JP2004185421A - Financial quantitative evaluation system - Google Patents

Abstract

<P>PROBLEM TO BE SOLVED: To construct a financial quantitative evaluation system hardly affected by influence of distortion of a distribution or an outlier for increasing determination accuracy, suitably applicable to a determinative analysis of an individual company, and capable of ranking companies according to their creditability for easy ranking of them. <P>SOLUTION: This financial quantitative evaluation system quantitating financial data according to a company creditability and an erroneous determination ratio is constructed of a primary model finding a financial score by placing emphasis on the order of company creditability, a secondary model finding creditability evaluation value by placing emphasis on determination between non-default and default, and a tertiary model performing scoring by combining the order of the primary model and determination of the secondary model together. <P>COPYRIGHT: (C)2004,JPO&NCIPI

Description

【０００４】しかし、このロジットモデルを財務定量評価モデルへ応用する場合、財務定量評価モデルで使用する実際の財務データにおいては、線形判別分析の前提条件である「二群の財務指標が正規分布に従い，かつ分散，共分散が等しいこと」を担保できないため、ロジットモデルは分布の歪みの影響を受けやすいことが分かった。また、Ｚ値を線形式に依って算出するため、ロジットモデルは異常値（外れ値）の影響を受けやすいことも判明した。このようにデフォルト確率分析においてロジットモデルを適用すると、判別精度を低下させる要因が顕現化してしまうため、本発明では、分布の歪みや外れ値の影響を受け難く、判別精度を高めることができる財務定量評価システムを構築することを第一の課題とした。
【０００５】また、ロジットモデルは、サンプル企業全体としてのデフォルト確率のフィットが最も高まるようにモデルを構築することが可能である一方、個別企業ごとの推定デフォルト確率の妥当性については何ら保証されない。しかし、実務的には、ロジットモデルから算出される個別企業ごとの詳細な推定デフォルト確率等の数値が一人歩きしてしまい、企業の財務状態を多面的に分析することを怠る傾向も見られ、却ってユーザをミスリードしてしまう可能性が生じる。本発明の第二の課題は、個別の企業分析にも適した財務定量評価システムを構築することである。
【０００６】ロジットモデルにおけるロジスティック関数への入力値であるＺ値とは、線形判別関数値に対数オッズを加えたものである。ここで、線形判別モデルとは、▲１▼非デフォルト／デフォルトの二グループのＺ値の分布が最も隔たっていて、かつ、▲２▼バラツキも最も小さくなるように、統計的に推定されたモデルである。よって、▲１▼▲２▼を同時に満たすモデルが「判別精度の高い良いモデル」であるから、判別精度を高めるほど、ロジスティック関数により変換される推定デフォルト確率は０％と１００％の近辺に二極化される傾向にある。結果として、二極化する傾向があるロジットモデルは、非デフォルト／デフォルトの判別には役立つものの、企業信用力の序列をつけにくい等、格付け付与には適さない面がある。本発明の第三の課題は、企業の序列化に適した、格付け付与が容易な財務定量評価システムを構築することである。
【０００７】
【課題を解決するための手段】本発明によれば、上述の課題は、前記特許請求の範囲に記載した手段にて達成される。すなわち、その基本的な構成は、財務データを企業信用力の序列および誤判別率に従って数量化する財務定量評価システムであって、複数の財務指標データとスコア値とを対応付けるスコアテーブルを有し、財務指標データからスコア値を算出するスコア算出手段と、算出されたスコア値の異常を検出する検証部と、スコア値が異常と判断されたときには前記スコアテーブルを変更し前記スコア値を再度算出するチューニング制御手段とを有する財務定量評価システム、であり、
【０００８】更に、財務データを企業信用力の序列および誤判別率に従って数量化する財務定量評価システムであって、企業信用力の序列の観点から選択された複数の財務指標を定量化する一次モデル生成部と、非デフォルト／デフォルトの判別の観点から選択された複数の財務指標を定量化する二次モデル生成部と、一次モデル生成部の出力と二次モデル生成部の出力とを関連づけて総合スコアをスコアリングする三次モデル生成部から成る財務定量評価システムであり、より具体的には、一の財務定量評価モデルにおける第一の合成財務指標と、他の財務定量評価モデルにおける第二の合成財務指標とを関連づけてスコアリングする財務定量評価システムであって、
（イ）あるチューニング状態に設定されたスコアリングモデルによって、任意の財務指標からスコアを算出するスコア算出部と、
（ロ）全てのスコアを合成し、総合スコアと予め判明している企業信用力の序列および誤判別率とを対比して検証する検証部と、
（ハ）前記検証結果に基づき前記スコアリングモデルを別のチューニング状態に設定するチューニング部
とを備えた財務定量評価システム、および財務指標からスコア値を得るスコアリングモデルを有する財務定量評価システムであって、
（チ）財務指標の指標値が分布する範囲を区分化する区分化手段と
（リ）区分化された個別の範囲にスコア値を割り当てるスコア化手段と
（ヌ）区分化手段とスコア化手段を制御するチューニング手段、
とを有する財務定量評価システム、などを含むスコアリングモデルを有する財務定量評価システムである。
【０００９】
【発明の実施の形態】図１に、本発明を応用した財務定量評価システム全体の説明図を示す。同図に例示する財務定量評価システムは、多数の財務データを記憶したデータベース４と、第一段階の処理を実行する一次モデル生成部１と、第二段階の処理を実行する二次モデル生成部２と、第三段階の処理を実行する三次モデル生成部３とを有している。
図１において、一次モデル生成部は、主に企業信用力の序列の観点に重点を置いた財務定量評価モデルによって財務データを定量化し、第一の合成財務指標（一次モデル値）を算出する。二次モデルは、主にデフォルト判別の観点に重点を置いた財務定量評価モデルによって財務データを定量化し、第二の合成財務指標（二次モデル値）を算出する。そして三次モデル生成部では、信用力評価の序列を主とした一次モデル生成部における合成財務指標と、デフォルト判別を主とした二次モデル生成部における合成財務指標とを結びつけることにより、財務データを総合的にスコアリングして総合スコアを算出する。
【００１０】図１において、一次モデル生成部は、選択部と算出部とから構成されている。選択部は、データベース４に登録された多数の財務指標の中から一次スコアの算出に用いる財務指標を選択するものである。一次モデル生成部に用いる財務指標は、企業信用力の序列の観点を重視した指標であるから、当該選択部によって選択される財務指標は、図６ａに示すような、自己資本比率、固定比率、売上高経常利益率等の、特定企業における企業信用力を示す財務指標が選択される。算出部は、外部格付や債務者区分と整合的な企業信用力の序列が予め判明している財務データをスコアリングし、前記選択された財務指標値から一次スコアを算出する。算出部は、算出された一次スコアと、一次モデルにおける平均値および誤判別率、図４に示す二群分布形状等とを対比しながら、一次モデルが最適化されるようにスコアリングテーブルを修正し、スコアリングモデルをチューニングする機構を備えている。
【００１１】図２に、一次モデル生成部の構成例を示す。この例は、任意の財務指標を結びつけて企業信用力を評価できる財務定量評価モデルとして広く応用ができる。図２における一次モデル生成部では、選択部が選択した１〜Ｍ個の財務指標を並行処理してスコア値に置き換える構成を採用している。同時に算出されるＭ個のスコア値を、Ｍ個の変数を有する所定の数式、例えば単純な加算もしくは任意の関数を有する式に代入して財務スコアを算出し、仮の一次スコアを導き出す。続いて、序列、誤判別率、一次モデルの平均スコア、図４に示す二群分布形状との対比等を行い、仮の一次スコア値の検証を行う。統計的に十分な数量の企業について、実績による財務データから財務スコアを算出すれば、その財務スコアと予め判明している当該企業の実績ベースの信用力とを対比できるので、当該スコアリングモデルの精度を検証することができる。精度検証の一例として、序列と一次モデルの平均スコアの場合を取り上げるならば、実績ベースの序列ごと一次スコア平均値が信用力の順序に従っているかどうかを確認し、序列に対する平均スコアの逆転が起きている場合には、想定した精度を満たしていないと判断する、などが考えられる。前記検証の結果、当該財務定量評価モデルが予め想定していた精度を満たしていないと判断した場合や、当モデルにチューニングを指示する操作が入った場合には、所定のチューニング機能を働かせて、スコアリングテーブルを修正し、スコアリングモデルを再設定する。
【００１２】この例のスコアリングモデルは、財務指標の指標値とスコア値とを対応付けるスコアリングテーブルを有しているが、このスコアリングテーブルは、線形判別モデルをモディファイする過程で開発されたものである。線形判別モデルによるデフォルト判別では、数２という財務指標の一次結合によって表される判別関数値を相対的に評価し、分析対象企業がデフォルトするか否かを判別する。そもそも判別分析は統計学の多変量解析における一つの手法である。
【数２】

【００１３】スコアリングテーブルは、この線形判別モデルをモディファイする如く、一次スコアの判別精度を高めている。図３に、スコアリングテーブルの説明図を示す。図３（ａ）のヒストグラムは、ある財務指標Ｘと企業数との関係を表したものであるが、図示する区分化手段は、この財務指標の分布を所定数の範囲に区分化する機能を備えている。図３（ｂ）のテーブルは、説明を容易にするために簡略化したスコアリングテーブルを表したものであるが、図示するスコア化手段は、区分化された個別の範囲にスコアを割り当てる機能を備えている。これにより、財務指標Ｘに対する数２の［財務指標×係数］の項は、スコアリングテーブルから引けるスコア値に置き換えることができる。
【００１４】財務指標には様々なものがあるが、指標値と企業信用力評価の間に単調性がみられない等、線形判別分析に適しない性質を有する財務指標についても、区分化手段とスコア化手段の組み合わせによって、スコア値と企業信用力評価との間に単調性を持たせることができる。一次モデルとしては、線形判別分析に適しない性質を有する特定の財務指標の項［財務指標ｋ×係数ｋ］のみをスコアリングモデルから得られるスコア値に置き換える形態や、全ての財務指標の項［財務指標ｋ×係数ｋ］を置き換える形態を採用できるが、とりわけ、線形判別分析などのようにｎ項の和を関数値とするものは、財務スコアをスコア値の加算によって算出できるので、一次モデルのベースとして好適である。
【００１５】図３において、区分化手段は、その区分化する位置と数とをチューニングする機能を備えており、図示する財務指標の元の分布形を任意の区分数に分割することができる。スコア化手段も、設定するスコア値をチューニングする機能を備えている。初期処理として、区分化手段に従って区分化された個々の範囲にスコア値を割り当てると、図示する財務指標の元の分布形が変化する。区分化手段とスコア化手段のチューニング機能を連動して動作させ、区分と割り当てスコア値を変化させると、財務指標の分布形が再度変化する。このようにスコア化手段のチューニング機能と区分化手段のチューニング機能を連動して動作させると、財務指標の分布形の歪みを矯正し、任意の分布に近づけることができる。また、あるひとつの財務指標についてのスコア化手段のチューニング機能と、別の財務指標についてのスコア化手段のチューニング機能とが連動して動作することにより、企業信用力とスコアの序列、および誤判別率を最適な状態に近づけることができるようになる。加えて、区分化手段とスコア化手段は、財務指標の外れ値を左右端の区分に属するように変換してスコアを与える作用を有するため、外れ値の問題も排除することができる。このモデルは、外れ値に対する頑強性が非常に高いモデルといえる。
【００１６】上記のように、一次モデル生成部の算出部におけるチューニング機能は、仮の一次スコアによる企業の定量評価結果を検証することによって、スコアリングモデルの再設定及び財務指標の再選択を制御し、再度算出された仮の一次スコアが検証部によって是認された場合には、当該スコアを一次モデル値（一次スコア）として出力する。
【００１７】二次モデル生成部２は図１に示すように、選択部と確認部とを有している。選択部は、財務データに含まれる多数の財務指標の中から信用力評価値（二次モデル値）の算出に用いる財務指標を、デフォルト判定の観点に基づき統計的変数選択法に従いながら適宜選択するものである。選択される財務指標は、図６ｂに示すように、売上債権回転期間、インタレストカバレッジレシオ、経常収支比率等の、デフォルト判定の観点から重視される財務指標データである。当該選択部では、このようにして選択された財務指標データから、信用力評価値（二次モデル値）を算出する。二次モデル値を算出するには、予め非デフォルト／デフォルトの判別が付けられた企業の財務データを多数用い、線形判別分析を行って選択すべき財務指標とその係数を決定し、数２に従って信用力評価値（二次モデル値）を算出する。
二次モデル生成部の確認部は、一般に行われている指標の欠損率や、選択された指標間の相関、回帰分析の統計値、誤判別率、２群判別形状の確認などによってこれを検証し、不適切な財務指標を排除したり、財務指標の種類を増減したりして、再度信用力評価値を算出し、信頼性の高い値として二次モデル値を出力する。
【００１８】三次モデル生成部では、図５に示すとおり、▲１▼一次モデル生成部で算出された合成財務指標である一次モデル値（一次スコア）と、▲２▼二次モデル生成部で算出された合成財務指標である二次モデル値（信用力評価値）を一次モデル生成部におけるスコア変換と同様にスコア変換した二次スコアをもとに、総合スコアを算出する。当例の三次モデル生成部では、図２の一次モデル生成部と同様の検証処理を行う。三次モデル生成部においても、一次＋二次モデルの平均スコア、誤判別率、企業信用力の序列等を検証しながらスコアリングモデルのチューニングを行うので、一次モデルの信用力序列重視データと二次モデルのデフォルト判別重視データとが結び付けられた、信頼性の高い三次モデル値が算出される。
【００１９】なお、三次モデルの構築に際しては、一次モデルから得られる企業信用力の序列を維持したまま二次モデル値を変換した二次スコアを適用するモデルを採用する為に、当例では二進木モデルの処理を施している。たとえば、一次モデルによる序列に応じて二次モデル値を変換した二次スコアの範囲を制限する如く、序列が高いＡランクの企業の二次スコアを５００点に固定化し、Ｂランクの企業の二次スコアを１００点から５００点にスコア化し、Ｃランクの企業（信用力が劣ると判断された企業群）の二次スコアを−３００点から１００点にスコア化するなどの処理を施し、企業信用力の序列と誤判別率とを検証しながらチューニングを行う。
【００２０】このように最適な状態に近づけてチューニング等される、一次モデル、二次モデル、及び三次モデルは、財務定量評価システムとして信用格付管理装置に実装される。信用格付管理装置には、決算発表で開示される様々な企業の最新の財務データが入力され、財務定量評価システムは、入力される財務データについて、スコアを算出する。
【００２１】
【発明の効果】以上説明したように、本発明によれば、各財務指標をスコア化することによって、財務指標の分布形をある程度自由に変換することができ、かつ、外れ値の影響を排除することもできるなど、ロジットモデルや線形判別モデルなど一般的な統計モデルより頑健性が高いため、外挿データに対してもモデル構築と同程度の判別精度を発揮することが期待できる。
【００２２】また、本発明によれば、サンプル全体のフィット感だけではなく、個別企業ごと、企業信用力ごとにも、めりはりをつけた評価をしながらフィット感も高めることができるよう、随時検証しながら財務定量評価システムを構築することができる。こうして構築された財務定量評価システムによる個社ごとのスコアは、従来の一般的なモデルや、旧来より実務において用いられてきた財務スコアリング手法よりも、企業信用力を適切に表現していると考えられ、企業分析に適した監査性の高いスコアリングが実現される。従って、個社の信用力評価がモデル構築プロセスの中で、ある程度担保されているため、時系列比較、同業他社比較等の比較分析にも適している。
【００２３】本発明における企業ごとのスコアは、企業信用力の序列および誤判別率を考慮してチューニングしたモデルから得られた、企業信用力の総合的評価値である。そこでロジットモデル等の入力値としてこのスコアを与えれば、企業ごとのデフォルト確率を推定することも容易に出来る。
【図面の簡単な説明】
【図１】本発明の実施例の財務定量評価モデルの説明図
【図２】本発明の実施例の一次モデル生成部の説明図
【図３】スコアリングモデルの説明図
【図４】本発明の検証部に用いる２群分布形状の説明図
【図５】本発明の実施例の三次モデル生成部の説明図
【図６】本発明の実施例の選択された財務指標の例を示す図
【符号の説明】
１ 一次モデル生成部
２ 二次モデル生成部
３ 三次モデル生成部
４ 財務データベース[0001]
The present invention belongs to the technical field of a quantitative financial evaluation system.
[0002]
2. Description of the Related Art Financial institutions use credit ratings for quantifying bankruptcy risk, lending strategies, and the like. When assigning a rating to a borrower company, etc., evaluation is generally performed by a financial and quantitative evaluation model in a sales / examination department. Statistical models that can be used for this financial quantitative evaluation model include “discrimination model”, “binary tree model”, “linear regression model”, “non-linear regression model”, “neural network” and “option model”. ing.
[0003]
The above-mentioned statistical models have merits in all methods, but also have disadvantages that cannot be ignored in practical applications. For example, the logit model is a model in which logarithmic odds are first added to the Z value of the linear discriminant function, the result is converted to a range of probabilities [0, 1] by the logistic function of Equation 1, and a default probability is estimated. This model has the advantage of being applied not only to the default probability analysis but also to various fields and having a small calculation load.
(Equation 1)

However, when this logit model is applied to a financial quantitative evaluation model, in actual financial data used in the financial quantitative evaluation model, a precondition for linear discriminant analysis is that “two groups of financial indices follow a normal distribution. , And the variance and covariance are not equal ", the logit model was found to be susceptible to distribution distortion. In addition, since the Z value is calculated in a linear format, it has been found that the logit model is easily affected by an abnormal value (outlier). As described above, when the logit model is applied in the default probability analysis, a factor that lowers the discrimination accuracy becomes apparent. Therefore, according to the present invention, it is difficult to receive the influence of the distribution distortion and the outlier, and it is possible to improve the discrimination accuracy. The first task was to establish a quantitative evaluation system.
The logit model can be constructed so that the fit of the default probability of the sample company as a whole is maximized, but the validity of the estimated default probability for each individual company is not guaranteed at all. However, in practice, figures such as detailed estimated default probabilities for individual companies calculated from the logit model have been walking alone, and there has been a tendency to neglect to analyze a company's financial condition from multiple aspects. On the contrary, there is a possibility that the user misreads. A second object of the present invention is to construct a financial quantitative evaluation system suitable for individual company analysis.
The Z value as an input value to the logistic function in the logit model is a value obtained by adding a logarithmic odds to a linear discriminant function value. Here, the linear discriminant model is a model that is statistically estimated such that (1) the distribution of the Z values of the two groups of non-default / default is the most distant and (2) the variation is the smallest. It is. Therefore, a model that satisfies (1) and (2) at the same time is a “good model with high discrimination accuracy”. As the discrimination accuracy is increased, the estimated default probability converted by the logistic function is closer to 0% and 100%. It tends to be polarized. As a result, the logit model, which tends to be polarized, is useful for discriminating non-default / default, but is not suitable for rating, for example, it is difficult to rank corporate credit. A third object of the present invention is to construct a financial quantitative evaluation system suitable for ranking companies and which can be easily assigned a rating.
[0007]
According to the present invention, the above-mentioned object is achieved by the means described in the claims. That is, the basic configuration is a financial quantitative evaluation system that quantifies financial data according to the rank of corporate credit and the misclassification rate, and has a score table that associates a plurality of financial index data with score values, Score calculating means for calculating a score value from the financial index data, a verification unit for detecting an abnormality in the calculated score value, and when it is determined that the score value is abnormal, the score table is changed and the score value is calculated again. A financial quantitative evaluation system having tuning control means,
Further, there is provided a financial quantitative evaluation system for quantifying financial data in accordance with the rank of corporate creditworthiness and the misclassification rate, wherein a primary model for quantifying a plurality of financial indicators selected from the viewpoint of rank of corporate creditworthiness. A generator, a secondary model generator for quantifying a plurality of financial indicators selected from the viewpoint of non-default / default discrimination, and an output of the primary model generator and an output of the secondary model generator are linked and integrated. A financial quantitative evaluation system comprising a tertiary model generator for scoring scores, more specifically, a first composite financial index in one financial quantitative evaluation model and a second composite financial index in another financial quantitative evaluation model A financial quantitative evaluation system for scoring in association with financial indicators,
(A) a score calculation unit that calculates a score from an arbitrary financial index by a scoring model set in a certain tuning state;
(B) a verification unit that synthesizes all scores and compares and verifies the overall score with a previously determined rank of corporate creditworthiness and a misclassification rate;
(C) a financial quantitative evaluation system including a tuning unit for setting the scoring model to another tuning state based on the verification result, and a financial quantitative evaluation system including a scoring model for obtaining a score value from a financial index. hand,
(H) segmenting means for segmenting the range in which the index values of the financial indicators are distributed, (i) scoring means for assigning score values to individual segmented ranges, and (nu) segmenting means and scoring means. Tuning means to control,
And a financial quantitative evaluation system having a scoring model including:
[0009]
DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS FIG. 1 shows an explanatory diagram of an overall financial quantitative evaluation system to which the present invention is applied. The financial quantitative evaluation system illustrated in FIG. 1 includes a database 4 storing a large number of financial data, a primary model generation unit 1 for executing a first-stage process, and a secondary model generation unit for executing a second-stage process. 2 and a tertiary model generation unit 3 for executing the third stage processing.
In FIG. 1, the primary model generation unit quantifies the financial data using a financial quantitative evaluation model that mainly focuses on the rank of corporate creditworthiness, and calculates a first composite financial index (primary model value). The secondary model quantifies financial data using a financial quantitative evaluation model that mainly focuses on the viewpoint of default determination, and calculates a second composite financial index (secondary model value). Then, the tertiary model generation unit combines the composite financial index in the primary model generation unit mainly based on the rank of creditworthiness evaluation with the composite financial index in the secondary model generation unit mainly based on the default determination, thereby obtaining financial data. Comprehensive scoring to calculate the overall score.
In FIG. 1, the primary model generation unit is composed of a selection unit and a calculation unit. The selection unit selects a financial index used for calculating a primary score from among a large number of financial indexes registered in the database 4. Since the financial indices used in the primary model generation unit emphasize the rank of corporate creditworthiness, the financial indices selected by the selection unit include a capital ratio, a fixed ratio, A financial index that indicates the corporate creditworthiness of the specific company, such as the ordinary profit ratio to sales, is selected. The calculation unit scores financial data in which the rank of corporate creditworthiness consistent with the external rating and the debtor category is known in advance, and calculates a primary score from the selected financial index value. The calculation unit corrects the scoring table so that the primary model is optimized while comparing the calculated primary score with the average value and the misclassification rate in the primary model, the two-group distribution shape shown in FIG. And a mechanism for tuning the scoring model.
FIG. 2 shows a configuration example of the primary model generation unit. This example can be widely applied as a financial quantitative evaluation model that can evaluate corporate creditworthiness by connecting any financial index. The primary model generation unit in FIG. 2 employs a configuration in which 1 to M financial indicators selected by the selection unit are processed in parallel and replaced with score values. The financial score is calculated by substituting the M score values calculated at the same time into a predetermined formula having M variables, for example, a formula having a simple addition or an arbitrary function, to derive a temporary primary score. Subsequently, the order, the misclassification rate, the average score of the primary model, the comparison with the two-group distribution shape shown in FIG. 4, and the like are performed, and the temporary primary score value is verified. If a financial score is calculated from financial data based on performance for a statistically sufficient number of companies, the financial score can be compared with the known creditworthiness of the company based on performance in advance. Accuracy can be verified. As an example of accuracy verification, taking the case of the average score of the hierarchy and the primary model, if the average score of the primary score for each performance-based hierarchy is in accordance with the order of creditworthiness, the average score for the hierarchy will be reversed. In such a case, it is possible to judge that the assumed accuracy is not satisfied. As a result of the verification, when it is determined that the financial quantitative evaluation model does not satisfy the accuracy assumed in advance, or when an operation for instructing tuning is entered into the model, a predetermined tuning function is activated, Modify the scoring table and reset the scoring model.
[0012] The scoring model of this example has a scoring table for associating the index value of the financial index with the score value. This scoring table was developed in the process of modifying the linear discriminant model. It is. In the default discrimination by the linear discriminant model, a discriminant function value represented by a linear combination of a financial index of Expression 2 is relatively evaluated to determine whether or not the analysis target company defaults. In the first place, discriminant analysis is one method in multivariate analysis of statistics.
(Equation 2)

The scoring table enhances the accuracy of the primary score discrimination so as to modify this linear discrimination model. FIG. 3 shows an explanatory diagram of the scoring table. The histogram of FIG. 3A shows the relationship between a certain financial index X and the number of companies. The illustrated partitioning means has a function of partitioning the distribution of the financial index into a predetermined number range. Have. The table of FIG. 3B shows a simplified scoring table for ease of explanation. The illustrated scoring unit has a function of allocating scores to individual divided ranges. Have. As a result, the term [financial index × coefficient] of the mathematical expression 2 for the financial index X can be replaced with a score value that can be subtracted from the scoring table.
Although there are various financial indices, financial indices having characteristics that are not suitable for linear discriminant analysis, such as no monotonicity between the index values and the evaluation of corporate creditworthiness, are also identified by the partitioning means. By the combination of the scoring means, it is possible to make the score value and the corporate creditworthiness monotonous. As a primary model, a form in which only a specific financial index term [financial index k × coefficient k] having a property unsuitable for linear discriminant analysis is replaced with a score value obtained from a scoring model, or a term of all financial indexes [ Although a form in which the financial index k × coefficient k] is replaced can be adopted, in particular, in the case of a function in which the sum of n terms is used as a function value such as linear discriminant analysis, the financial score can be calculated by adding the score values. Is suitable as a base.
In FIG. 3, the partitioning means has a function of tuning the position and the number of partitions, and can divide the original distribution form of the illustrated financial index into an arbitrary number of partitions. The scoring means also has a function of tuning a set score value. As an initial process, when a score value is assigned to each range partitioned according to the partitioning means, the original distribution form of the illustrated financial index changes. When the tuning function of the segmenting means and the scoring means are operated in conjunction with each other to change the category and the assigned score value, the distribution form of the financial index changes again. As described above, when the tuning function of the scoring unit and the tuning function of the segmenting unit are operated in conjunction with each other, the distortion of the distribution form of the financial index can be corrected, and the distribution can be approximated to an arbitrary distribution. In addition, the tuning function of the scoring means for one financial index and the tuning function of the scoring means for another financial index operate in conjunction with each other, so that the rank of the corporate creditworthiness and score and the misclassification can be determined. The rate can be made closer to the optimal state. In addition, since the segmenting means and the scoring means have a function of converting outliers of the financial index to belong to the left and right end categories and giving a score, the problem of outliers can be eliminated. This model can be said to be a model having extremely high robustness against outliers.
As described above, the tuning function in the calculation unit of the primary model generation unit controls the resetting of the scoring model and the reselection of the financial index by verifying the quantitative evaluation result of the company based on the temporary primary score. Then, when the temporary primary score calculated again is approved by the verification unit, the score is output as a primary model value (primary score).
As shown in FIG. 1, the secondary model generation section 2 has a selection section and a confirmation section. The selecting unit appropriately selects a financial index to be used for calculating a creditworthiness evaluation value (secondary model value) from a large number of financial indexes included in the financial data, according to a statistical variable selection method based on a viewpoint of default determination. Things. As shown in FIG. 6B, the selected financial index is financial index data, such as the receivables turnover period, the interest coverage ratio, and the current account balance ratio, which are emphasized from the viewpoint of default determination. The selection unit calculates a creditworthiness evaluation value (secondary model value) from the financial index data thus selected. In order to calculate the secondary model value, a large number of financial data of a company to which a non-default / default discrimination has been applied is used, a linear discriminant analysis is performed, and a financial index to be selected and its coefficient are determined. Calculate the credit evaluation value (secondary model value).
The verification unit of the secondary model generation unit verifies this by checking the missing rate of the index, the correlation between the selected indexes, the statistical value of the regression analysis, the misclassification rate, and the two-group classification shape, etc. Then, an inappropriate financial index is eliminated, or the type of the financial index is increased / decreased, the creditworthiness evaluation value is calculated again, and the secondary model value is output as a highly reliable value.
As shown in FIG. 5, the tertiary model generation unit includes (1) a primary model value (primary score), which is a composite financial index calculated by the primary model generation unit, and (2) a secondary model value calculated by the secondary model generation unit. A total score is calculated based on a secondary score obtained by converting the secondary model value (credit evaluation value), which is the obtained composite financial index, in the same manner as the score conversion in the primary model generation unit. The tertiary model generator of this example performs the same verification processing as the primary model generator of FIG. The tertiary model generation unit also tunes the scoring model while verifying the average score of the primary and secondary models, the misclassification rate, the rank of corporate creditworthiness, and the like. A highly reliable tertiary model value associated with the model default discrimination-oriented data is calculated.
In constructing the tertiary model, in order to adopt a model that applies a secondary score obtained by converting the secondary model value while maintaining the order of the corporate creditworthiness obtained from the primary model, in this example, the secondary score is used. The processing of the tree model is performed. For example, in order to limit the range of the secondary score obtained by converting the secondary model value according to the rank of the primary model, the secondary score of the company having the high rank A is fixed to 500 points, and the secondary score of the company having the rank B is fixed. The next score is scored from 100 points to 500 points, and the secondary score of a C-ranked company (a group of companies judged to be inferior in credit) is scored from -300 points to 100 points. Tuning is performed while verifying the rank of creditworthiness and the misclassification rate.
The primary model, the secondary model, and the tertiary model that are tuned to an optimum state as described above are mounted on the credit rating management device as a financial quantitative evaluation system. The latest financial data of various companies disclosed in the announcement of financial results is input to the credit rating management device, and the financial quantitative evaluation system calculates a score for the input financial data.
[0021]
As described above, according to the present invention, the distribution form of financial indicators can be freely converted to some extent by scoring each financial indicator, and the influence of outliers is eliminated. Since it is more robust than general statistical models such as logit models and linear discriminant models, it can be expected to exhibit the same level of discrimination accuracy as extrapolation data as model construction.
Further, according to the present invention, not only the fit of the whole sample but also the fit of each individual company and each company credit strength can be improved while evaluating the fit with the flip. A financial quantitative evaluation system can be constructed while conducting verification as needed. The score of each company by the financial quantitative evaluation system constructed in this way expresses the corporate creditworthiness more appropriately than the conventional general model and the financial scoring method that has been traditionally used in practice. As a result, highly auditable scoring suitable for company analysis is realized. Therefore, since the creditworthiness evaluation of individual companies is secured to some extent in the model building process, it is also suitable for comparative analysis such as time-series comparison and comparison with competitors.
The score for each company according to the present invention is a comprehensive evaluation value of the company credit obtained from a model tuned in consideration of the rank of the company credit and the misclassification rate. Therefore, if this score is given as an input value of a logit model or the like, it is possible to easily estimate the default probability for each company.
[Brief description of the drawings]
FIG. 1 is an explanatory diagram of a financial quantitative evaluation model according to an embodiment of the present invention. FIG. 2 is an explanatory diagram of a primary model generation unit according to an embodiment of the present invention. FIG. 3 is an explanatory diagram of a scoring model. FIG. 5 is an explanatory diagram of a two-group distribution shape used in the verification unit of FIG. 5. FIG. 5 is an explanatory diagram of a cubic model generation unit of the embodiment of the present invention. FIG. 6 is a diagram showing an example of a selected financial index of the embodiment of the present invention. Explanation of code]
DESCRIPTION OF SYMBOLS 1 Primary model generation part 2 Secondary model generation part 3 Tertiary model generation part 4 Financial database

Claims (4)

A financial quantitative evaluation system for quantifying financial data according to a rank of corporate creditworthiness and a misclassification rate, comprising a score table for associating a plurality of financial index data with score values, and calculating a score value from the financial index data. A financial quantitative evaluation comprising: a score calculating unit; a verification unit that detects an abnormality in the calculated score value; and a tuning control unit that changes the score table and calculates the score value again when the score value is determined to be abnormal. system. A financial quantitative evaluation system for quantifying financial data according to the rank of corporate credit and the misclassification rate, comprising: a primary model generator for quantifying a plurality of financial indicators selected from the perspective of rank of corporate credit; A secondary model generator for quantifying a plurality of financial indicators selected from the viewpoint of determination of default / default, and an output of the primary model generator and an output of the secondary model generator are associated with each other to score an overall score. A financial quantitative evaluation system consisting of a tertiary model generator. A financial quantitative evaluation system for scoring and correlating a first synthetic financial index in one financial quantitative evaluation model with a second synthetic financial index in another financial quantitative evaluation model,
(A) a score calculation unit that calculates a score from an arbitrary financial index by a scoring model set in a certain tuning state;
(B) a verification unit that synthesizes all scores and compares and verifies the overall score with a previously determined rank of corporate creditworthiness and a misclassification rate;
(C) a financial quantitative evaluation system comprising: a tuning unit that sets the scoring model to another tuning state based on the verification result. A financial quantitative evaluation system having a scoring model that modifies a linear discriminant analysis and obtains a score value from a financial index,
(H) segmenting means for segmenting the range in which the index values of the financial indicators are distributed, (i) scoring means for assigning score values to individual segmented ranges, and (nu) segmenting means and scoring means. Tuning means to control,
And a financial quantitative evaluation system having

Images