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。采纳 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，我们采纳了主成分分析(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：1.计算目标化属性协方差对银行整体资产...
