JP2002109208A

JP2002109208A - 信用リスク管理方法、分析モデル決定方法、分析サーバ及び分析モデル決定装置

Info

Publication number: JP2002109208A
Application number: JP2000300673A
Authority: JP
Inventors: Masaki Nakamura; 雅樹中村; Kazunori Nagao; 和則長尾; Yasuhiro Hosoya; 泰弘細谷; Toshibumi Kuga; 俊文空閑; Akihiro Kawasaki; 章弘川崎
Original assignee: ACOM Co Ltd
Current assignee: ACOM Co Ltd
Priority date: 2000-09-29
Filing date: 2000-09-29
Publication date: 2002-04-12

Abstract

(57)【要約】【課題】より正確な貸倒確率や貸倒引当金等を算出す
ることができる信用リスク管理方法及び分析サーバ等を
提供する。【解決手段】分析サーバの制御部２５におけるテスト
データ作成部３０は、複数の分析モデルに適用するため
の学習用データと評価用データを作成する。データ分析
部３１は、学習用データを各分析モデルに適用し、評価
データを当てはめてデフォルトを計算させ、結果が最も
良い分析モデルを最適モデルとして決定する。デフォル
ト確率算出部３３は、最適モデルに対して、現在の各債
権のデータを適用して貸倒確率を算出する。信用格付処
理部３５は、各債権の貸倒確率に基づいて、各債権を信
用格付別に分類する。貸倒引当金算出部３７は、貸倒引
当金と貸付残高を掛けて各債権の貸倒引当金を算出し、
また、信用格付別に貸倒引当金を算出する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、個人向け貸付債権
の信用リスクの算出等を行う信用リスク管理方法及び分
析サーバ等に関する。

【０００２】

【従来の技術】従来、貸出債権の貸倒確率や貸倒引当金
等は、例えば、過去の実績に基づいて決定されていた。

【０００３】

【発明が解決しようとする課題】上記のような場合、経
済環境の変化等に対応することは難しかった。また、種
々の計算式を用いて、信用格付け別に貸倒確率を算出す
るようなシステムが実現されているが、このようなシス
テムでは、個々の債権の貸倒確率を算出することはでき
ないため、結果的に正確な算出結果を得ることができな
かった。

【０００４】また、貸出債権については、リスクを押さ
え、一定以上の利益を得ることができるような最適な資
金配分を行うことが望ましい。

【０００５】本発明は、上述した事情に鑑みてなされた
もので、より正確な貸倒確率や貸倒引当金等を算出する
ことができる信用リスク管理方法及び分析サーバ等を提
供することを目的とする。また、最適な資金配分のため
のポートフォリオを取得することができる信用リスク管
理方法及び分析サーバ等を提供することを目的とする。

【０００６】

【課題を解決するための手段】上記目的を達成するた
め、本発明の第１の観点に係る信用リスク管理方法は、
債権の信用リスクに関する処理を行うための信用リスク
管理方法であって、所定の分析モデルに対して、各債権
のデータを適用して、各債権の貸倒確率を算出するステ
ップと、前記算出された各債権の貸倒確率に貸付残高を
掛け合わせることにより貸倒引当金を算出するステップ
と、前記算出された各債権の貸倒確率に基づいて、各債
権を信用格付別に分類し、分類された信用格付別に貸倒
引当金を算出するステップと、を備えることを特徴とす
る。

【０００７】このような構成によれば、例えば過去の債
権に関するテストデータで調整された分析モデル等に現
在の個々の債権のデータを入力することで各債権の貸倒
確率を正確に算出することができる。また、正確に算出
された各債権の貸倒確率に基づいて信用格付け別にグル
ーピングを行うことで、各信用格付けについて、正確な
貸倒引当金等を求めることができる。

【０００８】また、所定の要求利益率を満たす上で、リ
スクが最小な信用格付け別のポートフォリオを作成する
作成ステップをさらに備えてもよい。また、前記作成ス
テップは、個々の債権の相関関係に基づいてポートフォ
リオを作成してもよい。

【０００９】生存時間解析のモデルを用いて各債権の信
用リスクの測定を行ってもよい。これにより、信用リス
クの期間構造を分析することができる。なお、生存時間
解析のモデルとして、例えば、ｃｏｘ比例ハザード等を
用いてもよい。

【００１０】また、本発明の第２の観点に係る分析モデ
ル決定方法は、各債権の貸倒確率を算出する装置が使用
する分析モデルを決定する分析モデル決定方法であっ
て、複数の分析モデルに過去の各債権に関するデータを
テストデータとして適用して調整し、調整結果に基づい
て前記装置に供給される分析モデルを決定する、ことを
特徴とする。

【００１１】このような構成によれば、最適な分析モデ
ルを各装置に提供することができる。

【００１２】前記複数の分析モデルは、回帰分析と、決
定木と、ニューラルネットワークと、の少なくとも１つ
を含んでもよい。

【００１３】また、本発明の第３の観点に係る分析サー
バは、債権の信用リスクに関する処理を行うための分析
サーバであって、所定の分析モデルに対して、各債権の
データを適用して、各債権の貸倒確率を算出する手段
と、前記算出された各債権の貸倒確率に貸付残高を掛け
合わせることにより貸倒引当金を算出する手段と、前記
算出された各債権の貸倒確率に基づいて、各債権を信用
格付別に分類し、分類された信用格付別に貸倒引当金を
算出する手段と、を備えることを特徴とする。

【００１４】このような構成によれば、例えば過去の債
権に関するテストデータで調整された分析モデル等に現
在の個々の債権のデータを入力することで各債権の貸倒
確率を正確に算出することができる。また、正確に算出
された各債権の貸倒確率に基づいて信用格付け別にグル
ーピングを行うことで、各信用格付けについて、正確な
貸倒引当金等を求めることができる。

【００１５】また、所定の要求利益率を満たす上で、リ
スクが最小な信用格付け別のポートフォリオを作成する
作成手段をさらに備えてもよい。また、前記作成手段
は、個々の債権の相関関係に基づいてポートフォリオを
作成してもよい。

【００１６】生存時間解析のモデルを用いて各債権の信
用リスクの測定を行ってもよい。これにより、信用リス
クの期間構造を分析することができる。なお、生存時間
解析のモデルとして、例えば、ｃｏｘ比例ハザード等を
用いてもよい。

【００１７】例えば、前記所定の分析モデルは、複数の
分析モデルに過去の債権に関するデータをテストデータ
として適用して調整し、調整結果に基づいて選択された
分析モデルを含んでもよい。

【００１８】また、本発明の第４の観点に係る分析モデ
ル決定装置は、各債権の貸倒確率を算出する装置が使用
する分析モデルを決定する分析モデル決定装置であっ
て、複数の分析モデルに過去の各債権に関するデータを
テストデータとして適用して調整し、調整結果に基づい
て前記装置に供給される分析モデルを決定する、ことを
特徴とする。

【００１９】このような構成によれば、最適な分析モデ
ルを各装置に提供することができる。

【００２０】前記複数の分析モデルは、回帰分析と、決
定木と、ニューラルネットワークと、の少なくとも１つ
を含んでもよい。

【００２１】

【発明の実施の形態】以下、本発明の実施の形態に係る
信用リスク管理システムについて図面を参照して説明す
る。本実施形態に係る信用リスク管理システムの構成図
を図１に示す。図示されるように、この信用リスク管理
システムは、各営業店舗における店舗端末１と、各店舗
端末１に接続される分析サーバ３と、を備える。店舗端
末１は、各店舗において、担当者から各顧客への貸付に
関する情報の入力を受け付け、入力されたデータを分析
サーバ３に供給するための端末である。

【００２２】分析サーバ３は、例えば図２に示すよう
に、入力部２１と、表示部２２と、通信部２３と、記憶
部２４と、制御部２５と、を備える。入力部２１は、キ
ーボード、マウス等を含み、ユーザにより入力されたデ
ータを制御部２５へ供給する。表示部２２は、ＣＲＴ、
液晶ディスプレイ等を含み、制御部２５からの指示に従
って、各算出結果等を表示する。通信部２３は、各店舗
端末１との間の通信を制御する。

【００２３】記憶部２４は、各店舗端末１から収集され
た債権に関するデータが蓄積される顧客情報データベー
ス２４ａと、過去に蓄積された債権に関するデータから
所定の規準に基づいてサンプリングされたデータが記憶
されるテスト用データベース２４ｂと、を備える。各デ
ータベースに記憶されるデータは、例えば、顧客不変情
報、顧客属性情報、顧客管理情報、口座契約情報、口座
貸付情報、口座入金情報、口座移管情報等を含む。

【００２４】顧客不変情報は、例えば図３（Ａ）に示す
ように、顧客の新規貸付時における情報（顧客コード、
締日付、新規時年齢、新規貸付日、新規時他社借入額
等）を含む。顧客属性情報は、例えば図３（Ｂ）に示す
ように、顧客の属性に関する情報（顧客コード、締日
付、性別、独身・既婚、月末時年齢、職種、年収等）を
含む。顧客管理情報は、例えば図３（Ｃ）に示すよう
に、顧客の他社からの借入に関する情報（顧客コード、
締日付、他社借入件数、他社借入金額等）を含む。口座
契約情報は、例えば図３（Ｄ）に示すように、顧客の契
約に関する情報（顧客コード、締日付、契約番号、商品
コード、利率、貸付残高、延滞日数等）を含む。

【００２５】口座貸付情報は、例えば図４（Ｅ）に示す
ように、顧客の貸付に関する情報（顧客コード、締日
付、契約番号、月中貸付金額、月中貸付回数等）を含
む。口座入金情報は、例えば図４（Ｆ）に示すように、
顧客の入金に関する情報（顧客コード、締日付、契約番
号、月中入金元金、月中入金利息等）を含む。口座移管
情報は、例えば図４（Ｇ）に示すように、顧客の移管に
関する情報（顧客コード、締日付、契約番号、移管日、
移管額、損金日、損金額等）を含む。

【００２６】制御部２５は、図５に示すように、テスト
データ作成部３０と、データ分析部３１と、デフォルト
確率算出部３３と、信用格付処理部３５と、貸倒引当金
算出部３７と、期間分析部３８と、最適ポートフォリオ
作成部３９と、を備える。

【００２７】テストデータ作成部３０は、記憶部２４に
おけるテスト用データベース２４ｂから各データを読み
出し、例えば顧客コードをキーとしてマージ等すること
により所定のテストデータを作成する。そして、作成し
たテストデータを学習用データと評価用データに分割す
る。なお、各データについて、正常債権と不良債権のそ
れぞれが抽出される確率を等しくする。

【００２８】また、テストデータ作成部３０は、学習用
データにおける一部の変数について変数変換を行う。具
体的には、対数、平方根、逆数、２乗、指数、標準化、
パケット、分位点等の方法を用いる。

【００２９】データ分析部３１は、テストデータ作成部
３０により作成された学習用データから複数の変数を選
択する。この変数選択は、例えばＲ２乗値又はカイ２乗
値に基づいて行い、例えばＲ２乗値に基づく場合には、
各変数の相関係数の２乗値が０．００５より小さい変数
等を削除することにより行う。そして、選択された変数
を変数増加法でＲ２乗値の増加を評価し、選択された変
数で計算される予測値を独立変数として、ロジスティッ
ク回帰分析を行う。さらに変数選択を行うときに数１に
示すモデル式に基づく２次の交互作用も含める。この様
な方法により、選択される変数は、例えば、他社件数、
極度額、延滞日数、月末時点延滞日数、直近入金金額、
月中入金利息計、新規時他社金額の対数変換値、直近貸
付時残高の対数変換値等である。

【００３０】

【数１】Ｘ_ｉｊｋ＝μ＋α_ｉ＋β_ｊ＋（αβ）_ｉｊ＋ε_ｉｊｋここで、α_ｉは水準Ａ_ｉの主効果、β_ｉは水準Ｂ_ｉの主
効果、（αβ）_ｉｊはＡとＢの交互作用を示す。

【００３１】次に、データ分析部３１は、選択した変数
について、回帰分析と、決定木と、ニューラルネットワ
ークと、の３つの分析モデルを適用し、各モデルによる
デフォルト確率をそれぞれ計測する。

【００３２】回帰分析では、数２に示すモデル式を用い
たロジスティック回帰分析を行う。

【００３３】

【数２】ｌｏｇＭ／（１−Ｍ）＝β_１Ｘ_１＋β_２Ｘ_２
＋・・・＋β_ｍＸ_ｍ＋β_０ここで、Ｍは応答平均、βはパラメータ、Ｘは説明変数
を示す。

【００３４】また、この回帰分析におけるパラメータの
設定方法は、平均からの偏差とし、該当する水準に１、
最後の水準に−１、それ以外のものには０を用いてコー
ディングする。このコーディングに対して計算されたパ
ラメータ推定値は、全水準を通じた平均からの偏差を表
す。また、変数選択法としては、入力変数の追加と削除
を繰り返して変数を選択していく、ステップワイズとい
う変数増減法を採用する。また、変数の選択基準として
は、Validation Errorを採用し、評価用データの誤差が
最小になるモデルを選択する。

【００３５】また、決定木では、データを分割する基準
としてカイ２乗検定のｐ値を用いる（有意水準は０．０
５とする）。カイ２乗分布は、自由度（ｄｆ）が（Ｒ−
１）（Ｃ−１）で数３に示す式によって求められる。

【００３６】

【数３】Ｑ_ｐ＝Σ_ｉΣ_ｊ（ｎ_ｉｊ−ｍ_ｉｊ）^２／ｍ_ｉｊここで、ｍ_ｉｊ＝ｎ_ｉｅｎ_ｅｊ／ｎｎ_ｉｅ＝Σ_ｉｎ_ｉｊ（列の和）ｎ_ｅｊ＝Σ_ｊｎ_ｉｊ（行の和）ｎ＝Σ_ｉΣ_ｊｎ_ｉｊ（全ての和）

【００３７】また、ニューラルネットワークでは、多層
パーセプトロンを用いる。隠れ層と出力層で線形結合関
数を使用し、また、隠れ層でシグモイド活性化関数を用
いる。

【００３８】データ分析部３１は、上記の３つの分析モ
デルに学習用データを適用してモデル式を形成した後、
評価用データを各分析モデル式に適用してデフォルト確
率を計測し、各計測結果を比較して最も精度の高いモデ
ルを最適モデルとして決定する。なお、比較結果を出力
し、ユーザに最適モデルを決定させてもよい。

【００３９】デフォルト確率算出部３３は、記憶部２４
における顧客情報データベース２４ａから各データを読
み出し、顧客コードをキーとしてマージ等して、最適モ
デルに適用するためのスコアデータを作成する。そし
て、作成したスコアデータを最適モデルに適用して、現
在の各債権についてのデフォルト確率を算出する。

【００４０】信用格付処理部３５は、デフォルト確率算
出部３３により算出されたデフォルト確率の計算結果に
基づいてパーセンタイル計算を実施し、貸付債権の信用
格付けを行う。

【００４１】貸倒引当金算出部３７は、各債権の直近貸
付残高に、デフォルト確率算出部３３で求めたデフォル
ト確率を掛けて個々の貸倒引当金を算出する。また、信
用格付処理部３５により処理された信用格付毎に各債権
の引当金を合算する等して信用格付毎の貸倒引当金を算
出する。

【００４２】期間分析部３８は、数４に示す生存時間関
数式にテストデータを用いてデフォルト期間構造確率の
モデルを作成する。この際、ステップワイズ分析によ
り、重要な説明変数を選択する。そして、スコアデータ
を当てはめて、各債権の月次のデフォルト確率を算出す
る。なお、数４のモデル式は、数５に示すコックス比例
ハザード関数に従う。

【００４３】

【数４】Ｓ（ｔ；ｚｉ）＝［Ｓ_０（ｔ）］^{ｅｘｐ（ｚｉβ）} ここで、Ｓ_０（ｔ）＝ｅｘｐ（−∫ｈ_０（ｕ）ｄｕ）は
ベースラインの生存時間関数である。

【００４４】

【数５】ｈ_ｉ（ｔ）＝ｈ（ｔ；ｚｉ）＝ｈ_０（ｔ）ｅｘ
ｐ（ｚｉβ）ここで、ｈ_０（ｔ）は任意の特定されないベースライン
（基準）ハザード関数であり、ｚｉは個体ｉについて観
測される説明変数のベクトルであり、βは説明変数に対
応する未知の回帰係数のベクトルである。

【００４５】最適ポートフォリオ作成部３９は、目標利
益率の入力を受け付け、信用リスクを最小化し、かつ、
入力された目標利益率を満たすような信用格付別のポー
トフォリオを作成して出力等する。このとき、最適ポー
トフォリオ作成部３９は、例えば、各債権のデフォルト
の相関性に基づいてポートフォリオを作成する。具体的
には、相関が小さい債権を組み合わせることにより、平
均収益率に対して最も分散が小さくなるポートフォリオ
を求める。

【００４６】次に、本実施形態にかかる信用リスク管理
システムの動作について説明する。例えば、会社Ａに設
置されている分析サーバ３は、各店舗Ｂに設置されてい
る店舗端末１に入力された貸出債権に関する種々のデー
タを所定のタイミング（例えば日毎等）で収集し、記憶
部２４の顧客情報データベース２４ａに記憶する。ま
た、例えば顧客情報データベース２４ａに蓄積されたデ
ータから、自動的に又は担当者の操作により、正常債権
と不良債権についてのデータが同率で抽出され、テスト
データとしてテスト用データベース２４ｂに記憶され
る。

【００４７】分析サーバ３の制御部２５は、テスト用デ
ータベース２４ｂに記憶されたテストデータを学習用デ
ータと評価用データに分割し、「回帰分析」と「決定
木」と「ニューラルネットワーク」の３つの分析モデル
に学習用データを適用して学習させた後、評価用データ
を各モデル式にあてはめてデフォルト確率を計測し、計
測結果から最適モデルを決定して設定する。

【００４８】分析サーバ３の制御部２５は、例えば図６
に示すような処理メニューを表示部２２に表示する。そ
して、担当者により、処理メニューから「信用リスクの
測定」が選択されると、制御部２５は、設定されている
最適モデルに、顧客情報データベース２４ａから取得し
たスコアデータを当てはめて各債権のデフォルトを算出
して表示部２２に表示等する。これにより、担当者は、
自社が発行した各債権の信用リスクの情報を取得するこ
とができる。

【００４９】次に、例えば図６に示す処理メニューから
「信用格付け別リスク・リターン」が選択された場合、
制御部２５は、上記の処理によって、各債権について算
出されたデフォルトに基づいてパーセンタイル計算を実
施し、各債権の信用格付けを行う。そして、信用格付け
別のリターン（平均収益率）とリスク（標準偏差）を計
算し、計算結果を表示部２２に表示等する。これによ
り、担当者は、自社が発行した債権について、信用格付
け別のリスクとリターンの情報を取得することができ
る。

【００５０】次に、例えば図６に示す処理メニューから
「貸倒引当金／必要自己資本金計算」が選択された場
合、制御部２５は、各債権の直近貸付残高に、それぞれ
のデフォルトを掛けて貸倒引当金を算出する。また、信
用格付毎に各債権の引当金を合算する等して信用格付毎
の貸倒引当金を算出する。そして、算出した貸倒引当金
と、これに基づく必要自己資本額を表示部２２に表示等
する。これにより、担当者は、正確な貸倒引当金と必要
自己資本額を知ることができる。

【００５１】次に、例えば図６に示す処理メニューから
「最適ポートフォリオ計算」が選択された場合、制御部
２５は、まず、目標利益率の入力を受け付ける。そし
て、信用リスクを最小化し、かつ、入力された目標利益
率を満たすような信用格付別のポートフォリオを作成し
て表示部２２に表示等する。これにより、担当者は、目
標利益を得るために最適でかつリスクの低いポートフォ
リオを取得することができる。なお、ポートフォリオ
は、例えば、各債権のデフォルトの相関性に基づいて作
成される。

【００５２】次に、例えば図６に示す処理メニューから
「コックス比例ハザードモデル」が選択された場合、制
御部２５は、数４と数５に示す生存時間関数式とハザー
ド関数式にテスト用データを適用してデフォルト期間構
造確率のモデルを作成する。そして、学習用データを用
いてモデルを作成した後、スコアデータをモデル式にあ
てはめて各債権の月次のデフォルト確率を算出し、算出
結果を表示部２２に表示等する。これにより、担当者
は、各債権の信用リスクの期間構造を分析することがで
きる。なお、デフォルト期間構造確率のモデルは予め作
成されていてもよい。そして、本メニューの選択に応じ
て、予め作成されていたモデル式が読み出され、スコア
データが適用され、月次のデフォルト確率が算出される
ようにしてもよい。

【００５３】このようにして、本発明によれば、個々の
債権の貸倒確率を把握することにより個人向け貸出債権
の信用リスクを、より正確に算出し、適正な貸倒引当金
及び必要自己資本額を求めることができる。

【００５４】なお、周期的に最適モデルを選択するよう
にしてもよい。この場合、例えば、所定のタイミング
（顧客情報データベース２４ａの内容の更新時、日毎、
週毎、月毎等）で、顧客情報データベース２４ａから新
たなデータをサンプリングしてテスト用データベース２
４ｂの内容を更新し、最適モデルの選択に使用する。こ
れにより、現状に即したモデルを選択して、分析の精度
を上げることができる。

【００５５】分析サーバ３又はテスト用データベース２
４ｂとテストデータ作成部３０とデータ分析部３１の機
能を備えるモデル決定用サーバが最適モデルを決定し、
他の一又は複数のサーバ（分析用データ）で、この決定
された最適モデルを用いて上記の各分析処理を行うよう
にしてもよい。この場合、各分析用サーバは、例えば、
分析サーバ３又はモデル選択用サーバにより決定された
最適モデルのデータと、デフォルト確率算出部３３と、
信用格付処理部３５と、貸倒引当金算出部３７と、期間
分析部３８と、最適ポートフォリオ作成部３９と、顧客
情報データベース２４ａと、の機能を備える。

【００５６】また、最適モデルの決定処理と、決定され
た最適モデルを用いた各分析処理と、を行う主体は相違
してもよく、例えば、会社Ａが上記の最適モデル決定装
置を用いて最適モデルの決定を行い、会社Ｂが上記の分
析用サーバを用いて各分析処理を行ってもよい。また、
最適モデルの決定処理と、決定された最適モデルを用い
た各分析処理と、は継続してなされなくてもよく、ま
た、異なる場所（例えば、本社と支店等）でなされても
よい。また、分析サーバ３又はモデル選択用サーバによ
り作成されたデフォルト期間構造確率のモデルを、各分
析用サーバが有するようにしてもよく、また、分析処理
を行う各分析用サーバにおいて自己のテストデータ等を
用いてデフォルト期間構造確率のモデルを作成するよう
にしてもよい。

【００５７】なお、この発明の信用リスク管理システム
は、専用のシステムによらず、通常のコンピュータシス
テムを用いて実現可能である。例えば、コンピュータに
上述の動作を実行するためのプログラムを格納した媒体
（フロッピー（登録商標）ディスク、ＣＤ−ＲＯＭ等）
から該プログラムをインストールすることにより、上述
の処理を実行する店舗端末１、分析サーバ３、モデル選
択用サーバ、分析用サーバ等を構成することができる。
なお、上述の機能を、ＯＳが分担又はＯＳとアプリケー
ションの共同により実現する場合等には、ＯＳ以外の部
分のみを媒体に格納してもよい。

【００５８】なお、搬送波にプログラムを重畳し、通信
ネットワークを介して配信することも可能である。例え
ば、通信ネットワークの掲示板（ＢＢＳ）に該プログラ
ムを掲示し、これをネットワークを介して配信してもよ
い。そして、このプログラムを起動し、ＯＳの制御下
で、他のアプリケーションプログラムと同様に実行する
ことにより、上述の処理を実行することができる。

【００５９】

【発明の効果】以上説明したように、本発明によれば、
各債権の貸倒確率を正確に算出することができる。ま
た、正確に算出された各債権の貸倒確率に基づいて信用
格付け別にグルーピングを行うことで、各信用格付けに
ついて、正確な貸倒引当金等を求めることができる。

【図面の簡単な説明】

【図１】本発明の実施の形態に係る信用リスク管理シス
テムのシステム構成図である。

【図２】分析サーバのハードウェア構成を示す図であ
る。

【図３】顧客不変情報と顧客属性情報と顧客管理情報と
口座契約情報を説明するための図である。

【図４】口座貸付情報と口座入金情報と口座移管情報を
説明するための図である。

【図５】分析サーバの制御部の構成を示す図である。

【図６】分析サーバに表示される処理メニューの一例を
示す図である。

【符号の説明】

１店舗端末３分析サーバ２１入力部２２表示部２３通信部２４記憶部２５制御部３０テストデータ作成部３１データ分析部３３デフォルト確率算出部３５信用格付処理部３７貸倒引当金算出部３８期間分析部３９最適ポートフォリオ作成部

───────────────────────────────────────────────────── フロントページの続き (72)発明者細谷泰弘東京都千代田区富士見２丁目15番11号アコム株式会社内 (72)発明者空閑俊文東京都千代田区富士見２丁目15番11号アコム株式会社内 (72)発明者川崎章弘東京都千代田区富士見２丁目15番11号株式会社アコム経済研究所内Ｆターム(参考） 5B055 BB20 CC10 CC11 CC13 EE04 EE05 EE21 EE27 FA01 FA08 FB03 PA02 PA36 PA38

Claims

【特許請求の範囲】

【請求項１】債権の信用リスクに関する処理を行うため
の信用リスク管理方法であって、所定の分析モデルに対して、各債権のデータを適用し
て、各債権の貸倒確率を算出するステップと、前記算出された各債権の貸倒確率に貸付残高を掛け合わ
せることにより各債権の貸倒引当金を算出するステップ
と、前記算出された各債権の貸倒確率に基づいて、各債権を
信用格付別に分類し、分類された信用格付別に貸倒引当
金を算出するステップと、を備えることを特徴とする信用リスク管理方法。
【請求項２】所定の要求利益率を満たす上で、リスクが
最小な信用格付け別のポートフォリオを作成する作成ス
テップをさらに備える、ことを特徴とする信用リスク管理方法。
【請求項３】前記作成ステップは、個々の債権の相関関
係に基づいてポートフォリオを作成する、ことを特徴とする請求項２に記載の信用リスク管理方
法。
【請求項４】生存時間解析のモデルを用いて各債権の信
用リスクの測定を行う、ことを特徴とする請求項１乃至３のいずれか１項に記載
の信用リスク管理方法。
【請求項５】複数の分析モデルに過去の各債権に関する
データをテストデータとして適用して調整し、調整結果
に基づいて前記所定の分析モデルを決定する決定ステッ
プをさらに備える、ことを特徴とする請求項１乃至４のいずれか１項に記載
の信用リスク管理方法。
【請求項６】各債権の貸倒確率を算出する装置が使用す
る分析モデルを決定する分析モデル決定方法であって、複数の分析モデルに過去の各債権に関するデータをテス
トデータとして適用して調整し、調整結果に基づいて前
記装置に供給される分析モデルを決定する、ことを特徴とする分析モデル決定方法。
【請求項７】前記複数の分析モデルは、回帰分析と、決
定木と、ニューラルネットワークと、の少なくとも１つ
を含む、ことを特徴とする請求項６に記載の分析モデル決定方
法。
【請求項８】債権の信用リスクに関する処理を行うため
の分析サーバであって、所定の分析モデルに対して、各債権のデータを適用し
て、各債権の貸倒確率を算出する手段と、前記算出された各債権の貸倒確率に貸付残高を掛け合わ
せることにより貸倒引当金を算出する手段と、前記算出された各債権の貸倒確率に基づいて、各債権を
信用格付別に分類し、分類された信用格付別に貸倒引当
金を算出する手段と、を備えることを特徴とする分析サーバ。
【請求項９】所定の要求利益率を満たす上で、リスクが
最小な信用格付け別のポートフォリオを作成する作成手
段をさらに備える、ことを特徴とする請求項８に記載の分析サーバ。
【請求項１０】前記作成手段は、個々の債権の相関関係
に基づいてポートフォリオを作成する、ことを特徴とする請求項９に記載の分析サーバ。
【請求項１１】生存時間解析のモデルを用いて各債権の
信用リスクの測定を行う、ことを特徴とする請求項８乃至１０のいずれか１項に記
載の分析サーバ。
【請求項１２】前記所定の分析モデルは、複数の分析モ
デルに過去の各債権に関するデータをテストデータとし
て適用して調整し、調整結果に基づいて決定された分析
モデルを含む、ことを特徴とする請求項８乃至１１のいずれか１項に記
載の分析サーバ。
【請求項１３】各債権の貸倒確率を算出する分析装置が
使用する分析モデルを決定する分析モデル決定装置であ
って、複数の分析モデルに過去の各債権に関するデータをテス
トデータとして適用して調整し、調整結果に基づいて前
記分析装置に供給される分析モデルを決定する、ことを特徴とする分析モデル決定装置。
【請求項１４】前記複数の分析モデルは、回帰分析と、
決定木と、ニューラルネットワークと、の少なくとも１
つを含む、ことを特徴とする請求項１３に記載の分析モデル決定装
置。