiri dari mengubah masing-masing dari setidaknya satu kendala menjadi kendala bersyarat untuk memungkinkan hambatan diterapkan hanya melalui kumpulan obligasi yang dialokasikan. 11. Metode klaim yang diimplementasikan secara komputer 4. selanjutnya terdiri dari mengalokasikan setidaknya satu dari populasi pinjaman ke kolam yang tidak dapat dialokasikan. 12. Metode klaim yang diimplementasikan secara komputer 4. selanjutnya terdiri dari mengalokasikan pinjaman ke dalam kolam yang tidak dapat dialokasikan jika masing-masing melewati kolam obligasi tidak dapat dialokasikan dengan populasi pinjaman, dimana pinjaman di kolam yang tidak dialokasikan diberi nilai pasar nol dan dimana memproses model Selanjutnya terdiri dari meminimalkan jumlah pinjaman yang dialokasikan ke kolam yang tidak dapat dialokasikan. 13. Metode klaim yang diimplementasikan secara komputer 4. dimana model menyumbang batasan masing-masing melewati pool bond dan pembayaran yang terkait dengan masing-masing melewati pool bond. 14. Sebuah sistem yang terdiri dari: memori yang terdiri dari seperangkat instruksi untuk mengalokasikan sebagian dari sejumlah pinjaman ke paket pinjaman dan komputer digabungkan ke memori dan dikonfigurasi untuk melaksanakan serangkaian instruksi untuk: menentukan mana dari jumlah pinjaman yang ada Atau lebih banyak batasan dari paket pinjaman menentukan harga pasar dari masing-masing pluralitas pinjaman berdasarkan model model sekuritisasi fungsi objektif untuk menentukan pinjaman dalam pluralitas pinjaman yang memenuhi satu atau lebih kendala paling tidak menguntungkan untuk sekuritisasi di Model sekuritisasi dan mengalokasikan pinjaman yang memenuhi satu atau lebih kendala dan paling tidak menguntungkan untuk sekuritisasi ke dalam paket pinjaman. 15. Sistem klaim 14 dimana model sekuritisasi terdiri dari model senior. 16. Sistem klaim 14. dimana fungsi objektif dimodelkan untuk meminimalkan spread antara harga rata-rata tertimbang dari pinjaman dalam paket pinjaman dan harga obligasi yang akan diumumkan (TBA) dari kupon rata-rata tertimbang dari pinjaman dalam paket pinjaman . 17. Sistem klaim 14. dimana fungsi objektif dimodelkan untuk meminimalkan nilai dolar dari spread antara harga rata-rata tertimbang dari pinjaman dalam paket pinjaman dan harga obligasi To Be Announced (TBA) dari kupon rata-rata tertimbang dari pinjaman Dalam paket pinjaman 18. Metode untuk mengoptimalkan perdagangan pinjaman tingkat bunga tetap, metode yang terdiri dari: memilih populasi pinjaman yang memilih, komputer, satu atau lebih pinjaman yang memenuhi batasan penentuan tawaran, oleh komputer, harga untuk setiap pinjaman yang memenuhi persyaratan Kendala berdasarkan model sekuritisasi yang menentukan, oleh komputer, apakah akan menggunakan model yang efisien untuk memilih mana dari satu atau lebih pinjaman yang paling tidak menguntungkan untuk mendapat sekuritisasi dan jika model efisien digunakan, kemudian memilih, oleh komputer, dari Satu atau lebih pinjaman paling tidak menguntungkan untuk mendapat sekuritisasi dengan nilai tukar minimum dolar. 19. Metode klaim 18. selanjutnya terdiri dari: menentukan, oleh komputer, setidaknya satu modul dari satu atau lebih modul yang mengoptimalkan tingkat bunga keseluruhan pinjaman berdasarkan masukan yang diterima, dimana setidaknya satu modul terdiri dari keseluruhan modul pinjaman. 20. Metode klaim 18. selanjutnya terdiri dari langkah pengalokasian, oleh komputer, sebagian dari keseluruhan pinjaman ke paket keseluruhan pinjaman untuk penjualan sebagai keseluruhan pinjaman, bagian yang terdiri dari keseluruhan pinjaman memenuhi setidaknya satu kendala dan kurang Menguntungkan daripada seluruh pinjaman lainnya saat dieksekusi menjadi obligasi dalam struktur obligasi jika model efisien tidak digunakan, kemudian memilih, oleh komputer, mana dari satu atau lebih pinjaman yang paling tidak menguntungkan untuk mendapatkan sekuritisasi dengan meminimalkan spread. 21. Sistem yang terdiri dari: komputer yang digabungkan secara komunikatif ke jaringan dan dikonfigurasikan untuk: membuat model yang sesuai dengan sejumlah kolam kupon kupon berlebih dan kolam yang tidak dapat dialokasikan, setiap paket kupon kupon berlebih yang terdiri dari setidaknya satu kendala dan memproses model untuk mengalokasikan masing-masing Pinjaman ke dalam kolam kupon kupon berlebih atau ke kolam yang tidak dapat dialokasikan untuk memaksimalkan total nilai pasar dari kelebihan kupon yang dialokasikan ke paket kupon kupon berlebih. 22. Sistem klaim 21. dimana modelnya terdiri dari fungsi objektif yang mewakili total nilai pasar dari kelebihan kupon yang dialokasikan ke paket kupon kupon berlebih. 23. Sistem klaim 21. dimana komputer dikonfigurasi lebih lanjut untuk mengubah masing-masing dari setidaknya satu kendala menjadi kendala bersyarat. 22. Sistem klaim 21. dimana komputer dikonfigurasi lebih lanjut untuk mengubah masing-masing dari setidaknya satu kendala menjadi kendala bersyarat sehingga memungkinkan batasan hanya berlaku untuk paket kupon kupon berlebih yang dialokasikan. 24. Sistem klaim 21. dimana komputer dikonfigurasi lebih lanjut untuk: mengidentifikasi kelebihan kolam kupon dimana masing-masing pinjaman dapat dialokasikan berdasarkan atribut agunan dari pinjaman dan kolaps setiap pinjaman yang diidentifikasi untuk kelebihan kupon ke dalam satu pinjaman ke Kurangi jumlah pinjaman dalam model. Aplikasi ini merupakan divisi aplikasi paten A.S. Ser. No. 12533.315, yang diajukan pada tanggal 31 Juli 2009, yang mengklaim bahwa Permohonan Paten Sementara A.11. 61191.011, yang diajukan pada tanggal 3 September 2009, yang keduanya digabungkan disini dengan referensi. Penemuan ini umumnya berhubungan dengan sistem dan metode untuk mengoptimalkan perdagangan pinjaman dan lebih khusus lagi pada sistem komputerisasi dan metode yang diterapkan komputer untuk mengoptimalkan paket pinjaman keseluruhan untuk dieksekusi menjadi obligasi dan penjualan sebagai keseluruhan paket pinjaman. Lembaga keuangan, seperti bank investasi, membeli pinjaman dan portofolio pinjaman dari bank atau pemberi pinjaman terutama melakukan sekuritisasi pinjaman ke obligasi dan kemudian menjual obligasi tersebut kepada investor. Obligasi ini dianggap sebagai sekuritas berbasis aset karena dijamin dengan aset pinjaman. Banyak jenis pinjaman dapat disekuritisasi menjadi obligasi, termasuk hipotek perumahan, hipotek komersial, kredit mobil, dan tagihan kartu kredit. Berbagai struktur obligasi dapat diciptakan dari populasi pinjaman, masing-masing struktur memiliki karakteristik dan kendala yang perlu dipertanggungjawabkan untuk memaksimalkan keuntungan yang dapat disadari oleh lembaga keuangan dengan cara sekuritisasi pinjaman ke dalam obligasi. Pengelompokan optimal atau penyatuan pinjaman ke dalam obligasi untuk struktur obligasi tertentu dan populasi pinjaman yang diberikan dapat bergantung pada karakteristik setiap pinjaman dalam populasi. Selanjutnya, kupon obligasi atau kupon eksekusi yang dilakukan oleh masing-masing pinjaman dapat bergantung pada bond pool atau pelaksanaan terbaik satu sama lain pinjaman dalam populasi. Karena populasi pinjaman biasa yang dipertimbangkan untuk sekuritisasi ke dalam obligasi sangat besar (misalnya 10.000 pinjaman atau lebih), menentukan penyatuan pinjaman secara optimal untuk sekuritisasi ke dalam obligasi dapat menjadi tantangan. Dengan demikian, yang dibutuhkan adalah sistem dan metode untuk mengoptimalkan kemasan populasi pinjaman menjadi obligasi untuk struktur obligasi tertentu. Penemuan ini menyediakan sistem komputerisasi dan metode yang diterapkan komputer untuk mengoptimalkan tingkat bunga pinjaman keseluruhan untuk seluruh populasi pinjaman. Aspek dari penemuan ini menyediakan sebuah sistem untuk mengoptimalkan tingkat bunga tetap keseluruhan perdagangan pinjaman. Sistem ini mencakup sistem komputasi yang mencakup aplikasi perangkat lunak termasuk satu atau lebih modul yang dapat dioperasikan untuk mengembangkan model untuk menentukan strategi sekuritisasi untuk populasi keseluruhan pinjaman, strategi sekuritisasi termasuk obligasi dan dapat dioperasikan untuk memproses model sampai strategi sekuritisasi yang optimal untuk Populasi keseluruhan pinjaman ditemukan dan antarmuka pengguna untuk menerima masukan pengguna untuk satu atau lebih modul dan untuk mengeluarkan strategi sekuritisasi yang optimal, antarmuka pengguna berada dalam komunikasi dengan aplikasi perangkat lunak. Aspek lain dari penemuan ini menyediakan metode penerapan komputer untuk menentukan kupon obligasi eksekusi yang optimal untuk setiap pinjaman dalam kelompok pinjaman dalam struktur ikatan senior. Metode ini mencakup pembuatan model yang terdiri dari fungsi objektif yang mewakili total nilai pasar struktur ikatan senior untuk pinjaman. Selanjutnya, metode ini mencakup memaksimalkan fungsi objektif untuk memaksimalkan total nilai pasar struktur ikatan senior. Aspek lain dari penemuan ini memberikan metode yang diimplementasikan secara komputer untuk mengumpulkan pinjaman secara optimal agar bisa melewati kumpulan obligasi. Metode ini mencakup pemilihan populasi pinjaman. Selanjutnya, untuk setiap pinjaman pemilihan populasi pinjaman, metode ini mencakup penentuan eksekusi optimal setiap pinjaman dengan membeli atau membeli biaya penjaminan. Selanjutnya, metode ini mencakup penentuan satu atau beberapa kolam dimana setiap pinjaman memenuhi syarat. Selain itu, metode ini mencakup membangun model berdasarkan setidaknya satu kendala untuk setidaknya satu kolam yang ditentukan dan mengalokasikan pinjaman ke satu atau lebih melewati kumpulan obligasi. Aspek lain dari penemuan ini menyediakan sebuah sistem termasuk memori yang memiliki seperangkat instruksi untuk mengalokasikan sebagian dari kelompok pinjaman ke paket pinjaman. Selanjutnya, sistem ini mencakup komputer yang digabungkan ke memori. Setelah pelaksanaan serangkaian instruksi komputer menentukan pinjaman mana yang memenuhi satu atau lebih batasan paket pinjaman. Selain itu, komputer menentukan harga pasar masing-masing pinjaman berdasarkan model sekuritisasi. Selanjutnya, komputer dapat memodelkan fungsi objektif untuk menentukan pinjaman dalam kelompok pinjaman yang memenuhi satu atau lebih kendala yang paling tidak menguntungkan untuk sekuritisasi dalam model sekuritisasi dan mengalokasikan pinjaman yang memenuhi satu atau lebih kendala dan paling tidak menguntungkan untuk Sekuritisasi ke dalam paket pinjaman. Aspek lain dari penemuan ini memberikan metode untuk mengoptimalkan tingkat bunga tetap keseluruhan perdagangan pinjaman. Metode ini mencakup langkah-langkah untuk memilih populasi pinjaman yang memilih satu atau lebih pinjaman yang memenuhi batasan penawaran yang menentukan harga setiap pinjaman yang memenuhi batasan berdasarkan model sekuritisasi yang menentukan apakah akan menggunakan model yang efisien untuk memilih mana dari Satu atau lebih pinjaman paling tidak menguntungkan untuk mendapat sekuritisasi. Selanjutnya, jika model yang efisien digunakan, metode ini mencakup pemilihan hutang atau lebih banyak pinjaman yang paling tidak menguntungkan untuk mendapat sekuritisasi dengan nilai tukar minimum dolar. Aspek lain dari penemuan ini memberikan suatu sistem untuk menggabungkan kupon berlebih secara optimal yang dihasilkan dari sekuritisasi pinjaman. Sistem meliputi dan jaringan dan komputer menular yang digabungkan ke jaringan. Selanjutnya, komputer menciptakan model yang sesuai dengan kolam bond kupon berlebih dan kolam yang tidak dapat dialokasikan, setiap kolam kupon kupon berlebih termasuk setidaknya satu kendala dan memproses model untuk mengalokasikan masing-masing pinjaman ke dalam kolam kupon kupon berlebih atau ke kolam yang tidak dapat dialokasikan Untuk memaksimalkan total nilai pasar dari kelebihan kupon yang dialokasikan ke paket kupon kupon berlebih. Aspek-aspek ini dan aspek lainnya, fitur dan perwujudan dari penemuan ini akan menjadi jelas bagi seseorang yang memiliki keahlian biasa dalam bidang ini dengan mempertimbangkan uraian rinci berikut tentang perwujudan ilustrasi yang mencontohkan mode terbaik untuk melaksanakan penemuan ini seperti yang dirasakan saat ini. Uraian Singkat Gambar Untuk pemahaman yang lebih lengkap tentang perwujudan yang patut dicontoh dari penemuan ini dan keuntungannya, referensi sekarang dibuat pada uraian berikut, bersamaan dengan gambar yang menyertainya secara singkat digambarkan sebagai berikut. ARA. 1 adalah diagram blok yang menggambarkan sebuah sistem untuk mengoptimalkan tingkat bunga pinjaman keseluruhan secara keseluruhan sesuai dengan satu perwujudan teladan dari penemuan ini. ARA. 2 adalah bagan alir yang menggambarkan metode untuk mengoptimalkan keseluruhan perdagangan pinjaman tingkat bunga tetap sesuai dengan satu perwujudan teladan dari penemuan ini. ARA. 3 adalah bagan alir yang menggambarkan metode untuk menentukan strategi sekuritisasi untuk populasi pinjaman sesuai dengan satu perwujudan teladan dari penemuan ini. ARA. 4 adalah bagan alir yang menggambarkan metode untuk mengemas populasi pinjaman ke dalam struktur manula yang sesuai dengan satu perwujudan patut dicontoh dari penemuan ini. ARA. 5 adalah bagan alir yang menggambarkan metode untuk mengemas populasi pinjaman ke dalam struktur manula yang sesuai dengan satu perwujudan teladan dari penemuan ini. ARA. 6 adalah diagram alir yang menggambarkan metode untuk mengemasi populasi pinjaman agar melewati ikatan sesuai dengan satu perwujudan teladan dari penemuan ini. ARA. Gambar 7 adalah bagan alir yang menggambarkan metode untuk mengemas seluruh pinjaman sesuai dengan satu perwujudan teladan dari penemuan ini. ARA. 8 adalah diagram alir yang menggambarkan metode untuk menggabungkan kupon berlebih sesuai dengan satu perwujudan teladan dari penemuan ini. Uraian Lengkap Penemuan Penemuan ini menyediakan sistem dan metode berbasis komputer untuk mengoptimalkan tingkat bunga tetap keseluruhan perdagangan pinjaman. Secara khusus, penemuan ini menyediakan sistem dan metode berbasis komputer untuk mengepak secara optimal populasi keseluruhan pinjaman menjadi obligasi baik dalam struktur obligasi senior atau ke dalam kumpulan surat berharga yang dijamin oleh agen pemerintah. Model untuk setiap jenis struktur obligasi diproses pada populasi pinjaman sampai ada paket obligasi yang optimal ditemukan atau pengguna menentukan bahwa solusi dengan kualitas tinggi yang memadai ditemukan. Selain itu, model dapat menjelaskan tawaran untuk keseluruhan pinjaman dengan mengalokasikan keseluruhan pinjaman yang memenuhi persyaratan penawaran namun paling tidak menguntungkan untuk mendapatkan sekuritisasi. Meskipun perwujudan yang patut dicontoh dari penemuan ini dibahas dalam bentuk keseluruhan pinjaman (terutama suku bunga tetap hipotek perumahan), aspek-aspek dari penemuan ini juga dapat diterapkan untuk perdagangan jenis pinjaman dan aset lainnya, seperti pinjaman suku bunga variabel dan hutang revolving. Penemuan ini dapat terdiri dari program komputer yang mewujudkan fungsi yang dijelaskan di sini dan diilustrasikan dalam diagram alir yang ditambahkan. Namun, harus jelas bahwa mungkin ada banyak cara untuk menerapkan penemuan ini dalam pemrograman komputer, dan penemuan ini tidak boleh dianggap terbatas pada satu set instruksi program komputer manapun. Selanjutnya, seorang programmer yang terampil akan dapat menulis program komputer semacam itu untuk mengimplementasikan perwujudan penemuan yang diungkapkan berdasarkan diagram alir dan deskripsi yang terkait dalam teks aplikasi. Oleh karena itu, pengungkapan serangkaian instruksi kode program tertentu tidak dianggap perlu untuk pemahaman yang memadai tentang bagaimana membuat dan menggunakan penemuan ini. Fungsi inventif dari program komputer yang diklaim akan dijelaskan secara lebih rinci dalam uraian berikut dibaca bersamaan dengan gambar-gambar yang menggambarkan alur program. Selanjutnya, akan dihargai bagi mereka yang ahli dalam bidang ini sehingga satu atau beberapa tahap yang dijelaskan dapat dilakukan oleh perangkat keras, perangkat lunak, atau kombinasi daripadanya, yang dapat diwujudkan dalam satu atau lebih sistem komputasi. Sekarang beralih ke gambar, di mana angka seperti mewakili elemen di sepanjang gambar, aspek perwujudan contoh akan dijelaskan secara rinci. ARA. Gambar 1 adalah diagram blok yang menggambarkan suatu sistem (100) untuk mengoptimalkan tingkat bunga tetap keseluruhan perdagangan pinjaman sesuai dengan satu perwujudan teladan dari penemuan ini. Mengacu pada Gbr. 1. sistem 100 mencakup sistem komputasi (110) yang terhubung ke jaringan terdistribusi (140). Sistem komputasi 110 mungkin komputer pribadi yang terhubung ke jaringan terdistribusi 140. Sistem komputasi 110 dapat mencakup satu atau beberapa aplikasi, seperti aplikasi pengoptimal perdagangan pinjaman 120. Pengoptimal perdagangan pinjaman teladan ini mencakup empat modul 121 - 124 yang dapat beroperasi secara individu atau berinteraksi satu sama lain untuk memberikan kemasan pinjaman yang optimal ke dalam satu atau lebih struktur obligasi dan keseluruhan paket pinjaman. Modul manula mensubordinasikan pinjaman ke dalam struktur obligasi senior dengan obligasi yang memiliki peringkat kredit berbeda dan nilai kupon bersih yang berbeda. Seperti akan dibahas secara lebih rinci dengan mengacu pada gambar. 4-5. Modul senior mensarikan pinjaman ke obligasi yang memiliki peringkat AAA, obligasi subordinasi dengan peringkat kredit yang lebih rendah, dan, tergantung pada pinjaman dan nilai kupon obligasi AAA dan obligasi subordinasi, obligasi hanya bunga dan obligasi utama. Modul pass-thru 122 mendistribusikan pinjaman melalui obligasi yang dijamin oleh badan pemerintah, seperti Freddie Mac atau Fannie Mae. Modul pass-thru 122 secara optimal mengumpulkan pinjaman ke To Be Announced (TBA) melalui sekuritas berdasarkan berbagai kendala. Modul pass-thru (122) dibahas lebih rinci di bawah ini dengan mengacu pada Gbr. 6. Modul pinjaman keseluruhan 123 mengalokasikan pinjaman untuk memenuhi tawaran portofolio pinjaman memenuhi persyaratan dan batasan penawaran tertentu. Keseluruhan modul pinjaman (123) dapat berinteraksi dengan modul manula atau modul pass-thru (122) untuk mengalokasikan pinjaman yang memenuhi persyaratan penawaran namun kurang menguntungkan untuk mendapatkan sekuritisasi. Keseluruhan modul pinjaman (123) dibahas di bawah ini secara lebih rinci dengan mengacu pada Gbr. 7. Modul kelebihan kupon (124) membagikan kelebihan kupon pinjaman sekuritisasi ke dalam beberapa tahapan atau paket obligasi yang berbeda. Modul kupon berlebih 124 dapat mengumpulkan kelebihan kupon yang dihasilkan dari struktur ikatan manula yang dibuat oleh modul induk senior 121 dan atau kelebihan kupon akibat melewati sekuritas yang dibuat oleh modul pass-thru 122. Modul kupon kelebihan (124) dibahas di bawah ini secara lebih rinci dengan mengacu pada Gbr. 8. Pengguna dapat memasukkan informasi ke dalam antarmuka pengguna 115 dari sistem komputasi 110. Informasi ini dapat mencakup jenis struktur obligasi untuk dioptimalkan, batasan yang terkait dengan struktur obligasi dan kolam obligasi, informasi yang terkait dengan tawaran pinjaman, dan informasi lainnya yang dipersyaratkan oleh pengoptimal perdagangan pinjaman 120. Setelah informasi tersebut diterima oleh user interface 115. Informasi disimpan di unit penyimpanan data 125. Yang bisa berupa database perangkat lunak atau struktur memori lainnya. Pengguna juga dapat memilih populasi pinjaman untuk dipertimbangkan agar optimalisasi dengan cara antarmuka pengguna 115. Pinjaman dapat disimpan dalam database yang tersimpan pada atau digabungkan ke sistem komputasi 110 atau pada sumber data 150 yang terhubung ke jaringan terdistribusi 140. Antarmuka pengguna 115 juga dapat menampilkan paket dan paket pinjaman keseluruhan kepada pengguna paket yang ditentukan oleh pengoptimalan perdagangan pinjaman 120. Pengoptimal perdagangan pinjaman (120) dapat berkomunikasi dengan beberapa sumber data (150) melalui jaringan terdistribusi (140). Misalnya, pengoptimal perdagangan pinjaman (120) dapat berkomunikasi dengan sumber data (150) untuk menentukan harga TBA Fannie Mae dan sumber data lain (150) untuk menentukan harga Treasury A.S. Dalam contoh lain, pengoptimalan perdagangan pinjaman (120) dapat berkomunikasi dengan sumber data (150) untuk mengakses informasi yang terkait dengan tawaran untuk keseluruhan paket pinjaman. Jaringan terdistribusi 140 mungkin berupa jaringan area lokal (LAN), wide area network (WAN), Internet atau jenis jaringan lainnya. ARA. 2 adalah bagan alir yang menggambarkan metode 200 untuk mengoptimalkan keseluruhan perdagangan pinjaman tingkat bunga tetap sesuai dengan satu perwujudan teladan dari penemuan ini. Mengacu pada gambar. 1 dan 2. pada langkah 205. Antarmuka pengguna 115 menerima masukan dari pengguna. Masukan pengguna ini digunakan oleh pemodel perdagangan pinjaman 120 untuk mengetahui struktur obligasi yang harus dioptimalkan untuk populasi pinjaman. Misalnya, jika pengguna ingin mengetahui penyatuan pinjaman secara optimal untuk melewati obligasi, pengguna dapat memasukkan batasan untuk setiap kumpulan obligasi. Contoh kendala untuk melewati kumpulan obligasi mencakup hambatan terhadap saldo pinjaman, jumlah pinjaman untuk kolam, dan total saldo pinjaman untuk kolam. Pada langkah 210. Populasi pinjaman dipilih untuk optimasi. Populasi pinjaman dapat dipilih dari pinjaman yang tersimpan dalam database pinjaman yang disimpan atau digabungkan ke sistem komputasi 110 atau dari database pada sumber data 150 yang terhubung ke jaringan terdistribusi 140. Populasi pinjaman dapat mencakup pinjaman yang saat ini dimiliki oleh pengguna (misalnya bank investasi) dari optimizer perdagangan pinjaman 120 dan atau pinjaman yang diajukan oleh bank lain, pemberi pinjaman, atau lembaga lainnya. Misalnya, pengguna dapat menggunakan pengoptimal perdagangan pinjaman 120 untuk mengetahui nilai maksimum portofolio pinjaman yang saat ini dijual untuk menentukan tawaran optimal untuk portofolio pinjaman. Selain itu, pengguna dapat memilih populasi pinjaman dengan menentukan kriteria tertentu, seperti saldo pinjaman maksimum, lokasi pinjaman, dan nilai FICO. Pada langkah 215. Pengoptimal perdagangan pinjaman (120) menentukan strategi sekuritisasi untuk populasi pinjaman yang dipilih pada langkah 210. Bergantung pada masukan pengguna yang diterima pada langkah 205. Pengoptimal perdagangan pinjaman (120) menggunakan satu atau lebih dari modul manula. Modul pass-thru 122. Dan seluruh modul pinjaman 123 untuk menentukan strategi sekuritisasi untuk populasi pinjaman. Langkah 215 dibahas lebih rinci dengan mengacu pada gambar. 3-7. Pada langkah 220. Pengoptimal perdagangan pinjaman 120 menentukan apakah strategi sekuritisasi yang dikembalikan pada langkah 215 memiliki kualitas yang cukup tinggi. Dalam perwujudan yang patut dicontoh ini, pengoptimalan perdagangan pinjaman 120 mengulangi langkah untuk menentukan strategi sekuritisasi untuk populasi pinjaman sampai solusi optimal ditemukan atau pengguna menentukan bahwa strategi sekuritisasi berkualitas tinggi. Agar pengguna dapat menentukan apakah strategi sekuritisasi jika cukup berkualitas, maka pemodulasi perdagangan pinjaman 120 dapat mengeluarkan hasilnya kepada pengguna melalui antarmuka pengguna 115. Pengoptimal perdagangan pinjaman (120) dapat menampilkan hasil ini berdasarkan sejumlah iterasi pada langkah 215 (misalnya setiap 100 iterasi) atau bila tingkat kualitas tertentu ditemukan. Antarmuka pengguna (115) kemudian dapat menerima masukan dari pengguna yang menunjukkan apakah strategi sekuritisasi berkualitas tinggi. Jika strategi sekuritisasi cukup berkualitas atau optimal, metode 200 berlanjut ke langkah 225. Jika tidak, metode 200 kembali ke langkah 215. Dalam satu perwujudan teladan, kualitas diukur berdasarkan nilai total dolar dari populasi pinjaman. Misalnya, pengguna mungkin ingin menjual populasi pinjaman setidaknya sepuluh juta dolar untuk menawar pinjaman. Pengguna dapat menetapkan ambang batas untuk pengoptimal perdagangan pinjaman 120 untuk hanya mengembalikan solusi yang memenuhi ambang ini atau solusi yang merupakan solusi optimal jika solusi optimal berada di bawah ambang batas ini. Pada langkah 225. Kelebihan modul kupon (124) dari pengoptimal perdagangan pinjaman (120) dapat menggabungkan kelebihan kupon yang dihasilkan dari strategi sekuritisasi yang ditentukan pada langkah 215. Langkah ini bersifat opsional dan dibahas di bawah secara lebih rinci dengan mengacu pada Gbr. 8. Pada langkah 230. Pengoptimal perdagangan pinjaman (120) mengkomunikasikan strategi sekuritisasi terakhir ke antarmuka pengguna (115) untuk dikeluarkan kepada pengguna. Antarmuka pengguna 115 dapat menampilkan strategi sekuritisasi terakhir dan secara opsional kemungkinan strategi sekuritisasi lain dengan tingkat kualitas yang sama. ARA. 3 adalah bagan alir yang menggambarkan metode 215 untuk menentukan strategi sekuritisasi untuk populasi pinjaman sesuai dengan satu perwujudan teladan dari penemuan ini. Mengacu pada gambar. 1 dan 3. pada langkah 305. Pengoptimal perdagangan pinjaman 120 menentukan model mana yang akan digunakan untuk menentukan strategi sekuritisasi. Dalam perwujudan contoh ini, pengoptimal perdagangan pinjaman (120) mencakup modul senior manula (121). Modul pass-thru 122. Dan seluruh modul pinjaman 123. Masing-masing modul 121 - 123 dapat membangun dan memproses model untuk menentukan kemasan pinjaman yang optimal seperti yang dibahas di bawah ini. Pengoptimal perdagangan pinjaman 120 menentukan modul mana yang digunakan 121 - 123 berdasarkan masukan yang diterima dari pengguna pada langkah 205 pada Gbr. 2. Sebagai contoh, pengguna dapat menentukan bahwa hanya struktur senior yang harus dioptimalkan untuk populasi pinjaman. Sebagai alternatif, jika pengguna memasukkan informasi tawaran untuk portofolio keseluruhan pinjaman, pengoptimal perdagangan pinjaman 120 dapat melaksanakan keseluruhan modul pinjaman 123 dengan modul manula dan modul pass-thru 122 untuk menentukan pinjaman mana yang memenuhi persyaratan Tawaran dan paling tidak menguntungkan untuk sekuritisasi. Additionally, a user may specify that both an optimal seniorsubordinate bond structure and an optimal pooling of pass through bonds should be determined for the population of loans. If the user selected that a seniorsubordinate bond structure should be optimized, the method 215 proceeds to step 310 . At step 310 . the seniorsubordinate module 121 develops a model for packaging the population of loans into a seniorsubordinate bond structure and processes the model to determine an optimal seniorsubordinate bond structure for the loan population. Step 310 is discussed in more detail with reference to FIGS. 4 and 5. After the seniorsubordinate structure is determined, the method 215 proceeds to step 220 ( FIG. 2 ). If the user selected that the population of loans should be optimally pooled into pass through bonds, the method 215 proceeds to step 315 . At step 315 . the pass-thru module 122 develops a model for pooling the population of loans into multiple bond pools and processes the model to determine an optimal pooling for the loan population. Step 315 is discussed in more detail with reference to FIG. 6. After the pooling is determined, the method 215 proceeds to step 220 ( FIG. 2 ). If the user selected that whole loans should be allocated to a package of whole loans to be sold, the method 215 proceeds to step 320 . At step 320 . the whole loan module 123 develops a model for allocating whole loans that meet certain constraints and are less favorable to be securitized into a whole loan package and processes the model to determine which loans are best suited for the whole loan package. Step 320 is discussed in more detail with reference to FIG. 7. After the whole loan package is determined, the method 215 proceeds to step 220 ( FIG. 2 ). FIG. 4 is a flow chart depicting a method 310 for packaging a population of loans into a seniorsubordinate bond structure in accordance with one exemplary embodiment of the present invention. As briefly discussed above with reference to FIG. 1. a seniorsubordinate bond structure is a structure where bonds with different credit ratings are created. Typically, the seniorsubordinate bond structure includes a senior tranche of bonds having a AAA or similar credit rating and a subordinate tranche of bonds having a lower credit rating. The senior tranche is protected from a certain level of loss by the subordinate tranche as the subordinate tranche incurs the first losses that may occur. The senior trance can be sold to investors desiring a more conservative investment having a lower yield, while the subordinated tranche can be sold to investors willing to take on more risk for a higher yield. For the purpose of this application, a AAA rated bond refers to a bond in the senior tranche, but not necessarily a bond having a credit rating of AAA. Additionally, interest only (IO) and principal only (PO) bonds may be created in a seniorsubordinate structure. An IO bond is created when the net coupon of a loan is more than the coupon of the bond in which the loan executes. Thus, the difference in the loan coupon and the bond coupon creates an interest only cash flow. Similarly, when the loan coupon is less than the bond coupon, a PO bond is created which receives only principal payments. Referring to FIGS. 1 and 4. at step 405 . the seniorsubordinate module 121 determines the bond coupons that are available for executing the loans into. The seniorsubordinate module 121 may obtain the available bond coupons from a data source 150 or may receive the available bond coupons from the user by way of the user interface 115 in step 205 of FIG. 2. For example, the user may desire to execute the loans into bonds having coupon values between 4.5 and 7.0. At step 410 . the seniorsubordinate module 121 selects a first bond coupon value from the range of available bond coupon values. This first coupon value can be the lowest bond coupon value, the highest coupon value, or any other bond coupon value in the range of available bond coupon values. At step 415 . the seniorsubordinate module 121 determines the execution price of each loan in the population of loans at the selected coupon value. Each loan in the population of loans is structured as a bond. The cash flow of each loan is distributed into symbolic AAA and subordinate bonds, and depending on the coupon of the loan and the selected bond coupon, an IO or PO bond. The principal payment and interest cash flows of each loan is generated in each period accounting for loan characteristics of the loan, such as IO period, balloon terms, and prepayment characteristics. The cash flow generated in each period is distributed to all bonds that the loan executes taking into account shifting interest rules that govern the distribution of prepayments between the AAA and the subordinate bonds in each period. The proportion in which the principal payments are distributed depends on the subordination levels of the AAA and the subordinate bonds. The subordination levels are a function of the loan attributes and are supplied by rating agencies for each loan through an Application Program Interface (API) coupled to the computing device 110 . Prepayments are first distributed pro rata to the PO bond and then between the AAA and the subordinate bonds based on the shifting interest rules. Any remaining prepayment is distributed proportionally among all the subordinate bonds. The interest payment for each of the bonds is a direct function of the coupon value for the bond. After the cash flows of each of the bonds for each of the loans have been generated, the present value of these cash flows is determined. For fixed rate loans, the AAA bonds can be priced as a spread to the To Be Announced (TBA) bond prices. However, the subordinate bond cash flows are discounted by a spread to the U.S. Treasury Yield Curve. The IO and PO bonds are priced using the Trust IO and PO prices. Finally, the price of the AAA bond, the subordinate bonds, and the IO or PO bond is combined proportionally for each loan based on the bond sizes to get the final bond price for each loan. This final bond price is the price of the loan executing into the bond given the selected coupon value of the bond. At step 420 . the seniorsubordinate module 121 determines if there are more bond coupon values in the range of available bond coupon values. If there are more bond coupon values, the method 310 proceeds to step 425 . Otherwise, the method 310 proceeds to step 430 . At step 425 . the next bond coupon value in the range of available bond coupon values is selected. In one exemplary embodiment, the seniorsubordinate module 121 can increment from the previous selected bond coupon value (e.g. 0.5 increments) to determine the next bond coupon value. In an alternative embodiment, the seniorsubordinate module 121 can progress through a fixed list of bond coupon values. For example, the user may select specific bond coupon values to execute the loans into, such as only 4.0, 5.0, and 6.0. After the next bond coupon value is selected, the method 310 returns to step 415 to determine the execution price of each loan in the population of loans at the new coupon value. At step 430 . the seniorsubordinate module 121 determines, for each loan in the population of loans, which bond coupon value yielded the highest final bond price for that particular loan. At step 435 . the seniorsubordinate module 121 groups the loans according to the bond coupon value that yielded the highest final bond price for each loan. For example, if the available bond coupon values are 4.0, 5.0, and 6.0, each loan that has a highest final bond price at 4.0 are grouped together, while each loan that has a highest final bond price at 5.0 are grouped together, and each loan that has a final bond price at 6.0 are grouped together. After step 435 is complete, the method proceeds to step 220 ( FIG. 2 ). In the embodiment of FIG. 4. the subordinate bonds for each loan execute at the same bond coupon value as the corresponding AAA bond. For example, if a first loan of 6.25 best executes into a bond having a coupon value of 6.0, then a AAA bond of 6.0 and a subordinate bond that is priced at U.S. Treasury spreads specified for execution coupon 6.0 is created. If a second loan of 5.375 best executes into a bond having a coupon value of 5.0, then a AAA bond of 5.0 and a subordinate bond that is priced at U.S. Treasury spreads specified for execution coupon 5.0 is created. This creates two AAA bonds and two subordinate bonds at two different coupon values. Typically, when loans are packaged in a seniorsubordinate bond structure, multiple AAA bonds with multiple coupon values are created with a common set of subordinate bonds that back all of the AAA bonds. This set of subordinate bonds is priced at the weighted average (WA) execution coupon of all of the AAA bonds created for the loan package. Pricing the subordinate bonds at the WA execution coupon implies that the spread to the benchmark U.S. Treasury curve, which is a function of the bond rating and the execution coupon of the subordinate bond, has to be chosen appropriately. In order to know the WA execution coupon of all the AAA bonds for the population of loans, the best execution coupon for each loan in the population of loans has to be known. In order to know the best execution coupon of each loan, the loan has to be priced at different bond coupon values and the AAA and subordinate bonds created at those coupons also have to be priced. However, the subordinate bond cash flows are discounted with spreads to the U.S. Treasury, with spreads taken at the WA best execution coupon which is still unknown. This creates a circular dependency as the best execution of each loan in the population of loans now depends on all the other loans in the population. FIG. 5 is a flow chart depicting a method 500 for packaging a population of loans into a seniorsubordinate structure in accordance with one exemplary embodiment of the present invention. The method 500 is an alternative method to that of method 310 of FIG. 4. accounting for pricing subordinate bonds at the WA execution coupon and provides a solution to the circular dependency discussed above. The WA execution coupon for a population of loans can be calculated by: In Equation 1, x ij is a binary variable with a value of either 0 or 1, whereby a value of 1 indicates that the i th loan is optimally executing at the j th execution coupon value. The parameters d 0 to d j represent the j execution coupon values. For example, the coupons values could range from 4.5 to 7.0. Finally, the parameter b i represents the balance of the i th loan. If q o to q j are the weights of the j execution coupons, then: where q 0 to q 1 are special ordered sets of type two, which implies that at most two are non-zero and the two non-zero weights are adjacent. Let Pa ij be the price of the AAA bond when loan i executes at coupon j. Next, let Ps ij be the overall price of all of the subordinate bonds combined when loan i executes at coupon j. Finally, let Pio ij and Ppo ij be the prices of the IO and PO bonds respectively when loan i executes at coupon j. The AAA bond prices and the IO and PO bond price components of loan i executing at coupon j are linear functions of x ij . The AAA priced as a spread to the TBA is a function of the execution coupon of the AAA bond and the IOPO prices are a lookup based on collateral attributes of the loan. However, pricing the subordinate bonds is complicated because the subordinate cash flows are discounted at the WA execution coupon. Let P i be a matrix of size jj that contains the prices of the subordinate bonds. The (m,n) entry of the matrix represents the price of the subordinate cash flows when the cash flow of loan i is generated assuming that loan i executes at the m th coupon and is discounted using subordinate spreads for the n th coupon. Subordinate spreads to the U.S. Treasury are a function of the execution coupon and any product definition, such as the size (e.g. JumboConforming), maturity (e.g. 1530 years), etc. The price of the subordinate bond of the i th loan can be written as: which is a non linear expression as the equation contains a product of q and x ij . both of which are variables in this equation. FIG. 5 provides a method 500 for overcoming this non-linearity. Referring to FIG. 5. at step 505 . the seniorsubordinate module 121 determines the optimal execution price for each loan in the population of loans independent of the WA execution coupon. In one exemplary embodiment, the seniorsubordinate module 121 employs the method 310 of FIG. 4 to find the optimal execution price for each loan. At step 510 . the seniorsubordinate module 121 determines the WA execution coupon corresponding to the optimal execution price for each loan. This WA execution coupon can be found using Equation 1 above. At step 515 . the seniorsubordinate module 121 determines the weights (i.e. q 0 q j ) of each execution coupon for the WA execution coupon found in step 510 . These weights can be found using Equation 3 above. At step 520 . the seniorsubordinate module 121 builds a model including an objective function to determine the optimal execution coupon for each loan to maximize the total market value of all of the bonds in the seniorsubordinate structure. The expression of the objective function contains ij terms, where the ij term represents the market value of executing the i th loan at the j th execution coupon. After inserting the values of the weights of the execution coupons (i.e. qs) into the expression for subordinate bond price (Equation 4), only two of the terms will be non-zero for the sub-price of the i th loan executing at the j th execution coupon. As the method 200 of FIG. 2 iterates step 215 . different WA execution coupons can be used to maximize the objective function. The iterations can begin with the WA execution coupon found in step 510 and the seniorsubordinate module 121 can search around this WA execution coupon until either the optimal solution is found or the user decides that a solution of sufficient high quality is found in step 220 of FIG. 2. In other words, the seniorsubordinate module 121 searches for an optimal solution by guessing several values of the WA execution coupon around an initial estimate of the optimal execution coupon. After a final solution is found by the seniorsubordinate module 121 . the loans can be grouped based on the coupon values for each loan in the final solution to the objective function. In some instances, one of the undesirable effects of the seniorsubordinate bond structure is the creation of IO andor PO bonds, which may not trade as rich as AAA bonds. In some exemplary embodiments, the seniorsubordinate module 121 can ameliorate this issue by considering a loan as two pseudo loans. For example, a loan having a net rate of 6.125 and a balance of 100,000 can be considered equivalent to two loans of balance b1 and b2 and coupons 6 and 6.5 such that the following conditions are satisfied: The first condition conserves the original balance, while the second condition is to set the WA coupon of the two pseudo loans to equal the net rate of the original loan. Solving these equations for b1 and b2, we find that b175,000 and b225,000. These two loans, when executed at 6.0 and 6.5 bond coupons respectively, avoids the creation of either an IO bond or a PO bond. Although in the above example two adjacent half point coupons were used to create the two pseudo loans, two coupons from any of the half point bond coupons that are being used to create the bonds can be used. For example, if only bond coupons from 4.5 to 7.0 are being used to create the bonds, there would be fifteen combinations to consider (6C215). In some cases, the best solution is not to split the loan into two adjacent half point bond coupons. For example, this split may not be optimal if the AAA spreads at the two adjacent half point coupons are far higher than the ones that are not adjacent to the net balance of the loan. The seniorsubordinate module 121 can construct a linear program or linear objective function to determine the optimal split into pseudo loans. The output of the linear program is the optimal splitting of the original loan into pseudo loans such that the overall execution of the loan is maximized, subject to no IO bond or PO bond creation. For each loan i, let variable x ij indicate the balance of loan i allocated to the jth half point coupon, subject to the constraint that the sum of over x ij for all j equals to the balance of loan i and the WA coupon expressed as a function of the x ij s equals to the net coupon of loan i, similar to Equation 6 above. Let the execution coupons be r 0 to r n . Thus, this equation becomes: where b i is the balance of loan i and c i is the net coupon of loan i. The price of loan i executing at coupon j is the sum of the price of the AAA bond and the subordinate bonds. No IO or PO bonds are created when the coupons are split. The seniorsubordinate module 121 calculates the price of the AAA bond as a spread to the TBA, where the spread is a function of the execution coupon j. In one embodiment, the seniorsubordinate module 121 also calculates the price of the subordinate bond as a spread to the TBA for simplification of the problem. Cash flows are not generated as the split of the balances to different execution coupons is not yet known. The seniorsubordinate module 121 combines the price of the subordinate bond and the AAA bond in proportion to the subordination level of loan i, which can be input by a user in step 205 of FIG. 2 or input by an API. At this point, the seniorsubordinate module 121 has calculated the price of loan i (P ij ) for each execution coupon j. To determine the optimal splitting of the original loan into pseudo loans, the seniorsubordinate module 121 creates the following objective function and works to maximize this objective function: Equation 8 is a simple linear program with two constraints and can be solved optimally. The solution gives the optimal split of the loan into at most two coupons and thus, a bond can be structured without creating any IO or PO bonds. The user can determine if the bond should be split or not based on the optimal execution and other business considerations. FIG. 6 is a flow chart depicting a method 315 for packaging a population of loans into pass through bonds in accordance with one exemplary embodiment of the present invention. A pass through bond is a fixed income security backed by a package of loans or other assets. Typically, as briefly discussed above with reference to FIG. 1. a pass through bond is guaranteed by a government agency, such as Freddie Mac or Fannie Mae. The government agency guarantees the pass through bond in exchange for a guarantee fee (Gfee). The Gfee can be an input provided by the agencies for a specific set of loans or can be specified as a set of rules based on collateral characteristics. Regardless of how the Gfee is obtained, the Gfee for a loan set is known. When loans are securitized as a pass through bond, one has the option to buy up or buy down the Gfee in exchange for an equivalent fee to the agencies. Buying up the Gfee reduces the net coupon and thus the price of the bond as well. This upfront buy up fee is exchanged in lieu of the increased Gfee coupon. Similarly, buying down the Gfee reduces the Gfee and increases the net coupon and therefore increases the bond price. An upfront fee is paid to the agencies to compensate for the reduced Gfee. The Fannie Mae and Freddie Mac agencies typically provide buy up and buy down grids each month. Referring to FIG. 1. these grids can be stored in a data source 150 or in the data storage unit 125 for access by the pass-thru module 122 of the loan trading optimizer 120 . If the Gfee is bought up or bought down, an excess coupon is created. The amount of buy up or buy down of Gfee can vary based on collateral attributes of the loan and can also be subject to a minimum and maximum limit. Referring now to FIGS. 1 and 6. at step 605 . the pass-thru module 122 determines the optimal execution of each loan by buy up or buy down of the Gfee. In one exemplary embodiment, the optimal execution of each loan is determined by finding the overall price of the loan for each available buy up and buy down of the Gfee. Typically, a Gfee can be bought up or down in increments of 1100 th of a basis point. The pass-thru module 122 implements a loop for each loan from the minimum to the maximum Gfee buy up with a step size of 1100 th of a basis point. Similarly, the pass-thru module 122 implements a loop for each loan from the minimum to the maximum Gfee buy down with a step size of 1100 th of a basis point. In each iteration, the amount of Gfee buy up or buy down is added to the current net rate of the loan. From this modified net rate of the loan, the TBA coupon is determined as the closest half point coupon lower than or equal to the modified net rate. The excess coupon is equal to the modified net rate of the TBA coupon and the price of the excess coupon is a lookup in the agency grid. The fee for the buy up or buy down is also a lookup in the agency grid. The price of the TBA coupon is a lookup from the TBA price curve. When the Gfee is bought up, the cost is added to the overall price and when the Gfee is bought down, the cost is subtracted from the overall price. The pass-thru module 122 determines the overall price of execution for the loan at each iteration and determines the optimal execution for the loan as the execution coupon of the TBA for which the overall price is maximized. This overall cost is the combination of the price of the TBA coupon, the price of the excess coupon, and the cost of the Gfee (added if buy up, subtracted if buy down). At step 610 . the pass-thru module 122 determines which TBA pools each loan is eligible for. Pooling loans into TBA bonds is a complex process with many constraints on pooling. Furthermore, different pools of loans have pool payups based on collateral characteristics. For example, low loan balance pools could prepay slower and thus may trade richer. Also, loan pools with geographic concentration known to prepay faster may trade cheaper and thus have a negative pool payup. Thus, pooling optimally taking into account both the constraints and the pool payups can lead to profitable execution that may not be captured otherwise. Each of the TBA pools for which a loan can be allocated has a set of pool eligibility rules and a pool payup or paydown. Non-limiting examples of pools can be a low loan balance pool (e.g. loan balances less than 80K), a medium loan balance pool (e.g. loan balance between 80K and 150K), a high loan balance pool (e.g. loan balances above 150K), a prepay penalty loan pool, and an interest only loan pool. For a loan to be allocated to a specific pool by the pass-thru module 122 . the loan has to satisfy both the eligibility rules of the pool and also best execute at the execution coupon for that pool. The pass-thru module 122 applies the eligibility rules of the TBA bond pools to the loans to determine the TBA bond pools for which each loan is eligible. The pass-thru module 122 can utilize pool priorities to arbitrate between multiple pools if a loan is eligible for more than one pool. If a loan is eligible to be pooled into a higher and lower priority pool, the pass-thru module 122 allocates the loan to the higher priority pool. However, if a loan is eligible for multiple pools having the same priority, the pass-thru module 122 can allocate the loan into either of the pools having the same priority. At step 615 . the pass-thru module 122 builds a model for allocating the loans into TBA pools based on the constraints of each TBA bond pool. Let x ij be a binary variable with a value of 1 or 0 which has a value of 1 when loan i is allocated to TBA bond pool j. The total loan balance and loan count constraints of the TBA pools are linear functions of the x ij variables. The objective function for this model is also a linear combination of the market values of each loan. The primary problem in this model is that the given loan population selected in step 210 of FIG. 2 may not be sufficient to allocate all TBA loan pools, as some of the pools may not have loans to satisfy the balance and count constraints or the loans may not be eligible for those pools. In such cases, it is desirable for the pools to have the constraints when applicable. If there are some pools for which there are not enough loans in the population of loans to form a pool, then such pools are not subjected to the specified constraints while the other pools are. However, it is not possible to know a-priori which pools do not have enough loans to satisfy the constraints. Thus, the model employs conditional constraints to allow constraints to be applicable to only those pools which are allocated. The pooling model is modified to allow for some loans to not be allocated to any pool. This non-allocation will ensure that the model is always solvable and is similar to introducing a slack variable in linear programming. Thus, for each loan in the population of loans, there is an additional binary variable representing the unallocated pool into which the loan can be allocated. Those loans allocated to the unallocated pool are given a zero costmarket value, thus encouraging the pass-thru module 122 to allocate as many loans as possible. The next step in building this pooling model is to introduce p binary variables for the p possible TBA pools. A value of 1 indicates that this pool is allocated with loans satisfying the pool constraints and a value of 0 indicates that this pool is not allocated. These variables are used to convert simple linear constraints into conditional constraints. Each constraint of each pool is converted to conditional constraints for the pooling model. To detail this conversion, a maximum loan count constraint is considered for pool P. Let x 1 to x n be binary variable where x i are the loans eligible for pool P. Next, let x 1 . x n U, where U equals the total number of loans in pool P. Finally, let w be the binary variable to indicate if pool P is allocated. The user constraint for maximum loan count is specified as UK, where K is given by the user. In order to impose this constraint conditionally, this constraint is transformed to the following two constraints: UK w UM w where M is a constant such that the sum of all x i s is bounded by M. Consider both the cases when pool P is allocated (w1) and when pool P is not allocated (w0) below: w1: UK (required) UM (redundant) w0: U0 U0 The only way for U0 would be when all the x i s are 0 and thus, pool P will be unallocated. Other constraints, such as minimum count, minimum balance, maximum balance, average balance, and weighted average constraints can be transformed similarly for the pooling model. After all of the constraints are transformed to conditional constraints, the pooling model is ready to handle constraints conditionally. At step 620 . the pass-thru module 122 executes the pooling model to allocate the loans into TBA pools. After the pass-thru module 122 executes the model for one iteration, the method 315 proceeds to step 220 ( FIG. 2 ). As the method 200 of FIG. 2 iterates step 215 . different TBA pool allocations are produced by the pass-thru module 122 until either the optimal TBA pool allocation is found or until the user decides that a solution of sufficient high quality is found in step 220 ( FIG. 2 ). FIG. 7 is a flow chart depicting a method 320 for packaging whole loans in accordance with one exemplary embodiment of the present invention. The method 320 identifies an optimal package of loans meeting a set of constraints given by a customer or investor. In this embodiment, the loan package is optimized by determining which loans, among the population of loans that meet the constraints, are least favorable to be securitized. Although the method 320 of FIG. 7 is discussed in terms of the seniorsubordinate bond structure, other bonds structures or models can be used. Referring to FIG. 7. at step 705 . the whole loan module 123 determines which loans in the population of loans meets constraints of a bid for whole loans. Investment banks and other financial institutions receive bids for whole loans meeting specific requirements. These requirements can be entered into the user interface 115 at step 205 of FIG. 2 andor stored in the data storage unit 125 or a data source 150 . The constraints can include requirements that the loans must satisfy, such as, for example, minimum and maximum balance of the total loan package, constraints on the weighted average coupon, credit ratings of the recipients of the loans (e.g. FICO score), and loan-to-value (LTV) ratio. The constraints can also include location based constraints, such as no more than 10 of the loan population be from Florida and no zip code should have more than 5 of the loan population. After the whole loan module 123 selects the loans that meet the constraints, at step 710 . the whole loan module 123 determines the price of each loan that meets the constraints based on a securitization module. For example, the price of the loans may be calculated based on the seniorsubordinate structure discussed above with reference to FIGS. 4 and 5 . At step 715 . the whole loan module 123 determines whether to use an efficient model to select loans least favorable to be securitized by minimizing the dollar value of the spread of execution of the loans based on a securitization model or a less efficient model to select loans least favorable to be securitized by minimizing the spread of execution of the loans based on a securitization model. In one exemplary embodiment, this determination can be based on the total number of loans in the population or chosen by a user. If the whole loan module 123 determines to use the efficient model, the method 320 proceeds to step 725 . Otherwise, the method 320 proceeds to step 720 . At step 720 . the whole loan module 123 selects loans that are least favorable to be securitized by minimizing the spread of execution of the loans based on the seniorsubordinate bond structure. The whole loan module 123 builds a model to select a subset of the loans that meet the constraints such that the WA price of the loans of this subset net of the TBA price of the WA coupon of this subset is minimized. The TBA price of the WA coupon of the subset is typically higher as the TBA typically has a better credit quality and hence the metric chosen will have a negative value. The objective function that needs to be minimized is given by: In Equation 9, x 1 to x n are binary variables with a value of either 0 or 1, whereby a value of 1 indicates that the loan is allocated and 0 otherwise. The variables b 1 to b n are the balances of the loans and p 1 to p n are the prices of the loans as determined in step 710 . The variables q 1 to q m are the weights for each of the half point coupons and px 1 to px m are the TBA prices for the half point coupons. The weights are special ordered sets of type two, which as discussed above, implies that at most two are non-zero and the two non-zero weights are adjacent. Thus, the expression (q 1 px 1 . q m px m ) is the price of the WA coupon of the allocated loans. The weights (q 1 -q m ) are subject to the constraints: The equations above are analyzed when z i is set to 1 and z i is set to 0 and which shows that y i will be y 0 or zero within a tolerance of eps. Eps is a model specific constant and is suitably small to account for lack of numerical precision in a binary variable. The tolerance eps is utilized in this model as although binary variables are supposed to be 0 or 1, the binary variables suffer from precision issues and thus, the model should accommodate numerical difficulties. The source of this precision issue is the way y 0 has been defined. The denominator of y 0 M(x 1 b 1 . x n b n ) is essentially the sum of the balances of all loans in the pool, which can be a very large number resulting in a small y 0 . After building the model, the whole loan module 123 minimizes the objective function in Equation 13 with each iteration of step 215 of FIG. 2 while maintaining the constraints of the subsequent equations 17- 21 . The loans that are allocated into the whole loan package are the loans that meet the constraints of the bid and have a y value equal to y 0 . After step 720 is completed, the method 320 proceeds to step 220 ( FIG. 2 ). At step 725 . the whole loan module 123 selects loans that are least favorable to be securitized by minimizing the dollar value of the spread of execution of the loans based on the seniorsubordinate bond structure. Thus, the difference of the market value of the allocated loans and the notional market value of the loan pool using the price of the WA execution coupon is minimized. The objective function that needs to be minimized for this model is given by: After building the model, the whole loan module 123 minimizes the objective function in Equation 24 with each iteration of step 215 of FIG. 2 while maintaining the constraints of the subsequent equations 25-29. The loans that are allocated into the whole loan package are the loans that meet the constraints of the bid and have a y value equal to y 0 . After step 725 is completed, the method 320 proceeds to step 220 of FIG. 2. FIG. 8 is a flow chart depicting a method 225 for pooling excess coupon in accordance with one exemplary embodiment of the present invention. The excess coupon module 124 can pool the excess coupon of securitized loans into different tranches or pools. The excess coupon module 124 can take a large population of loans (e.g. 100 thousand or more), each with some excess coupon, and pool the loans into different pools, each pool with a different coupon and specified eligibility rules. Each of the pools can also have a minimum balance constraint. Pools that are created with equal contribution of excess coupon from every loan that is contributing to that pool typically trades richer than pools that have a dispersion in the contribution of excess from different loans. Therefore, it is profitable to create homogeneous pools. Referring to FIG. 8. at step 805 . the excess coupon module 124 converts the pool constraints into conditional constraints as some of the pools defined in this excess coupon model may not have loans to satisfy the pool constraints. This conversion is similar to the conversion of constraints discussed above with reference to FIG. 6. At step 810 . the excess coupon module 124 builds a model to determine the optimal pooling for the excess coupons. Let x ij be the contribution of excess coupon from loan i to pool j. Unlike the pooling model in FIG. 6 above, this variable is not a binary variable. However, an unallocated pool is added to the set of user defined pools which enables the pass-thru module 122 to always solve the model and produce partial allocations. The first constraint of this excess coupon model is the conservation of excess coupon allocated among all the pools for each loan. Any loan that does not get allocated to a user defined pool is placed in the unallocated pool, and thus the unallocated pool is also included in the conservation constraint. In this embodiment, the unallocated pool does not have any other constraint. The objective function of this excess coupon model is to maximize the total market value of the excess that gets allocated. Unallocated excess coupon is assigned a zero market value and thus the solver tries to minimize the unallocated excess coupon. In this model, the excess coupon module 124 tries to create the maximum possible pools with equal excess contribution. Any leftover excess from all the loans can be lumped into a single pool and a WA coupon pool can be created from this pool. An aspect of this excess coupon model is to enforce equality of the excess coupon that gets allocated from a loan to a pool. Furthermore, it is not necessary that all loans allocate excess to a given pool. Thus, the equality of excess is enforced only among loans that have a non-zero contribution of excess to this pool. Let xp 0 to xp p be p real variables that indicate the amount of excess in each pool. Also, let w ij be a binary variable that indicates if loan i is contributing excess to pool. For each eligible loan i, for pool j, the following constraints are added: When M is chosen to be the maximum excess coupon of all loans in the allocation, the expression xp j M is negative. Thus, from x ij 0 and that all excess coupons have to be zero or positive, this implies that x ij 0 when w ij 0. This excess coupon model can be difficult to solve because of its complexity level. In order to reduce the complexity, the excess coupon module 124 employs dimensionality reduction. The first step of this process is to identify the pools into which a loan can be allocated. Eligibility filters in this excess coupon model specify the mapping of the collateral attributes of the loans to the coupons of the pools that the attributes can go into. For example, loans with a net coupon between 4.375 and 5.125 can go into pools of 4.5 or 5.0. Unlike the pooling model discussed above with reference to FIG. 6. there are no pool priorities. At step 815 . the excess coupon module 124 identifies the pool into which a given loan can be allocated based on the collateral attributes of the loan and independent of the pool execution coupon. This gives a one to one mapping between the loans and the pools. At step 820 . the excess coupon module 124 collapses all loans having the same excess coupon within a given pool definition into a single loan. This approach can significantly reduce the number of loans in the loan population. After the population of loans is reduced, the excess coupon module 124 maximizes the objective function at step 825 . The excess coupon module 124 can iteratively determine solutions to the objective function until an optimal solution is found or until a user decides that a solution of sufficient high quality is found. One of ordinary skill in the art would appreciate that the present invention provides computer-based systems and methods for optimizing fixed rate whole loan trading. Specifically, the invention provides computer-based systems and methods for optimally packaging a population of whole loans into bonds in either a seniorsubordinate bond structure or into pools of pass through securities guaranteed by a government agency. Models for each type of bond structure are processed on the population of loans until either an optimal bond package is found or a user determines that a solution of sufficient high quality is found. Additionally, the models can account for bids for whole loans by allocating whole loans that meet requirements of the bid but are least favorable to be securitized. Although specific embodiments of the invention have been described above in detail, the description is merely for purposes of illustration. It should be appreciated, therefore, that many aspects of the invention were described above by way of example only and are not intended as required or essential elements of the invention unless explicitly stated otherwise. Various modifications of, and equivalent steps corresponding to, the disclosed aspects of the exemplary embodiments, in addition to those described above, can be made by a person of ordinary skill in the art, having the benefit of this disclosure, without departing from the spirit and scope of the invention defined in the following claims, the scope of which is to be accorded the broadest interpretation so as to encompass such modifications and equivalent structures.Loan Management System SSIs Loan Management System (LMS) underlies all the product modules SSI offers. LMS consists of a comprehensive loan data model, tape cracking model, and reporting tools, providing a true end-to-end platform for managing all loan processes from acquisition to exit. SSIs end-to-end solution helps Securitization Conduits manage their pipeline and track loans through all stages, from initial acquisition through sale, securitization or portfolio management. Sophisticated data capture, workflow and reporting tools facilitate all processes, including servicing oversight, claims management and pipeline monitoring. Whats in the box Manage purchase of whole loans Handle flow and bulk acquisition Crack seller bid tapes setup import maps per seller run standard validations Run overviews - multiple stratifications of the loan data Mark package as wonlost Capture package trade details required for funding for won bids Load custodian receiptexception reports and record final disposition Generate funding memoschedule Agency Pricing Pooling and Delivery Seamless integration with bank LOS and servicing systems Perform best-execution pooling to create an optimal pooling allocation of loans available for sale Manage loan delivery workflow for agency, whole loan sale, and nonagency MBS executions Both pool and loan-by-loan delivery (including forward flow sales) can be captured Accommodates the entire spectrum of mortgage products, including HECMs and HELOCs Load data and document issues from custodians and agency edits, and enable analysts to resolve discrepancies during the delivery process Access 3rd pa rty data and analytics services Create pooling files in required Fannie, Freddie, and Ginnie formats Highly configurable to accommodate unique bank strategies and private investor stips Monitor, manage and respond to repurchase requests Due Diligence Automated data loading of due diligence service results into LMS Review credit compliance data Review diligence service results and record final disposition Real-time due diligence vendor integrations Comment, upload docs, interact with sellers and vendors directly through LMS Position Management Maintain historical loan-level mark to market prices as well as pricing assumptions Integrate with clients proprietary valuation model and store loan level results Report on acquisition and transfer prices, current and historical positions, performingnon-performing status, etc. Track position information on whole loan and MSRs and report on each position separately or in aggregate Manage whole loan sale or securitization process for loans in inven tory Source loans for deals using various criteria tag loans to create deal pooling Generate replines for deal Create comp mat and term sheet tables Track deal balances and pay statuses post-securitization Update inventory status after securitization Counterparty Management Manage counterparty information Track Status and Counterparty identifying information Track documents associated with counterparty Capture contact namesaddresses and wire instructions What does it do for me
Online-trading-signal-forex
Ym-trading-system