JP2004334737A - 信用リスクモデル決定装置、プログラムおよび信用リスクモデル決定方法 - Google Patents
信用リスクモデル決定装置、プログラムおよび信用リスクモデル決定方法 Download PDFInfo
- Publication number
- JP2004334737A JP2004334737A JP2003132648A JP2003132648A JP2004334737A JP 2004334737 A JP2004334737 A JP 2004334737A JP 2003132648 A JP2003132648 A JP 2003132648A JP 2003132648 A JP2003132648 A JP 2003132648A JP 2004334737 A JP2004334737 A JP 2004334737A
- Authority
- JP
- Japan
- Prior art keywords
- credit risk
- model
- value
- risk model
- explanatory variable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
【課題】信用リスクの高い顧客を抽出する精度をより高くするための信用リスクモデルを作成すること。
【解決手段】信用リスクモデル決定装置１００は、店舗端末３００から通信ネットワークＣを介して収集された顧客データからサンプリングされた分析対象データに基づいて、信用リスクモデルを決定する。この時、まず信用リスクモデルの説明変数である整数型変数を、実数化する処理を行う。次に、ＧＰを用いて説明変数を追加する。最後に、信用リスクモデルの各説明変数の回帰係数を決定する。そして、得られた信用リスクモデルを信用リスク管理装置２００に、通信ネットワークＣを介して送信する。信用リスク管理装置２００では、作成された信用リスクモデルを顧客データに適用して、リスク分析処理を実行する。
【選択図】 図１
【解決手段】信用リスクモデル決定装置１００は、店舗端末３００から通信ネットワークＣを介して収集された顧客データからサンプリングされた分析対象データに基づいて、信用リスクモデルを決定する。この時、まず信用リスクモデルの説明変数である整数型変数を、実数化する処理を行う。次に、ＧＰを用いて説明変数を追加する。最後に、信用リスクモデルの各説明変数の回帰係数を決定する。そして、得られた信用リスクモデルを信用リスク管理装置２００に、通信ネットワークＣを介して送信する。信用リスク管理装置２００では、作成された信用リスクモデルを顧客データに適用して、リスク分析処理を実行する。
【選択図】 図１
Description
【０００１】
【発明の属する技術分野】
本発明は、数式で表される信用リスクモデルを決定するための、信用リスクモデル決定装置、プログラムおよび信用リスクモデル決定方法に関する。
【０００２】
【従来の技術】
従来より、金融分野において、顧客（借り手）の信用リスクを正しく評価することが重要である。貸し倒れ確率が時間の経過と共に悪化するという、時間依存性を持つことを考慮して、例えば特許文献１に、コックスの比例ハザードモデルを用いた生存時間解析を用いて各債権の信用リスクを（回帰）分析する分析サーバが開示されている。
【０００３】
ここで、コックスの比例ハザードモデルで扱うコックス回帰式は、数１に示す式のように、説明変数のベクトルＸの線形モデルである。
【０００４】
【数１】
ｌｏｇ（−ｌｏｇ（Ｓ（ｔ｜Ｘ）））＝β・Ｘ＝β１ｘ１＋β２ｘ２＋・・・＋βｍｘｍ
β＝（β１，β２，・・・，βｍ）
Ｘ＝（ｘ１，ｘ２，・・・，ｘｍ）
ここで、β・Ｘはベクトルの内積である。また、Ｓ（ｔ｜Ｘ）は数２に示される生存時間関数であって、ある時刻Ｔにおいて、貸し倒れ確率Ｐ（ｔ｜Ｘ）と数３に示す関係を満たす。βは各説明変数に対応した回帰係数のベクトルである。
【０００５】
【数２】
Ｓ（ｔ｜Ｘ）＝Ｓ０（ｔ）ｅｘｐ（β・Ｘ）
ここで、Ｓ０（ｔ）は基準となる生存時間関数である。
【０００６】
【数３】
Ｐ（Ｔ｜Ｘ）＋Ｓ（Ｔ｜Ｘ）＝１
【０００７】
【特許文献１】
特開２００２−１０９２０８号公報（第３−５頁）
【０００８】
【発明が解決しようとする課題】
しかしながら、従来のリスク分析手法は、未だ、信頼性が低く、より一層の改善が求められている。
【０００９】
本発明は、上述した事情に鑑みてなされたもので、精度の高い信用リスクモデルを構築するための、信用リスクモデル決定装置、プログラムおよび信用リスクモデル決定方法を提供する。
【００１０】
【課題を解決するための手段】
本発明の第１の観点に係る信用リスクモデル決定装置は、
信用リスクモデルを決定する信用リスクモデル決定装置であって、
前記信用リスクモデルを表す数式モデルを記憶する数式モデル記憶手段と、
信用リスクモデルを決定するために使用されるデータであって、複数の顧客の信用リスクに関する実績データである分析データを記憶する分析データ記憶手段と、
前記数式モデルに使用される説明変数に関して、該説明変数の値毎に前記数式モデルに当てはめる際に使用する割当値を、信用リスクに関する分析データに基づいて算出する割当値算出手段と、
前記割当値算出手段により算出された前記割当値と元の値とを対応付けて記憶する対応値記憶手段と、
前記数式モデル記憶手段に記憶されている前記数式モデルに前記割当値を代入する場合の、該数式モデルの説明変数に掛かる係数を、前記分析データに基づいて決定して、前記数式モデルに設定する係数設定手段と、
を具備する。
【００１１】
上記信用リスクモデル決定装置において、例えば、
前記数式モデルは、複数の説明変数とその係数とから構成され、少なくとも１つの説明変数は、予め定められた複数の整数値のうちのいずれかの値をとり、
前記割当値は、前記割当値算出手段により算出された前記複数の整数値に対応する複数の実数値のいずれかの値をとる。
【００１２】
上記信用リスクモデル決定装置において、例えば、
前記割当値算出手段は、
前記分析データに基づいて、前記数式モデルの説明変数毎に、該説明変数の値に応じた複数のグループに、前記複数の顧客をグループ分けするグループ化手段と、
前記グループ化手段によりグループ化された各グループに属する顧客がデフォルトしない確率を示す生存時間関数を推定する生存時間関数推定手段と、
各説明変数について、その説明変数に対応するグループのうちで、属する顧客が最も多い最大グループを判別する最大グループ判別手段と、
前記最大グループ判別手段により判別された最大グループに対応する説明変数の値を、前記数式モデルに当てはめる際に使用する割当値を、前記生存時間関数推定手段により推定された該最大グループの前記生存時間関数に基づいて算出する最大グループ割当値算出手段と、
各説明変数について、最大グループ割当値算出手段により算出された最大グループ割当値と、前記生存時間関数推定手段により推定された各グループの生存時間関数と、に基づいて、対応する最大グループ以外の各グループの割当値を算出する各割当値算出手段と、
を具備する。
【００１３】
上記信用リスクモデル決定装置において、
前記分析データから新たな説明変数を求める説明変数取得手段と、
前記説明変数取得手段により求めた新たな説明変数を前記数式モデルに追加する説明変数追加手段と、
をさらに具備する。
【００１４】
上記信用リスクモデル決定装置において、例えば、
前記説明変数取得手段は、遺伝的プログラムにより新たな説明変数を取得する手段から構成される。
【００１５】
前記信用リスクモデル決定装置が、
信用リスクモデルのデフォルト発生判別精度を検証するためのモデル検証用データを記憶するモデル検証用データ記憶手段と、
前記信用リスクモデルに、前記対応値記憶手段に記憶された対応関係に基づいて、モデル検証用データに基づく割当値を代入して、該信用リスクモデルが所定のデフォルト発生判別精度を達成しているか否かを検証する検証手段と、
前記検証手段による検証の結果を出力する手段と、
をさらに具備するようにしてもよい。
【００１６】
本発明の第２の観点に係るプログラムは、
数式モデルで記述される信用リスクモデルを決定するプログラムであって、
前記数式モデルに使用される説明変数に関して、該説明変数の値毎に前記数式モデルに当てはめる際に使用する割当値を、分析データ記憶手段に記憶される複数の顧客の信用リスクに関する実績データである分析データに基づいて算出する割当値算出手順と、
前記割当値算出手順により算出された前記割当値と元の値とを対応付けて記憶する対応値記憶手順と、
数式モデル記憶手段に記憶されている前記数式モデルに前記割当値を代入する場合の、該数式モデルの説明変数に掛かる係数を、前記分析データに基づいて決定して、前記数式モデルに設定する係数設定手順と、
をコンピュータに実行させる。
【００１７】
本発明の第３の観点に係る信用リスクモデル決定方法は、
数式モデルで表される信用リスクモデルを決定する信用リスクモデル決定方法であって、
前記数式モデルに使用される説明変数に関して、該説明変数の値毎に前記数式モデルに当てはめる際に使用する割当値を、分析データ記憶手段に記憶された複数の顧客の信用リスクに関する実績データである分析データに基づいて算出する割当値算出ステップと、
前記割当値算出ステップにより算出された前記割当値と元の値とを対応付けて記憶する対応値記憶ステップと、
数式モデル記憶手段に記憶されている前記数式モデルに前記割当値を代入する場合の、該数式モデルの説明変数に掛かる係数を、前記分析データに基づいて決定して、前記数式モデルに設定する係数設定ステップと、
を備える。
【００１８】
【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。図示するように、この信用リスク管理システムは、信用リスクモデル決定装置１００と、信用リスク管理装置２００と、各営業店舗に設置される店舗端末３００とを備える。信用リスクモデル決定装置１００と、信用リスク管理装置２００と、店舗端末３００とは通信ネットワークＣを介して接続される。
【００１９】
各店舗において、店舗端末３００に顧客データが入力され、顧客データは通信ネットワークＣを介して、信用リスクモデル決定装置１００と、信用リスク管理装置２００とに転送される。
信用リスクモデル決定装置１００は、顧客データを加工して、分析対象データと検証用データとを作成し、分析対象データから信用リスクモデルを作成し、検証用データによりその信用リスクモデルの精度が所定の判別率を達成しているか否かを判別（検証）する。検証された信用リスクモデルは信用リスクモデルデータとして、信用リスク管理装置２００に転送される。
【００２０】
また、店舗端末３００で入力された顧客データから、その顧客の貸倒リスクを信用リスク管理装置２００に見積もらせる。すなわち、店舗端末３００は、顧客データと、貸倒リスクを評価する指示とを信用リスク管理装置２００に送信する。すると、信用リスク管理装置２００は、顧客データを信用リスクモデルに適用して、デフォルト確率を予測し、その予測数値を店舗端末３００に返信する。その顧客への貸し付けが認められた場合には、信用リスク管理装置２００は、貸倒引当金を計上する。
【００２１】
信用リスクモデル決定装置１００のブロック図を図２に示す。図示するように、信用リスクモデル決定装置１００は、制御部１１０と、記憶部１２０と、入力部１３０と、出力部１４０と、通信部１５０と、プログラム格納部１６０とから構成される。
【００２２】
制御部１１０は、例えば、中央演算処理装置（ＣＰＵ、Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やワークエリアとなる所定の記憶装置（ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等）から構成される。制御部１１０は、プログラム格納部１６０に格納されている所定の動作プログラムに基づいて後述する各処理を実行し、信用リスクモデル決定装置１００の各部を制御する。また、分析対象データに基づいて信用リスクモデルを決定する。
【００２３】
記憶部１２０は、例えば、半導体記憶装置やハードディスク装置、等の書き換え可能な記憶装置などから構成される。記憶部１２０は、信用リスクモデルを記述する数式モデルデータや、信用リスクモデルの決定のために用いられる分析対象データ、信用リスクモデルの検証のために用いられる検証用データ、等を格納する。
【００２４】
記憶部１２０に記憶される数式モデルデータの例を図３に示す。図示するように、数式モデルデータは、例えば、数式テーブル、変数割り当てテーブル等を含む。
【００２５】
数式テーブルは、信用リスクモデルを記述する回帰式を示す情報である。例えば、図３（Ａ）に示すように、回帰式の説明変数毎に、変数名、回帰係数、「変換フラグ」、等を含む。ここで、変換フラグとは、ある説明変数が、後述する「整数型変数の実数化処理」を受けて、その説明変数の変数割り当てテーブルが作成されているか否かを示す情報である。
変数割り当てテーブルは、その変数の取りうる値と信用リスクモデルに当てはめる際の値との対応づけに関する情報である。例えば、図３（Ｂ）に示すように変数名、（元値、その割り当て値）の組、等を含む。
【００２６】
記憶部１２０に記憶される分析対象データの例を図４に示す。図示するように、分析対象データは、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。
【００２７】
顧客不変情報は、顧客の新規貸付時における情報である。例えば図４（Ａ）に示すように、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、顧客の属性に関する情報である。例えば図４（Ｂ）に示すように、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、顧客の他社からの借り入れに関する情報である。例えば図４（Ｃ）に示すように、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、顧客の契約に関する情報である。例えば図４（Ｄ）に示すように、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。
口座貸付情報は、顧客の貸し付けに関する情報である。例えば図４（Ｅ）に示すように、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、顧客の入金に関する情報である。例えば図４（Ｆ）に示すように、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、顧客の（デフォルト）移管に関する情報である。例えば図４（Ｇ）に示すように、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。
【００２８】
図２の記憶部１２０に格納される検証用データは、分析対象データと同様に、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。
【００２９】
入力部１３０は、例えば、キーボードやポインティング・デバイス、等の入力装置を接続し、入力装置から入力された、制御部１１０への指示や記憶部１２０に格納される分析対象データなどを受け付ける。
出力部１４０は、例えば、プリンタやディスプレイ、等の出力装置を接続し、制御部１１０の信用リスクモデル決定の処理結果などを必要に応じて出力装置に出力する。
通信部１５０は、例えば、ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）やルータ、モデム、等の通信装置から構成され、信用リスクモデル決定装置１００と通信ネットワークＣとを接続する。通信部１５０は、通信プロトコルに基づいて信用リスク管理装置２００と、各店舗端末３００と通信を行い、顧客データや数式モデルデータ、等を送受信する。
【００３０】
プログラム格納部１６０は、例えば、ハードディスク装置やＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などの記憶装置から構成され、制御部１１０が実行する種々の動作プログラムが格納されている。プログラム格納部１６０に格納される動作プログラムには、信用リスクモデル決定装置１００の基本動作を司る任意のオペレーティングシステム（ＯＳ、Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）と、ＯＳと協働して後述する各処理を実現するための、以下の（１）〜（４）に示すような動作プログラムとを含む。信用リスクモデル決定装置１００による処理は、制御部１１０がこれらの動作プログラムを実行することで実現される。
（１）「信用リスクモデル決定プログラム」：分析対象データから後述する信用リスクモデル決定処理により信用リスクモデルを作成するプログラムである。
（２）「信用リスクモデル検証プログラム」：信用リスクモデル決定プログラムにより作成された信用リスクモデルを検証用データに適用して、各顧客が所定の期間までにデフォルト状態に陥るか否かを予想し、その予想が所定の判別率を達成しているか否かを判別するプログラムである。
（３）「サンプリングプログラム」：それぞれ所定数の分析対象データおよび検証用データとして、顧客データをサンプリングするプログラム。分析対象データと検証用データとで、全体のデフォルト確率が等しくなるようにサンプリングする。なお、いくつかの変数の対数、逆数をとる、予め「顧客コード」をキーとして、同一の顧客の貸し付けに関する情報をマージする、等の前処理を行ってもよい。
（４）「モデル配信プログラム」：「信用リスクモデル決定プログラム」が作成した信用リスクモデルを各店舗端末３００に配信するプログラムである。信用リスクモデルが更新されるたび、あるいは、前回の配信時から所定の期間が経過する毎に、記憶部１２０に格納された信用リスクモデルを配信する。
【００３１】
信用リスク管理装置２００は、信用リスクモデル決定装置１００が作成した信用リスクモデルを受信して、記憶部２２０に格納する。そして、店舗端末から顧客データを受信し、後述する「貸倒リスク評価処理」を実行する。
【００３２】
信用リスク管理装置２００のブロック図を図５に示す。図示するように、信用リスク管理装置２００は、制御部２１０と、記憶部２２０と、入力部２３０と、出力部２４０と、通信部２５０とを備える。
【００３３】
制御部２１０は、例えば、中央演算処理装置（ＣＰＵ、Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やワークエリアとなる所定の記憶装置（ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等）から構成され、信用リスク管理装置２００の各部を制御する。
【００３４】
記憶部２２０は、例えば、半導体記憶装置やハードディスク装置、等の書き換え可能な記憶装置などから構成され、顧客情報、数式モデルデータ、等を格納する。
ここで、顧客情報は、分析対象データと同じく、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。
【００３５】
入力部２３０は、例えば、キーボードやポインティング・デバイス、等の入力装置を接続し、その入力装置から入力された、制御部２１０への指示、等を受け付ける。
出力部２４０は、例えば、ディスプレイ、プリンタ等の出力装置を接続し、制御部２１０の処理結果、等を必要に応じてその出力装置に出力する。
通信部２５０は、例えば、ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）やルータ、モデムなどの所定の通信装置から構成され、信用リスク管理装置２００と通信ネットワークＣとを接続する。通信部２５０は、通信プロトコルに基づいて信用リスクモデル決定装置１００と、各店舗端末３００と通信を行い、顧客データ、数式モデルデータ、等を送受信する。
【００３６】
店舗端末３００は、各店舗において、担当者から各顧客への貸し付けに関する情報の入力を受け付け、入力されたデータを信用リスクモデル決定装置１００に顧客データとして送信する。店舗端末３００は、顧客データを信用リスク管理装置２００にも送信し、信用リスク管理装置２００からデフォルト確率の予測数値の返信を受けてその予測数値を表示する。各店舗の貸付担当者はその予測数値から、顧客への貸し付けの可否を判断する。
【００３７】
店舗端末３００のブロック図を図６に示す。図示するように、店舗端末３００は、制御部３１０と、記憶部３２０と、入力部３３０と、表示部３４０と、通信部３５０とを備える。
【００３８】
制御部３１０は、例えば、中央演算処理装置（ＣＰＵ、Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やワークエリアとなる所定の記憶装置（ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等）から構成され、店舗端末３００の各部を制御する。
【００３９】
記憶部３２０は、例えば、半導体記憶装置やハードディスク装置、等の書き換え可能な記憶装置などから構成され、顧客情報などを格納する。
ここで、顧客情報は、分析対象データと同じく、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。
【００４０】
入力部３３０は、例えば、キーボードやポインティング・デバイス、等の入力装置を接続し、その入力装置から入力された、制御部３１０、信用リスク管理装置２００への指示、等を受け付ける。
表示部３４０は、例えば、ディスプレイ等の出力装置を接続し、制御部３１０の処理結果、信用リスク管理装置２００から送信された顧客のデフォルト確率予測、等を必要に応じてその出力装置に出力する。
通信部３５０は、例えば、ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）やルータ、モデムなどの所定の通信装置から構成され、店舗端末３００と通信ネットワークＣとを接続する。通信部３５０は、通信プロトコルに基づいて信用リスクモデル決定装置１００と、信用リスク管理装置２００と通信を行い、顧客データ、等を送受信する。
【００４１】
次に、図面を参照して信用リスクモデル決定装置１００の動作（信用リスクモデル決定処理）を説明する。本実施例で説明する信用リスクモデルは、数１で記述される。なお、理解を容易にするために、観測対象となっている事象（デフォルト発生）が同時に複数発生することはない、と仮定する。
【００４２】
入力部１３０を介して入力装置から信用リスクモデルの決定を行う旨の指示がなされると、まず、制御部１１０は記憶部１２０に記憶された分析対象データを読み出す（図７：ステップＳ１１）。
【００４３】
次に、制御部１１０は「整数型変数の実数化処理」を行い、整数型変数（例えば、「新規時他社借入件数」）がとる整数値ｘｉ（ｉ＝１，２，・・・，ｎ、ｎは分析対象データに含まれる変数の個数）を、数１に割り当てる際の実数値ｙｉを決定する（ステップＳ２０）。
【００４４】
図８に示すフローチャートを参照して、図７中の整数型変数の実数化処理（ステップＳ２０）を説明する。
整数型変数の実数化処理では、まず、制御部１１０がＸに含まれる整数型変数ｘｋの取りうる値ｘｋｊ（ｊ＝１，２，・・・，ｎ）で、全事象Ｇ（分析対象データのすべて。時刻０における観測対象でもある。）をグループＧｋｊに分割する（ステップＳ２１）。次に、各グループＧｋｊに対し、例えば、カプラン−マイヤ法等により、生存時間関数Ｓ（ｔ｜ｘｋｊ）をそれぞれ計算する（ステップＳ２２）。
【００４５】
ここで、カプラン−マイヤ法とは、デフォルトの発生時刻を
０＜ｔ１＜ｔ２＜・・・＜ｔｍ
としたとき、時刻ｔｊ＜ｔ≦ｔｊ＋１（１≦ｊ＜ｍ）において、生存時間関数Ｓ（ｔ）を数４に示す式と推定する方法である。数４から分かるように、カプラン−マイヤ法で推定される生存時間関数Ｓ（ｔ）は階段状の関数である。
【００４６】
【数４】
Ｓ（ｔ）＝Ｓ（ｔｊ−１）（１−１／ｎｊ） （ｔｊ＜ｔ≦ｔｊ＋１）
ただし、０≦ｔ＜ｔ１の時は、Ｓ（ｔ）＝１
ここで、ｎｊは時刻ｔｊで観測可能な事象数（顧客数）である。
【００４７】
次に、制御部１１０は、ｘｋの値により場合分けをした上で、度数の最も多いグループＧｋｂを基準として、数５に示す式を用い、グループＧｋｂと他のグループＧｋｊとの、「相対対数累積ハザード関数」Δｌｈ（ｔ｜ｘｋｊ）の時間平均を算出する（ステップＳ２３）。ここで、相対対数累積ハザード関数は数６に示す式により算出される関数であり、Ｔは所定の期間（例えば、６ヶ月、１年）である。数５に示すような式により、相対対数累積ハザード関数に含まれる時間依存性を除去する。
また、数１中に現れるβｋを用いれば、βｋとｙｂ、ｙｊとは数７に示す関係を持つ。
【００４８】
【数５】
∫０ ＴΔｌｈ（ｔ｜ｘｋｊ）ｄｔ／Ｔ
【００４９】
【数６】
Δｌｈ（ｔ｜ｘｋｊ）＝ｌｏｇ（ｌｏｇ Ｓ（ｔ｜ｘｋｊ）／ｌｏｇ Ｓ（ｔ｜ｘｋｂ））
【００５０】
【数７】
∫０ ＴΔｌｈ（ｔ｜ｘｋｊ）ｄｔ／Ｔ＝βｋ（ｙｊ−ｙｂ）
【００５１】
そして、度数の最も多いグループＧｋｂでｘｋ ｂを数１に適用する実数値ｙｂを算出する（ステップＳ２４）。具体的には、例えば、「新規時他社借入件数」が０のときに数１に０の代わりに代入する数値（実数値）を決定する。
ステップＳ２４では、Ｇｋｂの生存時間関数から数８によりｙｂを算出する。（なお、数８は１変数のロジスティック回帰式において回帰係数を１と置き、数３の関係を代入している。）
【００５２】
【数８】
ｙｂ＝ｌｏｇ（１−Ｓ（Ｔ｜ｘｋ ｂ）／Ｓ（Ｔ｜ｘｋ ｂ））
【００５３】
最後に、グループＧｋｂ以外のグループＧｋｊに対し、ステップＳ２４で算出したｙｂとステップＳ２３で算出した相対対数累積ハザード関数とから、ｘｋ ｊに対応する実数値ｙｊを算出する（ステップＳ２５）。この時、数７に示した関係を用いるが、βｋ＝１であるとする。（ロジスティック回帰を用いた検証により、この仮定が妥当であることが示される。）
【００５４】
このようにして、例えば、新規時他社借入件数が０のときに数１に−１．５を、１のときに数１に−０．６を、２のときに数１に０．９を、それぞれ代入する、というような変換規則が決定される。最後に、ステップＳ２４とステップＳ２５で算出された、整数型変数ｘｋのそれぞれの取りうる値を、数１に適用する際の割り当て値とその取りうる値とを組にして、変換テーブルを作成する（ステップＳ２６）。
【００５５】
図７に戻り、制御部１１０は、ステップ２０で決定した割り当て値を代入した状態で、説明変数にＸに含まれる説明変数を決定する（ステップＳ１３）。
説明変数を決定する方法には、変数増加法、変数減少法、ステップワイズ法（変数増減法、変数減増法）、等がある。
これら何れの方法にしても、χ２（カイ二乗）検定、ワルド（Ｗａｌｄ）検定、等により、説明変数毎に、その回帰係数が０となるか否かの仮説を検定する。仮説が採択されれば、その説明変数を数１の説明変数として採用しない（あるいは回帰係数は０と決定する）。また、仮説が棄却されれば、その説明変数を数１の説明変数として採用する。そして、所定の打ち切り条件となるまで説明変数の追加、除去を繰り返す。
【００５６】
なお、χ２検定を採用した場合において、元の係数ベクトルβに対し、検定する回帰係数βｋを除いた係数ベクトル（すなわち、βｋ＝０とした係数ベクトルβ）をβ＊とした時、χ２統計量Χ２は数９で表される値とする。上記仮説が真の場合、Χ２は自由度１のχ２分布に従う。
【００５７】
【数９】
Χ２＝２（ｌ（β）−ｌ（β＊））
ここで、ｌ（β）は対数尤度関数であって、数１０に示される関数である。
【００５８】
【数１０】
ｌ（β）＝Σｊ（−ｌｏｇ（ｔｊ−ｔｊ−１）−ｌｏｇΣｌ ∈ Ｒｊｅｘｐ（β・Ｘｌ）＋β・Ｘｄｊ−１）
ここで、Ｒｊは、時刻ｔｊに、観測対象となっている個体群、Ｘｄｊは、時刻ｔｊに、観測対象となっている事象が発生した個体、が持つ説明変数のベクトル、Ｘｌは、Ｒｊに含まれる各個体が持つ説明変数のベクトル、とする。
【００５９】
そして、ステップＳ１３で採用された説明変数それぞれの回帰係数を、例えば、最尤法により推定する（ステップＳ１４）。ステップＳ１４においても、ステップＳ２０で算出された割り当て値を代入した状態で各回帰係数を決定する。
【００６０】
次に、作成された信用リスクモデルを顧客のリスク管理に適用する前に、サンプリングプログラムにより作成された検証用データを用いて、この信用リスクモデルが所定の判別率を満たすか否かを検証し、検証の結果を出力する（ステップＳ１５）。具体的には、検証用データを記憶部１２０から読み出して、ステップＳ１４までの処理により作成された信用リスクモデルに、検証用データを適用する。信用リスクモデルは所定の期間（例えば、６ヶ月）内に検証用データに含まれる各顧客がデフォルトするか否かを予測する。予測した結果を集計し、所定の判別率を満たした場合に、その作成された信用リスクモデルが実際の業務に耐えられると判別する。所定の判別率を満たす場合は、その旨を出力部１４０に出力する。所定の判別率を満たさなかった場合は、作成した信用リスクモデルを破棄し、その旨を出力部１４０に出力して、異常終了する。
最後に、算出した信用リスクモデルを出力する（ステップＳ１６）。
【００６１】
信用リスクモデル決定処理により作成された数式モデルデータは、通信ネットワークＣを通じて、信用リスク管理装置２００に配信される。信用リスク管理装置２００は配信された数式モデルデータを記憶部２２０に格納する。
【００６２】
作成された信用リスクモデルを各顧客の貸倒リスクの管理に適用する。以下、この処理（貸倒リスク評価処理）を図９を参照して説明する。まず、店舗端末３００は、入力部３３０において、顧客データの入力を受け付け、信用リスク管理装置２００に送信する。信用リスク管理装置２００は顧客データの送信を受け付ける（ステップＳ３１）。
【００６３】
次に、信用リスク管理装置２００は送信された顧客データを記憶部２２０に追加し、さらに信用リスクモデルに適用してデフォルト確率を算出する（ステップＳ３２）。具体的には、制御部２１０が記憶部２２０から数式モデルデータを読み出し、顧客データを数式テーブルに含まれている各変数の値に当てはめ、各変数の回帰係数と掛け合わせ、最後にすべての乗算結果を足し合わせて算出する。ただし、各変数において、変換テーブルが定義されている場合、すなわち変換フラグが変数テーブルが定義されている旨の情報であった場合は、変数割り当てテーブルを参照し、顧客データの変数値の割り当て値と回帰係数を掛け合わせ、乗算結果とする。
【００６４】
次に、算出されたデフォルト確率を店舗端末３００に送信する（ステップＳ３３）。店舗端末３００は送信されたデフォルト確率を表示部３４０に表示する。
店舗の貸付担当者は表示されたデフォルト確率を見て、当該顧客への貸し付けの可否を判断し、入力部２３０にその判断内容を信用リスク管理装置２００に送信する。信用リスク管理装置２００は、送信された内容が顧客への貸し付けが認められた旨の内容か否かを判別する（ステップＳ３４）。
信用リスク管理装置２００が顧客への貸し付けが貸付担当者により認められたと判別すると（ステップＳ３４：ＹＥＳ）、個々の貸倒引当金を計上し（ステップＳ３５）、貸倒リスク評価処理を終了する。貸倒引当金は、例えば、顧客の債権（貸付残高）にステップＳ３２で求めたデフォルト確率を掛け合わせることで算出する。
信用リスク管理装置２００が顧客への貸し付けが貸付担当者により認められなかったと判別すると（ステップＳ３４：ＮＯ）、そのまま貸倒リスク評価処理を終了する。
【００６５】
以上説明したように、本発明によれば、説明変数の値（整数値）を別の値（実数値）に置き換えて代入することが可能となり、数式モデルで記述される信用リスクモデルの精度を向上させることができる。
【００６６】
信用リスクモデルの精度を向上させるため、説明変数（上述した整数型変数の実数化処理が施された変数を含む）から組み立てられた新変数を追加することもできる。このとき、作成する信用リスクモデルは、例えば、数１１に示すモデルである。新変数は、例えば、遺伝的プログラミング（ＧＰ、Ｇｅｎｅｔｉｃ Ｐｒｏｇｒａｍｍｉｎｇ）により作成される。
【００６７】
【数１１】
ｌｏｇ（−ｌｏｇ（Ｓ（ｔ｜Ｘ）））＝β１ｘ１＋β２ｘ２＋・・・＋βｍｘｍ＋γ１ｚ１＋γ２ｚ２＋・・・＋γｎｚｎ＝β・Ｘ＋γ・Ｚ
ここでγは回帰係数のベクトル、ＺはＧＰにより決定された新しい説明変数の、ベクトルとする。
【００６８】
本実施形態に係るＧＰは、ランダムに生成された初期関数から説明変数の加減乗除、変数の追加、削除、２つの関数同士において交換、等により、関数を生成し、予め与えられた適合関数ｆａｄ（λ）（例えば数１２に示す関数。）により関数を選択し、選択された関数から新たに、生成、選択を繰り返し、最終的に適合関数により最も信用リスクを判別するのに適合していると判別された、関数ｆｄ（Ｘ）を得る。この関数ｆｄ（Ｘ）は、１つ以上の説明変数から組み立てられた変数の加減算で表現されているので、それらの変数を、ｚ１、ｚ２、・・・、ｚｎとして数１１に追加する変数に採用する。なお、変数が１つの場合は、ｆｄ（Ｘ）は単項式なのでその項そのものを数１１に追加する変数にｚ１として採用する。
【００６９】
【数１２】
観測事象（貸し倒れ）が起こる場合（目的変数値＝１）
λ≧０のとき ｆａｄ（λ）＝０
λ＜０のとき ｆａｄ（λ）＝１−１／（１＋ｅ−λ）＋ＢＩＡＳ
観測事象が起こらない場合（目的変数値＝０）
λ＜０のとき ｆａｄ（λ）＝０
λ≧０のとき ｆａｄ（λ）＝１−１／（１＋ｅ−λ）
ここで、ＢＩＡＳは予め与えられた実数値で、ＢＩＡＳ＞０とした時には、事象が起こらないと結論づけたのにその事象が起こってしまう確率、いわゆる、第１種の誤りの確率が増大した場合に、ｆａｄ（λ）の値が増大するという効果を与えるように付加されている。また、ＢＩＡＳ＜０とした時には、第２種の誤りの確率が増大した場合に、ｆａｄ（λ）の値が増大するという効果を与えるように付加されている。
【００７０】
なお、本発明は上記実施の形態に限定されず、種々の変形および応用が可能である。
【００７１】
例えば、本発明の整数型変数の実数化処理を他の生存時間解析が可能な数理統計処理に適用できる。
また、整数型変数の実数化処理を適用する説明変数を任意に選択するように構成できる。
さらに、周期的に、あるいは適宜、分析対象データを更新して、信用リスクモデルを決定・更新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（記憶部２２０に格納されてい顧客データの更新時、日毎、週毎、月毎、等）で、記憶部２２０に格納されている顧客データから新たなデータをサンプリングする。そして、分析対象データと検証用データとを更新し、新しい信用リスクモデルの作成に使用する。これにより、現状に即した信用リスクモデルに随時更新して、分析の精度を上げることができる。
【００７２】
また、信用リスクモデル決定処理と、決定された信用リスク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が上記の信用リスクモデル決定装置を用いて信用リスクモデルの決定を行い、会社Ｂが上記の信用リスク管理装置を用いて各分析処理を行ってもよい。
また、信用リスクモデルの決定処理と、決定された信用リスク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。
【００７３】
また、ＧＰを用いて追加する説明変数が、数１３に示すような数式モデルでもよい。
【００７４】
【数１３】
ｌｏｇ（−ｌｏｇ（Ｓ（ｔ｜Ｘ）））＝β１ｘ１＋β２ｘ２＋・・・＋βｍｘｍ＋γｆｄ（Ｘ）＝β・Ｘ＋γｆｄ（Ｘ）
ここでγは回帰係数であり、ｆｄ（Ｘ）は所定の期間内（例えば、６ヶ月）に観察対象となっている事象が起こると予測するならば１、そうでなければ０を返す判別関数である。
【００７５】
また、この発明は、専用の装置によらず、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（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信用リスクモデル決定装置１００、店舗端末３００、等を構成することができる。なお、上述の機能を、ＯＳとアプリケーションとの分担、またはＯＳとアプリケーションと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。
【００７６】
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、Ｂｕｌｌｅｔｉｎ Ｂｏａｒｄ Ｓｙｓｔｅｍ）に該プログラムを掲示し、ネットワークを介して該プログラムを配信してもよい。そして、このプログラムを起動し、オペレーティングシステムの制御下で、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、上述の処理を実行できるように構成しても構わない。
【００７７】
【発明の効果】
以上説明したように、本発明によれば、信用リスクモデルの精度を向上させることができる。
【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構成を示すブロック図である。
【図２】図１中の信用リスクモデル決定装置の構成を示すブロック図である。
【図３】図２中の記憶部に格納される数式モデルデータの例を示す図である。
【図４】図２中の記憶部に分析対象データ（顧客データ、検証用データ）として格納される、（Ａ）顧客不変情報と（Ｂ）顧客属性情報と（Ｃ）顧客管理情報と（Ｄ）口座契約情報と（Ｅ）口座貸付情報と（Ｆ）口座入金情報と（Ｇ）口座移管情報とを説明するための図である。
【図５】図１中の信用リスク管理装置の構成を示すブロック図である。
【図６】図１中の店舗端末の構成を示すブロック図である。
【図７】図２中の信用リスクモデル決定装置が信用リスクモデルを決定する処理を説明するためのフローチャートである。
【図８】図７中の整数型変数の実数化処理を説明するためのフローチャートである。
【図９】図１中の信用リスク管理装置が顧客の貸倒リスクを評価する処理を説明するためのフローチャートである。
【符号の説明】
１００ 信用リスクモデル決定装置
１１０ 制御部
１２０ 記憶部
１３０ 入力部
１４０ 出力部
１５０ 通信部
１６０ プログラム格納部
２００ 信用リスク管理装置
２１０ 制御部
２２０ 記憶部
２３０ 入力部
２４０ 出力部
２５０ 通信部
３００ 店舗端末
３１０ 制御部
３２０ 記憶部
３３０ 入力部
３４０ 表示部
３５０ 通信部
【発明の属する技術分野】
本発明は、数式で表される信用リスクモデルを決定するための、信用リスクモデル決定装置、プログラムおよび信用リスクモデル決定方法に関する。
【０００２】
【従来の技術】
従来より、金融分野において、顧客（借り手）の信用リスクを正しく評価することが重要である。貸し倒れ確率が時間の経過と共に悪化するという、時間依存性を持つことを考慮して、例えば特許文献１に、コックスの比例ハザードモデルを用いた生存時間解析を用いて各債権の信用リスクを（回帰）分析する分析サーバが開示されている。
【０００３】
ここで、コックスの比例ハザードモデルで扱うコックス回帰式は、数１に示す式のように、説明変数のベクトルＸの線形モデルである。
【０００４】
【数１】
ｌｏｇ（−ｌｏｇ（Ｓ（ｔ｜Ｘ）））＝β・Ｘ＝β１ｘ１＋β２ｘ２＋・・・＋βｍｘｍ
β＝（β１，β２，・・・，βｍ）
Ｘ＝（ｘ１，ｘ２，・・・，ｘｍ）
ここで、β・Ｘはベクトルの内積である。また、Ｓ（ｔ｜Ｘ）は数２に示される生存時間関数であって、ある時刻Ｔにおいて、貸し倒れ確率Ｐ（ｔ｜Ｘ）と数３に示す関係を満たす。βは各説明変数に対応した回帰係数のベクトルである。
【０００５】
【数２】
Ｓ（ｔ｜Ｘ）＝Ｓ０（ｔ）ｅｘｐ（β・Ｘ）
ここで、Ｓ０（ｔ）は基準となる生存時間関数である。
【０００６】
【数３】
Ｐ（Ｔ｜Ｘ）＋Ｓ（Ｔ｜Ｘ）＝１
【０００７】
【特許文献１】
特開２００２−１０９２０８号公報（第３−５頁）
【０００８】
【発明が解決しようとする課題】
しかしながら、従来のリスク分析手法は、未だ、信頼性が低く、より一層の改善が求められている。
【０００９】
本発明は、上述した事情に鑑みてなされたもので、精度の高い信用リスクモデルを構築するための、信用リスクモデル決定装置、プログラムおよび信用リスクモデル決定方法を提供する。
【００１０】
【課題を解決するための手段】
本発明の第１の観点に係る信用リスクモデル決定装置は、
信用リスクモデルを決定する信用リスクモデル決定装置であって、
前記信用リスクモデルを表す数式モデルを記憶する数式モデル記憶手段と、
信用リスクモデルを決定するために使用されるデータであって、複数の顧客の信用リスクに関する実績データである分析データを記憶する分析データ記憶手段と、
前記数式モデルに使用される説明変数に関して、該説明変数の値毎に前記数式モデルに当てはめる際に使用する割当値を、信用リスクに関する分析データに基づいて算出する割当値算出手段と、
前記割当値算出手段により算出された前記割当値と元の値とを対応付けて記憶する対応値記憶手段と、
前記数式モデル記憶手段に記憶されている前記数式モデルに前記割当値を代入する場合の、該数式モデルの説明変数に掛かる係数を、前記分析データに基づいて決定して、前記数式モデルに設定する係数設定手段と、
を具備する。
【００１１】
上記信用リスクモデル決定装置において、例えば、
前記数式モデルは、複数の説明変数とその係数とから構成され、少なくとも１つの説明変数は、予め定められた複数の整数値のうちのいずれかの値をとり、
前記割当値は、前記割当値算出手段により算出された前記複数の整数値に対応する複数の実数値のいずれかの値をとる。
【００１２】
上記信用リスクモデル決定装置において、例えば、
前記割当値算出手段は、
前記分析データに基づいて、前記数式モデルの説明変数毎に、該説明変数の値に応じた複数のグループに、前記複数の顧客をグループ分けするグループ化手段と、
前記グループ化手段によりグループ化された各グループに属する顧客がデフォルトしない確率を示す生存時間関数を推定する生存時間関数推定手段と、
各説明変数について、その説明変数に対応するグループのうちで、属する顧客が最も多い最大グループを判別する最大グループ判別手段と、
前記最大グループ判別手段により判別された最大グループに対応する説明変数の値を、前記数式モデルに当てはめる際に使用する割当値を、前記生存時間関数推定手段により推定された該最大グループの前記生存時間関数に基づいて算出する最大グループ割当値算出手段と、
各説明変数について、最大グループ割当値算出手段により算出された最大グループ割当値と、前記生存時間関数推定手段により推定された各グループの生存時間関数と、に基づいて、対応する最大グループ以外の各グループの割当値を算出する各割当値算出手段と、
を具備する。
【００１３】
上記信用リスクモデル決定装置において、
前記分析データから新たな説明変数を求める説明変数取得手段と、
前記説明変数取得手段により求めた新たな説明変数を前記数式モデルに追加する説明変数追加手段と、
をさらに具備する。
【００１４】
上記信用リスクモデル決定装置において、例えば、
前記説明変数取得手段は、遺伝的プログラムにより新たな説明変数を取得する手段から構成される。
【００１５】
前記信用リスクモデル決定装置が、
信用リスクモデルのデフォルト発生判別精度を検証するためのモデル検証用データを記憶するモデル検証用データ記憶手段と、
前記信用リスクモデルに、前記対応値記憶手段に記憶された対応関係に基づいて、モデル検証用データに基づく割当値を代入して、該信用リスクモデルが所定のデフォルト発生判別精度を達成しているか否かを検証する検証手段と、
前記検証手段による検証の結果を出力する手段と、
をさらに具備するようにしてもよい。
【００１６】
本発明の第２の観点に係るプログラムは、
数式モデルで記述される信用リスクモデルを決定するプログラムであって、
前記数式モデルに使用される説明変数に関して、該説明変数の値毎に前記数式モデルに当てはめる際に使用する割当値を、分析データ記憶手段に記憶される複数の顧客の信用リスクに関する実績データである分析データに基づいて算出する割当値算出手順と、
前記割当値算出手順により算出された前記割当値と元の値とを対応付けて記憶する対応値記憶手順と、
数式モデル記憶手段に記憶されている前記数式モデルに前記割当値を代入する場合の、該数式モデルの説明変数に掛かる係数を、前記分析データに基づいて決定して、前記数式モデルに設定する係数設定手順と、
をコンピュータに実行させる。
【００１７】
本発明の第３の観点に係る信用リスクモデル決定方法は、
数式モデルで表される信用リスクモデルを決定する信用リスクモデル決定方法であって、
前記数式モデルに使用される説明変数に関して、該説明変数の値毎に前記数式モデルに当てはめる際に使用する割当値を、分析データ記憶手段に記憶された複数の顧客の信用リスクに関する実績データである分析データに基づいて算出する割当値算出ステップと、
前記割当値算出ステップにより算出された前記割当値と元の値とを対応付けて記憶する対応値記憶ステップと、
数式モデル記憶手段に記憶されている前記数式モデルに前記割当値を代入する場合の、該数式モデルの説明変数に掛かる係数を、前記分析データに基づいて決定して、前記数式モデルに設定する係数設定ステップと、
を備える。
【００１８】
【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。図示するように、この信用リスク管理システムは、信用リスクモデル決定装置１００と、信用リスク管理装置２００と、各営業店舗に設置される店舗端末３００とを備える。信用リスクモデル決定装置１００と、信用リスク管理装置２００と、店舗端末３００とは通信ネットワークＣを介して接続される。
【００１９】
各店舗において、店舗端末３００に顧客データが入力され、顧客データは通信ネットワークＣを介して、信用リスクモデル決定装置１００と、信用リスク管理装置２００とに転送される。
信用リスクモデル決定装置１００は、顧客データを加工して、分析対象データと検証用データとを作成し、分析対象データから信用リスクモデルを作成し、検証用データによりその信用リスクモデルの精度が所定の判別率を達成しているか否かを判別（検証）する。検証された信用リスクモデルは信用リスクモデルデータとして、信用リスク管理装置２００に転送される。
【００２０】
また、店舗端末３００で入力された顧客データから、その顧客の貸倒リスクを信用リスク管理装置２００に見積もらせる。すなわち、店舗端末３００は、顧客データと、貸倒リスクを評価する指示とを信用リスク管理装置２００に送信する。すると、信用リスク管理装置２００は、顧客データを信用リスクモデルに適用して、デフォルト確率を予測し、その予測数値を店舗端末３００に返信する。その顧客への貸し付けが認められた場合には、信用リスク管理装置２００は、貸倒引当金を計上する。
【００２１】
信用リスクモデル決定装置１００のブロック図を図２に示す。図示するように、信用リスクモデル決定装置１００は、制御部１１０と、記憶部１２０と、入力部１３０と、出力部１４０と、通信部１５０と、プログラム格納部１６０とから構成される。
【００２２】
制御部１１０は、例えば、中央演算処理装置（ＣＰＵ、Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やワークエリアとなる所定の記憶装置（ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等）から構成される。制御部１１０は、プログラム格納部１６０に格納されている所定の動作プログラムに基づいて後述する各処理を実行し、信用リスクモデル決定装置１００の各部を制御する。また、分析対象データに基づいて信用リスクモデルを決定する。
【００２３】
記憶部１２０は、例えば、半導体記憶装置やハードディスク装置、等の書き換え可能な記憶装置などから構成される。記憶部１２０は、信用リスクモデルを記述する数式モデルデータや、信用リスクモデルの決定のために用いられる分析対象データ、信用リスクモデルの検証のために用いられる検証用データ、等を格納する。
【００２４】
記憶部１２０に記憶される数式モデルデータの例を図３に示す。図示するように、数式モデルデータは、例えば、数式テーブル、変数割り当てテーブル等を含む。
【００２５】
数式テーブルは、信用リスクモデルを記述する回帰式を示す情報である。例えば、図３（Ａ）に示すように、回帰式の説明変数毎に、変数名、回帰係数、「変換フラグ」、等を含む。ここで、変換フラグとは、ある説明変数が、後述する「整数型変数の実数化処理」を受けて、その説明変数の変数割り当てテーブルが作成されているか否かを示す情報である。
変数割り当てテーブルは、その変数の取りうる値と信用リスクモデルに当てはめる際の値との対応づけに関する情報である。例えば、図３（Ｂ）に示すように変数名、（元値、その割り当て値）の組、等を含む。
【００２６】
記憶部１２０に記憶される分析対象データの例を図４に示す。図示するように、分析対象データは、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。
【００２７】
顧客不変情報は、顧客の新規貸付時における情報である。例えば図４（Ａ）に示すように、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、顧客の属性に関する情報である。例えば図４（Ｂ）に示すように、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、顧客の他社からの借り入れに関する情報である。例えば図４（Ｃ）に示すように、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、顧客の契約に関する情報である。例えば図４（Ｄ）に示すように、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。
口座貸付情報は、顧客の貸し付けに関する情報である。例えば図４（Ｅ）に示すように、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、顧客の入金に関する情報である。例えば図４（Ｆ）に示すように、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、顧客の（デフォルト）移管に関する情報である。例えば図４（Ｇ）に示すように、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。
【００２８】
図２の記憶部１２０に格納される検証用データは、分析対象データと同様に、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。
【００２９】
入力部１３０は、例えば、キーボードやポインティング・デバイス、等の入力装置を接続し、入力装置から入力された、制御部１１０への指示や記憶部１２０に格納される分析対象データなどを受け付ける。
出力部１４０は、例えば、プリンタやディスプレイ、等の出力装置を接続し、制御部１１０の信用リスクモデル決定の処理結果などを必要に応じて出力装置に出力する。
通信部１５０は、例えば、ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）やルータ、モデム、等の通信装置から構成され、信用リスクモデル決定装置１００と通信ネットワークＣとを接続する。通信部１５０は、通信プロトコルに基づいて信用リスク管理装置２００と、各店舗端末３００と通信を行い、顧客データや数式モデルデータ、等を送受信する。
【００３０】
プログラム格納部１６０は、例えば、ハードディスク装置やＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などの記憶装置から構成され、制御部１１０が実行する種々の動作プログラムが格納されている。プログラム格納部１６０に格納される動作プログラムには、信用リスクモデル決定装置１００の基本動作を司る任意のオペレーティングシステム（ＯＳ、Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）と、ＯＳと協働して後述する各処理を実現するための、以下の（１）〜（４）に示すような動作プログラムとを含む。信用リスクモデル決定装置１００による処理は、制御部１１０がこれらの動作プログラムを実行することで実現される。
（１）「信用リスクモデル決定プログラム」：分析対象データから後述する信用リスクモデル決定処理により信用リスクモデルを作成するプログラムである。
（２）「信用リスクモデル検証プログラム」：信用リスクモデル決定プログラムにより作成された信用リスクモデルを検証用データに適用して、各顧客が所定の期間までにデフォルト状態に陥るか否かを予想し、その予想が所定の判別率を達成しているか否かを判別するプログラムである。
（３）「サンプリングプログラム」：それぞれ所定数の分析対象データおよび検証用データとして、顧客データをサンプリングするプログラム。分析対象データと検証用データとで、全体のデフォルト確率が等しくなるようにサンプリングする。なお、いくつかの変数の対数、逆数をとる、予め「顧客コード」をキーとして、同一の顧客の貸し付けに関する情報をマージする、等の前処理を行ってもよい。
（４）「モデル配信プログラム」：「信用リスクモデル決定プログラム」が作成した信用リスクモデルを各店舗端末３００に配信するプログラムである。信用リスクモデルが更新されるたび、あるいは、前回の配信時から所定の期間が経過する毎に、記憶部１２０に格納された信用リスクモデルを配信する。
【００３１】
信用リスク管理装置２００は、信用リスクモデル決定装置１００が作成した信用リスクモデルを受信して、記憶部２２０に格納する。そして、店舗端末から顧客データを受信し、後述する「貸倒リスク評価処理」を実行する。
【００３２】
信用リスク管理装置２００のブロック図を図５に示す。図示するように、信用リスク管理装置２００は、制御部２１０と、記憶部２２０と、入力部２３０と、出力部２４０と、通信部２５０とを備える。
【００３３】
制御部２１０は、例えば、中央演算処理装置（ＣＰＵ、Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やワークエリアとなる所定の記憶装置（ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等）から構成され、信用リスク管理装置２００の各部を制御する。
【００３４】
記憶部２２０は、例えば、半導体記憶装置やハードディスク装置、等の書き換え可能な記憶装置などから構成され、顧客情報、数式モデルデータ、等を格納する。
ここで、顧客情報は、分析対象データと同じく、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。
【００３５】
入力部２３０は、例えば、キーボードやポインティング・デバイス、等の入力装置を接続し、その入力装置から入力された、制御部２１０への指示、等を受け付ける。
出力部２４０は、例えば、ディスプレイ、プリンタ等の出力装置を接続し、制御部２１０の処理結果、等を必要に応じてその出力装置に出力する。
通信部２５０は、例えば、ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）やルータ、モデムなどの所定の通信装置から構成され、信用リスク管理装置２００と通信ネットワークＣとを接続する。通信部２５０は、通信プロトコルに基づいて信用リスクモデル決定装置１００と、各店舗端末３００と通信を行い、顧客データ、数式モデルデータ、等を送受信する。
【００３６】
店舗端末３００は、各店舗において、担当者から各顧客への貸し付けに関する情報の入力を受け付け、入力されたデータを信用リスクモデル決定装置１００に顧客データとして送信する。店舗端末３００は、顧客データを信用リスク管理装置２００にも送信し、信用リスク管理装置２００からデフォルト確率の予測数値の返信を受けてその予測数値を表示する。各店舗の貸付担当者はその予測数値から、顧客への貸し付けの可否を判断する。
【００３７】
店舗端末３００のブロック図を図６に示す。図示するように、店舗端末３００は、制御部３１０と、記憶部３２０と、入力部３３０と、表示部３４０と、通信部３５０とを備える。
【００３８】
制御部３１０は、例えば、中央演算処理装置（ＣＰＵ、Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やワークエリアとなる所定の記憶装置（ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等）から構成され、店舗端末３００の各部を制御する。
【００３９】
記憶部３２０は、例えば、半導体記憶装置やハードディスク装置、等の書き換え可能な記憶装置などから構成され、顧客情報などを格納する。
ここで、顧客情報は、分析対象データと同じく、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。
【００４０】
入力部３３０は、例えば、キーボードやポインティング・デバイス、等の入力装置を接続し、その入力装置から入力された、制御部３１０、信用リスク管理装置２００への指示、等を受け付ける。
表示部３４０は、例えば、ディスプレイ等の出力装置を接続し、制御部３１０の処理結果、信用リスク管理装置２００から送信された顧客のデフォルト確率予測、等を必要に応じてその出力装置に出力する。
通信部３５０は、例えば、ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）やルータ、モデムなどの所定の通信装置から構成され、店舗端末３００と通信ネットワークＣとを接続する。通信部３５０は、通信プロトコルに基づいて信用リスクモデル決定装置１００と、信用リスク管理装置２００と通信を行い、顧客データ、等を送受信する。
【００４１】
次に、図面を参照して信用リスクモデル決定装置１００の動作（信用リスクモデル決定処理）を説明する。本実施例で説明する信用リスクモデルは、数１で記述される。なお、理解を容易にするために、観測対象となっている事象（デフォルト発生）が同時に複数発生することはない、と仮定する。
【００４２】
入力部１３０を介して入力装置から信用リスクモデルの決定を行う旨の指示がなされると、まず、制御部１１０は記憶部１２０に記憶された分析対象データを読み出す（図７：ステップＳ１１）。
【００４３】
次に、制御部１１０は「整数型変数の実数化処理」を行い、整数型変数（例えば、「新規時他社借入件数」）がとる整数値ｘｉ（ｉ＝１，２，・・・，ｎ、ｎは分析対象データに含まれる変数の個数）を、数１に割り当てる際の実数値ｙｉを決定する（ステップＳ２０）。
【００４４】
図８に示すフローチャートを参照して、図７中の整数型変数の実数化処理（ステップＳ２０）を説明する。
整数型変数の実数化処理では、まず、制御部１１０がＸに含まれる整数型変数ｘｋの取りうる値ｘｋｊ（ｊ＝１，２，・・・，ｎ）で、全事象Ｇ（分析対象データのすべて。時刻０における観測対象でもある。）をグループＧｋｊに分割する（ステップＳ２１）。次に、各グループＧｋｊに対し、例えば、カプラン−マイヤ法等により、生存時間関数Ｓ（ｔ｜ｘｋｊ）をそれぞれ計算する（ステップＳ２２）。
【００４５】
ここで、カプラン−マイヤ法とは、デフォルトの発生時刻を
０＜ｔ１＜ｔ２＜・・・＜ｔｍ
としたとき、時刻ｔｊ＜ｔ≦ｔｊ＋１（１≦ｊ＜ｍ）において、生存時間関数Ｓ（ｔ）を数４に示す式と推定する方法である。数４から分かるように、カプラン−マイヤ法で推定される生存時間関数Ｓ（ｔ）は階段状の関数である。
【００４６】
【数４】
Ｓ（ｔ）＝Ｓ（ｔｊ−１）（１−１／ｎｊ） （ｔｊ＜ｔ≦ｔｊ＋１）
ただし、０≦ｔ＜ｔ１の時は、Ｓ（ｔ）＝１
ここで、ｎｊは時刻ｔｊで観測可能な事象数（顧客数）である。
【００４７】
次に、制御部１１０は、ｘｋの値により場合分けをした上で、度数の最も多いグループＧｋｂを基準として、数５に示す式を用い、グループＧｋｂと他のグループＧｋｊとの、「相対対数累積ハザード関数」Δｌｈ（ｔ｜ｘｋｊ）の時間平均を算出する（ステップＳ２３）。ここで、相対対数累積ハザード関数は数６に示す式により算出される関数であり、Ｔは所定の期間（例えば、６ヶ月、１年）である。数５に示すような式により、相対対数累積ハザード関数に含まれる時間依存性を除去する。
また、数１中に現れるβｋを用いれば、βｋとｙｂ、ｙｊとは数７に示す関係を持つ。
【００４８】
【数５】
∫０ ＴΔｌｈ（ｔ｜ｘｋｊ）ｄｔ／Ｔ
【００４９】
【数６】
Δｌｈ（ｔ｜ｘｋｊ）＝ｌｏｇ（ｌｏｇ Ｓ（ｔ｜ｘｋｊ）／ｌｏｇ Ｓ（ｔ｜ｘｋｂ））
【００５０】
【数７】
∫０ ＴΔｌｈ（ｔ｜ｘｋｊ）ｄｔ／Ｔ＝βｋ（ｙｊ−ｙｂ）
【００５１】
そして、度数の最も多いグループＧｋｂでｘｋ ｂを数１に適用する実数値ｙｂを算出する（ステップＳ２４）。具体的には、例えば、「新規時他社借入件数」が０のときに数１に０の代わりに代入する数値（実数値）を決定する。
ステップＳ２４では、Ｇｋｂの生存時間関数から数８によりｙｂを算出する。（なお、数８は１変数のロジスティック回帰式において回帰係数を１と置き、数３の関係を代入している。）
【００５２】
【数８】
ｙｂ＝ｌｏｇ（１−Ｓ（Ｔ｜ｘｋ ｂ）／Ｓ（Ｔ｜ｘｋ ｂ））
【００５３】
最後に、グループＧｋｂ以外のグループＧｋｊに対し、ステップＳ２４で算出したｙｂとステップＳ２３で算出した相対対数累積ハザード関数とから、ｘｋ ｊに対応する実数値ｙｊを算出する（ステップＳ２５）。この時、数７に示した関係を用いるが、βｋ＝１であるとする。（ロジスティック回帰を用いた検証により、この仮定が妥当であることが示される。）
【００５４】
このようにして、例えば、新規時他社借入件数が０のときに数１に−１．５を、１のときに数１に−０．６を、２のときに数１に０．９を、それぞれ代入する、というような変換規則が決定される。最後に、ステップＳ２４とステップＳ２５で算出された、整数型変数ｘｋのそれぞれの取りうる値を、数１に適用する際の割り当て値とその取りうる値とを組にして、変換テーブルを作成する（ステップＳ２６）。
【００５５】
図７に戻り、制御部１１０は、ステップ２０で決定した割り当て値を代入した状態で、説明変数にＸに含まれる説明変数を決定する（ステップＳ１３）。
説明変数を決定する方法には、変数増加法、変数減少法、ステップワイズ法（変数増減法、変数減増法）、等がある。
これら何れの方法にしても、χ２（カイ二乗）検定、ワルド（Ｗａｌｄ）検定、等により、説明変数毎に、その回帰係数が０となるか否かの仮説を検定する。仮説が採択されれば、その説明変数を数１の説明変数として採用しない（あるいは回帰係数は０と決定する）。また、仮説が棄却されれば、その説明変数を数１の説明変数として採用する。そして、所定の打ち切り条件となるまで説明変数の追加、除去を繰り返す。
【００５６】
なお、χ２検定を採用した場合において、元の係数ベクトルβに対し、検定する回帰係数βｋを除いた係数ベクトル（すなわち、βｋ＝０とした係数ベクトルβ）をβ＊とした時、χ２統計量Χ２は数９で表される値とする。上記仮説が真の場合、Χ２は自由度１のχ２分布に従う。
【００５７】
【数９】
Χ２＝２（ｌ（β）−ｌ（β＊））
ここで、ｌ（β）は対数尤度関数であって、数１０に示される関数である。
【００５８】
【数１０】
ｌ（β）＝Σｊ（−ｌｏｇ（ｔｊ−ｔｊ−１）−ｌｏｇΣｌ ∈ Ｒｊｅｘｐ（β・Ｘｌ）＋β・Ｘｄｊ−１）
ここで、Ｒｊは、時刻ｔｊに、観測対象となっている個体群、Ｘｄｊは、時刻ｔｊに、観測対象となっている事象が発生した個体、が持つ説明変数のベクトル、Ｘｌは、Ｒｊに含まれる各個体が持つ説明変数のベクトル、とする。
【００５９】
そして、ステップＳ１３で採用された説明変数それぞれの回帰係数を、例えば、最尤法により推定する（ステップＳ１４）。ステップＳ１４においても、ステップＳ２０で算出された割り当て値を代入した状態で各回帰係数を決定する。
【００６０】
次に、作成された信用リスクモデルを顧客のリスク管理に適用する前に、サンプリングプログラムにより作成された検証用データを用いて、この信用リスクモデルが所定の判別率を満たすか否かを検証し、検証の結果を出力する（ステップＳ１５）。具体的には、検証用データを記憶部１２０から読み出して、ステップＳ１４までの処理により作成された信用リスクモデルに、検証用データを適用する。信用リスクモデルは所定の期間（例えば、６ヶ月）内に検証用データに含まれる各顧客がデフォルトするか否かを予測する。予測した結果を集計し、所定の判別率を満たした場合に、その作成された信用リスクモデルが実際の業務に耐えられると判別する。所定の判別率を満たす場合は、その旨を出力部１４０に出力する。所定の判別率を満たさなかった場合は、作成した信用リスクモデルを破棄し、その旨を出力部１４０に出力して、異常終了する。
最後に、算出した信用リスクモデルを出力する（ステップＳ１６）。
【００６１】
信用リスクモデル決定処理により作成された数式モデルデータは、通信ネットワークＣを通じて、信用リスク管理装置２００に配信される。信用リスク管理装置２００は配信された数式モデルデータを記憶部２２０に格納する。
【００６２】
作成された信用リスクモデルを各顧客の貸倒リスクの管理に適用する。以下、この処理（貸倒リスク評価処理）を図９を参照して説明する。まず、店舗端末３００は、入力部３３０において、顧客データの入力を受け付け、信用リスク管理装置２００に送信する。信用リスク管理装置２００は顧客データの送信を受け付ける（ステップＳ３１）。
【００６３】
次に、信用リスク管理装置２００は送信された顧客データを記憶部２２０に追加し、さらに信用リスクモデルに適用してデフォルト確率を算出する（ステップＳ３２）。具体的には、制御部２１０が記憶部２２０から数式モデルデータを読み出し、顧客データを数式テーブルに含まれている各変数の値に当てはめ、各変数の回帰係数と掛け合わせ、最後にすべての乗算結果を足し合わせて算出する。ただし、各変数において、変換テーブルが定義されている場合、すなわち変換フラグが変数テーブルが定義されている旨の情報であった場合は、変数割り当てテーブルを参照し、顧客データの変数値の割り当て値と回帰係数を掛け合わせ、乗算結果とする。
【００６４】
次に、算出されたデフォルト確率を店舗端末３００に送信する（ステップＳ３３）。店舗端末３００は送信されたデフォルト確率を表示部３４０に表示する。
店舗の貸付担当者は表示されたデフォルト確率を見て、当該顧客への貸し付けの可否を判断し、入力部２３０にその判断内容を信用リスク管理装置２００に送信する。信用リスク管理装置２００は、送信された内容が顧客への貸し付けが認められた旨の内容か否かを判別する（ステップＳ３４）。
信用リスク管理装置２００が顧客への貸し付けが貸付担当者により認められたと判別すると（ステップＳ３４：ＹＥＳ）、個々の貸倒引当金を計上し（ステップＳ３５）、貸倒リスク評価処理を終了する。貸倒引当金は、例えば、顧客の債権（貸付残高）にステップＳ３２で求めたデフォルト確率を掛け合わせることで算出する。
信用リスク管理装置２００が顧客への貸し付けが貸付担当者により認められなかったと判別すると（ステップＳ３４：ＮＯ）、そのまま貸倒リスク評価処理を終了する。
【００６５】
以上説明したように、本発明によれば、説明変数の値（整数値）を別の値（実数値）に置き換えて代入することが可能となり、数式モデルで記述される信用リスクモデルの精度を向上させることができる。
【００６６】
信用リスクモデルの精度を向上させるため、説明変数（上述した整数型変数の実数化処理が施された変数を含む）から組み立てられた新変数を追加することもできる。このとき、作成する信用リスクモデルは、例えば、数１１に示すモデルである。新変数は、例えば、遺伝的プログラミング（ＧＰ、Ｇｅｎｅｔｉｃ Ｐｒｏｇｒａｍｍｉｎｇ）により作成される。
【００６７】
【数１１】
ｌｏｇ（−ｌｏｇ（Ｓ（ｔ｜Ｘ）））＝β１ｘ１＋β２ｘ２＋・・・＋βｍｘｍ＋γ１ｚ１＋γ２ｚ２＋・・・＋γｎｚｎ＝β・Ｘ＋γ・Ｚ
ここでγは回帰係数のベクトル、ＺはＧＰにより決定された新しい説明変数の、ベクトルとする。
【００６８】
本実施形態に係るＧＰは、ランダムに生成された初期関数から説明変数の加減乗除、変数の追加、削除、２つの関数同士において交換、等により、関数を生成し、予め与えられた適合関数ｆａｄ（λ）（例えば数１２に示す関数。）により関数を選択し、選択された関数から新たに、生成、選択を繰り返し、最終的に適合関数により最も信用リスクを判別するのに適合していると判別された、関数ｆｄ（Ｘ）を得る。この関数ｆｄ（Ｘ）は、１つ以上の説明変数から組み立てられた変数の加減算で表現されているので、それらの変数を、ｚ１、ｚ２、・・・、ｚｎとして数１１に追加する変数に採用する。なお、変数が１つの場合は、ｆｄ（Ｘ）は単項式なのでその項そのものを数１１に追加する変数にｚ１として採用する。
【００６９】
【数１２】
観測事象（貸し倒れ）が起こる場合（目的変数値＝１）
λ≧０のとき ｆａｄ（λ）＝０
λ＜０のとき ｆａｄ（λ）＝１−１／（１＋ｅ−λ）＋ＢＩＡＳ
観測事象が起こらない場合（目的変数値＝０）
λ＜０のとき ｆａｄ（λ）＝０
λ≧０のとき ｆａｄ（λ）＝１−１／（１＋ｅ−λ）
ここで、ＢＩＡＳは予め与えられた実数値で、ＢＩＡＳ＞０とした時には、事象が起こらないと結論づけたのにその事象が起こってしまう確率、いわゆる、第１種の誤りの確率が増大した場合に、ｆａｄ（λ）の値が増大するという効果を与えるように付加されている。また、ＢＩＡＳ＜０とした時には、第２種の誤りの確率が増大した場合に、ｆａｄ（λ）の値が増大するという効果を与えるように付加されている。
【００７０】
なお、本発明は上記実施の形態に限定されず、種々の変形および応用が可能である。
【００７１】
例えば、本発明の整数型変数の実数化処理を他の生存時間解析が可能な数理統計処理に適用できる。
また、整数型変数の実数化処理を適用する説明変数を任意に選択するように構成できる。
さらに、周期的に、あるいは適宜、分析対象データを更新して、信用リスクモデルを決定・更新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（記憶部２２０に格納されてい顧客データの更新時、日毎、週毎、月毎、等）で、記憶部２２０に格納されている顧客データから新たなデータをサンプリングする。そして、分析対象データと検証用データとを更新し、新しい信用リスクモデルの作成に使用する。これにより、現状に即した信用リスクモデルに随時更新して、分析の精度を上げることができる。
【００７２】
また、信用リスクモデル決定処理と、決定された信用リスク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が上記の信用リスクモデル決定装置を用いて信用リスクモデルの決定を行い、会社Ｂが上記の信用リスク管理装置を用いて各分析処理を行ってもよい。
また、信用リスクモデルの決定処理と、決定された信用リスク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。
【００７３】
また、ＧＰを用いて追加する説明変数が、数１３に示すような数式モデルでもよい。
【００７４】
【数１３】
ｌｏｇ（−ｌｏｇ（Ｓ（ｔ｜Ｘ）））＝β１ｘ１＋β２ｘ２＋・・・＋βｍｘｍ＋γｆｄ（Ｘ）＝β・Ｘ＋γｆｄ（Ｘ）
ここでγは回帰係数であり、ｆｄ（Ｘ）は所定の期間内（例えば、６ヶ月）に観察対象となっている事象が起こると予測するならば１、そうでなければ０を返す判別関数である。
【００７５】
また、この発明は、専用の装置によらず、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（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信用リスクモデル決定装置１００、店舗端末３００、等を構成することができる。なお、上述の機能を、ＯＳとアプリケーションとの分担、またはＯＳとアプリケーションと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。
【００７６】
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、Ｂｕｌｌｅｔｉｎ Ｂｏａｒｄ Ｓｙｓｔｅｍ）に該プログラムを掲示し、ネットワークを介して該プログラムを配信してもよい。そして、このプログラムを起動し、オペレーティングシステムの制御下で、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、上述の処理を実行できるように構成しても構わない。
【００７７】
【発明の効果】
以上説明したように、本発明によれば、信用リスクモデルの精度を向上させることができる。
【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構成を示すブロック図である。
【図２】図１中の信用リスクモデル決定装置の構成を示すブロック図である。
【図３】図２中の記憶部に格納される数式モデルデータの例を示す図である。
【図４】図２中の記憶部に分析対象データ（顧客データ、検証用データ）として格納される、（Ａ）顧客不変情報と（Ｂ）顧客属性情報と（Ｃ）顧客管理情報と（Ｄ）口座契約情報と（Ｅ）口座貸付情報と（Ｆ）口座入金情報と（Ｇ）口座移管情報とを説明するための図である。
【図５】図１中の信用リスク管理装置の構成を示すブロック図である。
【図６】図１中の店舗端末の構成を示すブロック図である。
【図７】図２中の信用リスクモデル決定装置が信用リスクモデルを決定する処理を説明するためのフローチャートである。
【図８】図７中の整数型変数の実数化処理を説明するためのフローチャートである。
【図９】図１中の信用リスク管理装置が顧客の貸倒リスクを評価する処理を説明するためのフローチャートである。
【符号の説明】
１００ 信用リスクモデル決定装置
１１０ 制御部
１２０ 記憶部
１３０ 入力部
１４０ 出力部
１５０ 通信部
１６０ プログラム格納部
２００ 信用リスク管理装置
２１０ 制御部
２２０ 記憶部
２３０ 入力部
２４０ 出力部
２５０ 通信部
３００ 店舗端末
３１０ 制御部
３２０ 記憶部
３３０ 入力部
３４０ 表示部
３５０ 通信部
Claims (9)
- 信用リスクモデルを決定する信用リスクモデル決定装置であって、
前記信用リスクモデルを表す数式モデルを記憶する数式モデル記憶手段と、
信用リスクモデルを決定するために使用されるデータであって、複数の顧客の信用リスクに関する実績データである分析データを記憶する分析データ記憶手段と、
前記数式モデルに使用される説明変数に関して、該説明変数の値毎に前記数式モデルに当てはめる際に使用する割当値を、信用リスクに関する分析データに基づいて算出する割当値算出手段と、
前記割当値算出手段により算出された前記割当値と元の値とを対応付けて記憶する対応値記憶手段と、
前記数式モデル記憶手段に記憶されている前記数式モデルに前記割当値を代入する場合の、該数式モデルの説明変数に掛かる係数を、前記分析データに基づいて決定して、前記数式モデルに設定する係数設定手段と、
を具備することを特徴とする信用リスクモデル決定装置。 - 前記数式モデルは、複数の説明変数とその係数とから構成され、少なくとも１つの説明変数は、予め定められた複数の整数値のうちのいずれかの値をとり、
前記割当値は、前記割当値算出手段により算出された前記複数の整数値に対応する複数の実数値のいずれかの値をとる、
ことを特徴とする請求項１に記載の信用リスクモデル決定装置。 - 前記割当値算出手段は、
前記分析データに基づいて、前記数式モデルの説明変数毎に、該説明変数の値に応じた複数のグループに、前記複数の顧客をグループ分けするグループ化手段と、
前記グループ化手段によりグループ化された各グループに属する顧客がデフォルトしない確率を示す生存時間関数を推定する生存時間関数推定手段と、
各説明変数について、その説明変数に対応するグループのうちで、属する顧客が最も多い最大グループを判別する最大グループ判別手段と、
前記最大グループ判別手段により判別された最大グループに対応する説明変数の値を、前記数式モデルに当てはめる際に使用する割当値を、前記生存時間関数推定手段により推定された該最大グループの前記生存時間関数に基づいて算出する最大グループ割当値算出手段と、
各説明変数について、最大グループ割当値算出手段により算出された最大グループ割当値と、前記生存時間関数推定手段により推定された各グループの生存時間関数と、に基づいて、対応する最大グループ以外の各グループの割当値を算出する各割当値算出手段と、
を具備すること、
を特徴とする請求項１または２に記載の信用リスクモデル決定装置。 - 前記分析データから新たな説明変数を求める説明変数取得手段と、
前記説明変数取得手段により求めた新たな説明変数を前記数式モデルに追加する説明変数追加手段と、
をさらに具備することを特徴とする請求項１、２または３に記載の信用リスクモデル決定装置。 - 前記説明変数取得手段は、遺伝的プログラムにより新たな説明変数を取得する手段から構成されることを特徴とする請求項４に記載の信用リスクモデル決定装置。
- 前記信用リスクモデル決定装置は、
信用リスクモデルのデフォルト発生判別精度を検証するためのモデル検証用データを記憶するモデル検証用データ記憶手段と、
前記信用リスクモデルに、前記対応値記憶手段に記憶された対応関係に基づいて、モデル検証用データに基づく割当値を代入して、該信用リスクモデルが所定のデフォルト発生判別精度を達成しているか否かを検証する検証手段と、
前記検証手段による検証の結果を出力する手段と、
をさらに具備することを特徴とする請求項１乃至５の何れか１項に記載の信用リスクモデル決定装置。 - 数式モデルで記述される信用リスクモデルを決定するプログラムであって、
前記数式モデルに使用される説明変数に関して、該説明変数の値毎に前記数式モデルに当てはめる際に使用する割当値を、分析データ記憶手段に記憶される複数の顧客の信用リスクに関する実績データである分析データに基づいて算出する割当値算出手順と、
前記割当値算出手順により算出された前記割当値と元の値とを対応付けて記憶する対応値記憶手順と、
数式モデル記憶手段に記憶されている前記数式モデルに前記割当値を代入する場合の、該数式モデルの説明変数に掛かる係数を、前記分析データに基づいて決定して、前記数式モデルに設定する係数設定手順と、
をコンピュータに実行させることを特徴とするプログラム。 - 前記プログラムは、
遺伝的プログラムにより、前記分析データから新たな説明変数を求める説明変数取得手順と、
前記説明変数取得手順により求めた新たな説明変数を前記数式モデルに追加する説明変数追加手順と、
をさらにコンピュータに実行させることを特徴とする請求項７に記載のプログラム。 - 数式モデルで表される信用リスクモデルを決定する信用リスクモデル決定方法であって、
前記数式モデルに使用される説明変数に関して、該説明変数の値毎に前記数式モデルに当てはめる際に使用する割当値を、分析データ記憶手段に記憶された複数の顧客の信用リスクに関する実績データである分析データに基づいて算出する割当値算出ステップと、
前記割当値算出ステップにより算出された前記割当値と元の値とを対応付けて記憶する対応値記憶ステップと、
数式モデル記憶手段に記憶されている前記数式モデルに前記割当値を代入する場合の、該数式モデルの説明変数に掛かる係数を、前記分析データに基づいて決定して、前記数式モデルに設定する係数設定ステップと、
を備えることを特徴とする信用リスクモデル決定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003132648A JP2004334737A (ja) | 2003-05-12 | 2003-05-12 | 信用リスクモデル決定装置、プログラムおよび信用リスクモデル決定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003132648A JP2004334737A (ja) | 2003-05-12 | 2003-05-12 | 信用リスクモデル決定装置、プログラムおよび信用リスクモデル決定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2004334737A true JP2004334737A (ja) | 2004-11-25 |
Family
ID=33507432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003132648A Pending JP2004334737A (ja) | 2003-05-12 | 2003-05-12 | 信用リスクモデル決定装置、プログラムおよび信用リスクモデル決定方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2004334737A (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007207011A (ja) * | 2006-02-02 | 2007-08-16 | Intelligent Wave Inc | クレジットカード利用の不正スコアを算出するスコアリングシステム及びスコアリング方法 |
| JP2008533623A (ja) * | 2005-03-24 | 2008-08-21 | アクセンチュア・グローバル・サーヴィシズ・ゲゼルシャフト・ミット・ベシュレンクテル・ハフツング | リスクに基づくデータ評価 |
| JP2008204214A (ja) * | 2007-02-21 | 2008-09-04 | Hitachi East Japan Solutions Ltd | 信用リスク計算装置、および、信用リスク計算方法 |
| JP2017050004A (ja) * | 2016-09-23 | 2017-03-09 | 株式会社三菱総合研究所 | 情報処理装置 |
| JP2020502677A (ja) * | 2016-12-14 | 2020-01-23 | アリババ・グループ・ホールディング・リミテッドＡｌｉｂａｂａ Ｇｒｏｕｐ Ｈｏｌｄｉｎｇ Ｌｉｍｉｔｅｄ | ユーザ信用評価 |
-
2003
- 2003-05-12 JP JP2003132648A patent/JP2004334737A/ja active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008533623A (ja) * | 2005-03-24 | 2008-08-21 | アクセンチュア・グローバル・サーヴィシズ・ゲゼルシャフト・ミット・ベシュレンクテル・ハフツング | リスクに基づくデータ評価 |
| JP2007207011A (ja) * | 2006-02-02 | 2007-08-16 | Intelligent Wave Inc | クレジットカード利用の不正スコアを算出するスコアリングシステム及びスコアリング方法 |
| JP4755911B2 (ja) * | 2006-02-02 | 2011-08-24 | 株式会社インテリジェントウェイブ | クレジットカード利用の不正スコアを算出するスコアリングシステム及びスコアリング方法 |
| JP2008204214A (ja) * | 2007-02-21 | 2008-09-04 | Hitachi East Japan Solutions Ltd | 信用リスク計算装置、および、信用リスク計算方法 |
| JP2017050004A (ja) * | 2016-09-23 | 2017-03-09 | 株式会社三菱総合研究所 | 情報処理装置 |
| JP2020502677A (ja) * | 2016-12-14 | 2020-01-23 | アリババ・グループ・ホールディング・リミテッドＡｌｉｂａｂａ Ｇｒｏｕｐ Ｈｏｌｄｉｎｇ Ｌｉｍｉｔｅｄ | ユーザ信用評価 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20110071962A1 (en) | Method and system of using network graph properties to predict vertex behavior | |
| US8121939B2 (en) | Method and apparatus for a model assessing debtor behavior | |
| JP2010530576A (ja) | 高速なオプション価格付けの方法およびシステム | |
| Kumpajaya et al. | The acceptance of Bitcoin in Indonesia: extending TAM with IDT | |
| US20090177612A1 (en) | Method and Apparatus for Analyzing Data to Provide Decision Making Information | |
| JP6727356B2 (ja) | 特許評価システム | |
| CN111563817A (zh) | 记录介质、通信设备和通信方法 | |
| KR20070070062A (ko) | 서비스 평가 방법, 시스템 및 컴퓨터 프로그램 제품 | |
| Bartoletti et al. | Formal analysis of lending pools in decentralized finance | |
| EP3764310A1 (en) | Prediction task assistance device and prediction task assistance method | |
| CN112488865A (zh) | 基于金融时间节点的金融风险预测方法、装置和电子设备 | |
| CN110796379B (zh) | 业务渠道的风险评估方法、装置、设备及存储介质 | |
| CN112308623A (zh) | 基于监督学习的优质客户流失预测方法、装置及存储介质 | |
| JP2004334737A (ja) | 信用リスクモデル決定装置、プログラムおよび信用リスクモデル決定方法 | |
| CN116451841A (zh) | 企业贷款违约概率预测方法、装置、电子设备和存储介质 | |
| CN110717653A (zh) | 风险识别方法及装置和电子设备 | |
| TWI792101B (zh) | 基於確定值及預測值的數據定量化方法 | |
| CN113298120B (zh) | 基于融合模型的用户风险预测方法、系统和计算机设备 | |
| EP2693378A1 (en) | Risk-management device | |
| CN115034788A (zh) | 交易风险评估方法及装置、电子设备、存储介质 | |
| CN112950258A (zh) | 活动分析方法、装置和电子设备 | |
| Noor et al. | Telecom Customer’s Segmentation Using Decision Tree to Increase Active Electronic Money Subscribers | |
| JP2017509047A (ja) | 特許資産を用いるテクノロジーセクター規模の報告 | |
| JP2021502653A (ja) | 目標の達成可能性に関する、可視表現の自動化された準備のためのシステム及び方法 | |
| Volk-Makarewicz et al. | Sensitivity analysis of ranked data: from order statistics to quantiles |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20050913 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20051114 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20060228 |