JP2007524897A - インテリジェントシミュレーション分析方法およびシステム - Google Patents

Abstract

複数の原金融証券から成る金融証券の価格設定情報を計算する方法であって、複数の債務不履行のシナリオの債務不履行時間ベクトルを計算するステップであって、各々の債務不履行時間ベクトルは複数の原金融証券の各々の債務不履行の可能性の測定を含むステップと、債務不履行のシナリオのサブセットの１つまたは複数のキャッシュフローを計算し、それによってトレーニングセットを形成するステップと、トレーニングセットでニューラルネットワークをトレーニングするステップと、ニューラルネットワークを使用して複数の債務不履行のシナリオの残存数分の１つまたは複数のキャッシュフローを推定するステップとを備える。

Description

本発明は、複雑な金融証券の価格設定を行うためのシステムおよび方法に関する。

以下の出願は、２００３年３月５日出願の「Intelligent Simulation Analysis Method and System」という名称の米国特許仮出願第６０／４５２，２３９号明細書の優先権を主張する。

本発明は、債務担保証券など、複雑な金融証券の価格を計算する速度を向上させるシステムおよび方法に関する。

社債担保証券および債務担保証券（ＣＢＯおよびＣＤＯ）などの構造化された金融商品の市場は、近年大幅に成長してきている。ＣＤＯとは、一般に手形が発行される社債などの債券類のポートフォリオである。手形は、各々の手形の劣後レベル（subordination level）（すなわちトランシェ（tranche））に応じて、様々なキャッシュフローの優先度および信用の質を有する。エクイティトランシェ（equity tranche）は最も低レベルの劣後を提供し、メザニントランシェ（mezzanine tranche）は中間レベルの劣後を反映し、シニアトランシェ（senior tranche）は最も高レベルの劣後を提供する。ポートフォリオ内の債券類のうちの１つの債務不履行など、信用事由（ｃｒｅｄｉｔ ｅｖｅｎｔ）が存在するときに起こる損失は一般に、最初に最も低いトランシェによって吸収される。したがって、エクイティトランシェからの手形は、高レベルのリスクおよび多額のクーポンを表し、シニアトランシェからの手形は、低レベルのリスクおよび少額のクーポンを表す。こうした構造化された金融商品によって、資産マネージャは、投資を分散し、流動資産を作り、リスクを管理することができる。これらの金融商品の市場が成長するにつれて、正確なリアルタイムの価格設定の必要性が増える。

Simulating Correlated Defaults, Darrel Duffie and Kenneth Singleton, September, 1999

従来技術の方法では、ＣＤＯなど構造化された金融商品を価格設定するのが遅い。一般の手法は、Ｄｕｆｆｉｅ−Ｓｉｎｇｌｅｔｏｎによって教示されるものなど、シミュレーション技術を使用して、ＣＤＯでの債券類の各々について考えられる債務不履行の時間を決定するステップを含む（例えば、非特許文献１参照）。考えられる債務不履行の時間は、債務不履行時間ベクトル（default time vector）として表される。各々の債務不履行時間ベクトルに関連付けられているキャッシュフローが計算され、キャッシュフロー、およびＣＤＯを含む証券によって生成された利子に基づいてＣＤＯの予価が決定される。次いで、ＣＤＯの最終価格がモンテカルロシミュレーションを使用して決定される。モンテカルロシミュレーションでは、債務不履行時間ベクトル、およびそれに基づいて結果として得られたキャッシュフローを決定するステップは、一般に、所与のＣＤＯについて最高５万回まで繰り返される。しかし、ＣＤＯを価格設定するこのプロセスは非常に遅く、したがってリアルタイムの市場環境でＣＤＯを価格設定するには適していない。

したがって、ＣＤＯなど複雑な製品の価格を迅速に計算するシステムおよび方法を提供することが望ましい。

本発明は、従来技術の欠点を克服することを目的とする。したがって、本発明は、複数の原金融証券から成る金融証券の価格を、従来技術の方法を使用して計算するより速く計算する方法およびシステムを提供する。特に、本発明は、（１）複数の債務不履行のシナリオの債務不履行時間ベクトルを計算するステップであって、各々の債務不履行時間ベクトルは複数の原金融証券の各々の債務不履行の可能性の測定を含むステップと、（２）債務不履行のシナリオのサブセットの１つまたは複数のキャッシュフローを計算し、それによってトレーニングセットを形成するステップと、（３）トレーニングセットでニューラルネットワークをトレーニングするステップと、（４）ニューラルネットワークを使用して、複数の債務不履行のシナリオの残存数分の１つまたは複数のキャッシュフローを推定するステップとを備える。

一実施態様において、この方法は、（１）トレーニングセット内の債務不履行のシナリオのうちの１つまたは複数のトランシェ影響パラメータ（tranche impact parameter）を決定するステップと、（２）トレーニングセット内の債務不履行のシナリオに関連付けられているトランシェ影響パラメータでサポートベクトルマシンを訓練するステップと、（３）サポートベクトルマシンを使用して、複数の債務不履行のシナリオの残存数分のうちの１つまたは複数のトランシェ影響パラメータを推定するステップと、（４）（トレーニングセット自体に加えて）トレーニングセットのトランシェ影響パラメータでニューラルネットワークを訓練するステップと、（５）ニューラルネットワークを使用して、部分的にトランシェ影響パラメータに基づいて、複数の債務不履行のシナリオの残存数分の１つまたは複数のキャッシュフローを推定するステップとをさらに備える。

別の実施態様において、債務不履行時間ベクトルの代わりに債務不履行ベクトルが使用される。債務不履行ベクトルは、有限の時間間隔の間に起こる債務不履行の集合を表す。

他の実施態様において、ニューラルネットワークおよびサポートベクトルマシン以外の関数推定の方法を使用する。この例には、それだけには限定されないが、線形回帰、カーネル法、および回帰木などがある。

本発明は、以下の詳細な開示で例示される構造、要素の組み合わせ、および部分の構成の特徴を含み、特許請求の範囲は、本発明の範囲を示す。本発明の他の特徴および利点は、説明、図面、および特許請求の範囲から明らかになる。

本発明を十分理解するために、添付の図面と併せて以下の説明を参照する。

上述したように、本発明は、ＣＤＯなど複雑な金融証券の価格を、従来技術の方法を使用して計算するより速く計算するシステムおよび方法を提供する。添付の図面は、本発明のシステムおよび方法に関するフローチャートおよび図を提供する。

定義
本発明を明確に説明するために、以下の説明では次の定義を使用する。

債務不履行時間ベクトルは、金融証券の債務不履行の可能性の測定を含む。

債務不履行ベクトルとは、有限の時間間隔の間に起こる債務不履行の集合を表す。

債務不履行のシナリオは、債務不履行の可能性を表す金融証券、金融証券の組み合わせ、金融取引、または他の金融商品またはイベントを表し、その各々またはその各々の少なくとも１組が債務不履行のシナリオに関連付けられている複数の原金融証券などを含むバスケット金融証券（basket financial instrument）の価格設定を行うために検査することができる。

ニューラルネットワークは、本発明を実施するコンピュータシステムにプログラムされ、入力パラメータの集まり（ノードとしても知られている）、隠れノード、および出力ノードを表す。隠れノードとは、入力ノードの値が与えられると出力ノードの値が得られるアルゴリズムを表す。ニューラルネットワークは、（１）入力ノードの層と隠れノードの層、および（２）隠れノードの層と出力ノードの層との間の接続によってさらに定義される。接続は（１）値がノードの層の間で移動したとき、（例えば式による計算によって）値への変更（がある場合）を定義する、（２）層のどのノードが別の層内のノードに関連付けられている値を受け取るかを決定する。

トレーニングセットとは、複数の金融上のシナリオのサブセットを表す。

トランシェ影響パラメータは、特定の金融上のシナリオ内のトランシェ（例えばエクイティ、メザニン、シニアなど）のいずれかがその特定のシナリオにおいて債務不履行となったかどうかを示す。

サポートベクトルマシンは、少なくともカーネル法を使用して、いくつかの入力パラメータの値が与えられると、指定された出力パラメータの値を計算する関数を含む。

方法の実施形態
図１は、本発明の価格計算方法のフロー図を示している。ステップ１で、債務不履行時間ベクトルを計算する任意の既知の技術（Ｄｕｆｆｉｅ−Ｓｉｎｇｌｅｔｏｎなど）を使用して複数のシナリオの債務不履行時間ベクトルが計算される。債務不履行のシナリオは、債務不履行の可能性を表す金融証券、金融証券の組み合わせ、金融取引、または他の金融商品またはイベントを表し、その各々またはその各々の少なくとも１組が債務不履行のシナリオに関連付けられている複数の原金融証券などを含むバスケット金融証券の価格設定を行うために検査することができる。一実施形態において、例えば、１０万個のシナリオの債務不履行時間ベクトルが計算され、したがってこれらのシナリオの各々に関連付けられているキャッシュフローを金融証券の価格設定に使用することができる。

次に、ステップ２で、既知の技術を使用して、シナリオのサブセット（すなわちトレーニングセット）の各々の１つまたは複数のキャッシュフローが直接計算される。キャッシュフローの計算は、債務不履行時間ベクトルを組み込み、金融証券に関連付けられている他のパラメータを使用することもできる。他のパラメータには、それだけには限定されないが、一例として、（例えばＣＤＯを含む）ポートフォリオ内の資産の割賦償却スケジュール、契約回復スケジュール（contractual recovery schedule）、ポートフォリオ支払いスケジュール、およびポートフォリオ投資期間（investment horizon）に対する予想される金利などがある。

次に、ステップ３で、ステップ２で計算されたキャッシュフローのトレーニングセットを使用して、ニューラルネットワークが設計され、訓練される。ニューラルネットワークは、本発明を実施するコンピュータシステムにプログラムされ、入力パラメータの集まり（ノードとしても知られている）、隠れノード、および出力ノードを表す。隠れノードとは、入力ノードの値が与えられると出力ノードの値が得られるアルゴリズムを表す。ニューラルネットワークは、（１）入力ノードの層と隠れノードの層、および（２）隠れノードの層と出力ノードの層との間の接続によってさらに定義される。接続は（１）値がノードの層の間で移動したとき、（例えば式による計算によって）値への変更（がある場合）を定義する、（２）層のどのノードが別の層内のノードに関連付けられている値を受け取るかを決定する。

それだけには限定されないが一例として、ニューラルネットワークは、証券のポートフォリオの債務不履行時間ベクトル（入力層）が与えられると、そのポートフォリオのキャッシュフロー（出力層）を予測するように設計することができる。上述した従来技術を使用して、ポートフォリオのサブセットの債務不履行時間ベクトルが与えられると、サブセットの１つまたは複数のキャッシュフローを計算し、それによってトレーニングセットが形成される。次いで、トレーニングセットは、ニューラルネットワークを含む接続および隠れノードを定義するのを支援し、したがってネットワークは、全ポートフォリオの債務不履行時間ベクトルが与えられると、全ポートフォリオのキャッシュフローを予測することができる。ニューラルネットワークを設計し、訓練するプロセスは知られている。最後に、ステップ４で、訓練されたニューラルネットワークを使用して、残りのシナリオの１つまたは複数のキャッシュフローを推定する。

ニュートラルネットワークを使用した証券のポートフォリオのキャッシュフローの計算は、従来技術のキャッシュフローの計算技術よりかなり速い（約１０^６倍速い）ため、残りのシナリオのキャッシュフローを決定する時間が大幅に短縮され、その結果、価格計算全体がかなり速くなる。

図２は、一部分キャッシュフローを含む取引分析情報を生成するためにニュートラルネットワークが設計され、訓練され、使用される本発明の一実施形態を示している。特に、この実施形態は、複雑な取引に対するリアルタイムの分析が取引業者に送出される動作モードを含む。この動作モードで、夜または週末に行われる可能性のあるオフラインの計算が行われ、および一般に取引業者の要求に応答して取引時間の間に行われるオンラインの操作が行われる。

ステップ１で、学習モジュールは、取引目録（deal inventory）から情報を受信する。この情報は、コンピュータ側データ、取引構造データ（それだけには限定されないが一例として取引のウォータフォール（deal waterfall）の詳細、対象範囲テスト、キャッシュフローの分散、積立金などを含む）、取引トランシェデータ（trade tranche data）（（１）資本構成の各々の部分の所有者、（２）各々の所有者がどの部分を所有しているかの識別を含む）、および他の取引データを含む取引チケットデータを含むことができる。

ステップ２で、学習モジュールは、取引データをキャッシュフローインターフェイスに送信する。キャッシュフローインターフェイスは、所与の金融上のシナリオについて、取引の参加者間で起こる将来の仮説のキャッシュフローを決定する社内のプログラム、またはサードパーティの外部のプログラムへのゲートウェイである。これらのキャッシュフローは、それだけには限定されないが、クーポンの支払い、利息の支払い、元金の支払い、管理手数料、および信用事由の支払いなどを含むことができる。キャッシュフローインターフェイス、というより前記のインターフェイスがインターフェイスを取るプログラムは、それだけには限定されないが、予め定められたポートフォリオ（「基準ポートフォリオ」）内の資産の将来の債務不履行、将来の金利、将来の資産の取引手数料、および他の情報を含む金融上のシナリオの情報を使用してこれらの取引の数字を計算する。

ステップ３で、キャッシュフローインターフェイスは、それだけには限定されないが、クーポンの支払い、利息の支払い、元金の支払い、管理手数料、および信用事由の支払いを含む仮説のキャッシュフローデータを学習モジュールに戻す。ステップ２およびステップ３は、複数の金融上のシナリオについて複数回繰り返される。何千もの異なる金融上のシナリオを分析し、学習モジュールを訓練する広範な１組の情報を構築することが好ましい（以下の図５を参照）。

ステップ４で、学習モジュールは、前のトレーニングデータに関係する情報を分析モジュールに要求する。この情報は学習モジュールを支援する。次いで、ステップ５で、学習モジュールは、分析モジュールからの情報、およびステップ３で学習モジュールに中継される仮説のキャッシュフロー分析の結果を使用してオフラインの統計的学習を行う。このステップで、１つまたは複数の「取引の概算」が構築される。取引の概算は、仮説の金融上のシナリオを受信し、対応する仮説のキャッシュフローの詳細を戻すアルゴリズムの式、プログラム、または他の表現である。取引の概算は、ステップ２で行われるのとほぼ同じ計算になるが、はるかに効率的な計算プロセスに従って行われる。一部の場合、この概算は、何千倍も速い場合がある。キャッシュフロー学習モジュールは、学習プロセス（すなわち取引の概算作成プロセス）の結果を分析モジュールに報告する。

ステップ６で、取引業者は、価格の査定または取引の他の分析を要求する。例えば、取引業者は、手数料、変動率、証券を含む原資産と金利との間の相関関係など、いくつかのパラメータの想定の対象となる資産抵当付き債券の価格の要求を行うことができるが、金利はこのパラメータの一例である。

ステップ７で、分析モジュールは、内部または外部のソース、またはその組み合わせに市場データを要求する。市場データは、取引業者からの要求データを補足し、取引業者が分析したい取引に関連している。

ステップ８で、市場データが分析モジュールに送信される。分析モジュールは、ステップ５で説明した取引の概算を使用して取引の分析を行う。取引の概算は計算上効率が良いため、それだけには限定されないが、モンテカルロ分析などの複雑な分析技術をリアルタイムで行うことができる。

最後に、ステップ９で、取引分析が取引業者に中継される。取引業者に中継される情報は、取引の査定または他の分析を数値または図の形式で含むことができる。例えば、取引業者に戻される分析は、何千ものシミュレーションから推定される可能性のある損益の分布を含むことができる。

図３は、取引分析情報を生成するためにニューラルネットワークが設計され、訓練され、使用される別の実施形態を示している。第１の５つのステップは、図２のものと同じであるが、残りのステップは異なる。例えば、図３で示すように、図２のステップ６およびステップ７は、分析エンジンがオフラインモードである間に行うことができる。したがって、分析エンジンは、週末または夜間に取引帳簿を分析することができる。

ステップ６で、現在の目録内のある取引が分析エンジンに送信される。ステップ７で、市場データが分析エンジンに送信される。分析エンジンは、市場ごとの取引の査定に達するように、取引データ、市場データ、および学習モジュールからの学習データを結合する。ステップ６およびステップ７は、複数回繰り返される。ステップ８で、行われた分析の結果が会社のリスクシステムに報告される。ステップ９で、リスクシステムは、分析データに基づいてリスクレポートを生成し、そのレポートを会社のコントローラに送信し、コントローラは、ステップ１０で、提示されたリスクに関するコメントを戻す。コメントには、それだけには限定されないが、分析された取引を停止または続行する旨の命令を含むことができる。コントローラは、リアルタイムでそのコメントを生成し、送信する。

一実施形態において、ニューラルネットワークは、ソフトウェアに実装される。別の実施形態において、ニューラルネットワークは、例えばフィールドプログラマブルゲートアレイ（ＦＰＧＡ）アーキテクチャなどを使用してハードウェアに実装される。

別の実施形態において、トレーニングセットのサイズが増え、それによって、従来技術の計算技術を使用して達成された価格設定をより詳しく追跡するより正確な価格設定のために、価格計算速度が犠牲になる。あるいは、トレーニングセットのサイズを減らし、これによって価格設定の精度を犠牲にしてより速く計算することができる。

図４は、本発明の価格計算方法の実施形態例のフローチャートを示している。ステップ２１で、図１のステップ１に関して説明したのと同じ方法で、複数のシナリオの債務不履行時間ベクトルが計算される。次に、ステップ２２で、図１のステップ２と同じ方法で、シナリオのサブセット（すなわちトレーニングセット）の各々の１つまたは複数のキャッシュフローが計算される。次に、ステップ２３で、トレーニングセット内の１つまたは複数のシナリオについて、トランシェ影響パラメータが計算され、それによってパラメータは、特定のシナリオ内のトランシェのうちのどれか（エクイティ、メザニン、シニアなど）がその特定のシナリオで債務不履行になったかどうかを示す。それだけには限定されないが一例として、証券の基準ポートフォリオ内の債務不履行がシナリオ内のあるトランシェに関連付けられているあるレベルの劣後内に含まれる場合、そのシナリオのトランシェ影響パラメータは１に等しい。逆に、債務不履行がシナリオ内のトランシェによって反映された劣後レベルより下回っている場合、影響パラメータは０に等しい。

次に、ステップ２４で、トレーニングセット内のそのシナリオについて計算されたトランシェ影響パラメータを使用して、サポートベクトルマシンを設計し、訓練する。サポートベクトルマシンは、特定の入力パラメータの値が与えられると、指定された出力パラメータの値が得られる関数を提供するという点で、ニューラルネットワークと似ている。さらに、サポートベクトルマシンは、カーネル法を使用して出力パラメータの値を計算する。カーネル法は、基本的に、２つ以上のベクトルの積の加重平均を取る。例えば、カーネル法をベクトルＡ（３，５，７）およびＢ（２，４，６）に適用することによって、６、２０、４２の各々に何らかの予め定められた重み付けが割り当てられ、次いでそれらが合計されることとなる。

それだけには限定されないが一例として、サポートベクトルマシンは、各々のシナリオに関連付けられている証券の基準ポートフォリオに対応する債務不履行のレベルが与えられると、各々が１つまたは複数のトランシェを含むシナリオの集まりの１つまたは複数に関連付けられているトランシェ影響パラメータを計算するように設計することができる。シナリオの集まりのサブセットのうちの１つまたは複数に関連付けられている影響パラメータは、債務不履行のレベルがサブセット内のトランシェに関連付けられている劣後レベル内に含まれるかどうかに応じて０または１に設定され、それによってトレーニングセットが形成される。次いで、トレーニングセットのトランシェ影響パラメータは、各々のシナリオに関連付けられている証券の基準ポートフォリオに対応する債務不履行のレベルが与えられると、サポートマシンがシナリオの集まり全体のうちの１つまたは複数のトランシェ影響パラメータを予測することができるように、サポートマシンベクトルを含む関数およびカーネル法を定義するのを支援する。サポートベクトルマシンの設計および訓練の方法は知られたものである。

次に、ステップ２５で、訓練されたサポートベクトルマシンを使用して、残りのシナリオのうちの１つまたは複数のトランシェ影響パラメータを推定する。次いで、ステップ２６で、ステップ２２で計算されたトレーニングセット、およびステップ２３で計算された対応するトランシェ影響パラメータを使用してニューラルネットワークが訓練される。ニューラルネットワークの訓練のこのプロセスは、トランシェ影響パラメータが入力ノードの層に追加されることを除いて、上述した図１のステップ３の訓練プロセスに似ている。最後に、ステップ２７で、ニューラルネットワークを使用して、その債務不履行時間ベクトルおよび関連のトランシェ影響パラメータに基づいて、残りのシナリオの１つまたは複数のキャッシュフローを推定する。

トランシェ影響パラメータを入力ノ―ドの層に追加することによって、動作時間を延ばすことなく、ニューラルネットワークが証券のポートフォリオのキャッシュフローを推定する精度が向上する。

図５に示すように、図２および図３の実施形態の一例は、追加の学習モジュール（「ＳＶＭ学習モジュール」）としてサポートベクトルマシンを備えるように変更することができ、ＳＶＭ学習モジュールは、（Ａ）取引目録から様々な金融上のシナリオの債務不履行レベル情報を受信し、（Ｂ）債務不履行レベル情報を、金融上のシナリオについて、トランシェ影響パラメータを決定するキャッシュフローを決定する社内のプログラム、またはサードパーティの外部のプログラムへのゲートウェイであるトランシェ影響パラメータインターフェイスに送信し、（Ｃ）トランシェ影響パラメータインターフェイスから戻されたトランシェ影響パラメータ情報を受信し、（Ｄ）前のトレーニングデータに関係する情報を分析モジュールから受信し、（Ｅ）トランシェ影響パラメータ情報およびトレーニングデータを使用して、オフラインの統計的学習を実行して、様々な「トランシェ影響概算」を構築し、（Ｆ）トランシェ影響概算を使用して、様々な追加のシナリオのトランシェ影響パラメータを決定し（すなわち複数回ステップＥを繰り返し）、（Ｇ）図２および図３のステップ５の「取引の概算」の実行に使用するためにトランシェ影響パラメータデータをキャッシュフロー学習モジュールに転送する。したがって、分析モジュールは、取引の概算に加えてトランシェ影響パラメータの概算を使用することによって、金融取引のキャッシュフローをリアルタイムでより正確に決定することができる。

本発明の実施形態をいくつか説明してきた。それにも関わらず、本発明の意図および範囲から逸脱することなく様々な変更を加えることができることを理解されよう。

システムの実施形態
上記の説明に基づいて、本発明のいくつかの実装は、ＣＤ−ＲＯＭなどのコンピュータ読取可能な媒体からインストールされた専用の(proprietary)ソフトウェアを含むことができることは、当業者には明らかである。したがって、発明の概念は、デジタル電子回路、コンピュータハードウェア、ファームウェア、ソフトウェア、またはその組み合わせで実施することができる。データは、デジタルデータとして生成し、受信し、送信し、処理し、格納することができる。さらに、それだけには限定されないが一例としてＳｙｂａｓｅ、Ｏｒａｃｌｅ、ＤＢ２などの従来のデータベース管理システムを、本発明を実施するためのプラットフォームとして使用することは明らかである。

本発明の一部の装置は、プログラム可能プロセッサによって実行できるように、マシン可読記憶装置に物理的に組み込まれるコンピュータプログラム製品に実装することができ、本発明の方法ステップは、入力データに作用し、出力を生成することによって、プログラム可能プロセッサが本発明の機能を実行する命令のプログラムを実行することによって実行することができる。

例えば、図６は、１つまたは複数のコンピュータプログラム（６０１）が、デジタルデータ記憶システムまたは他の電子記憶装置（６０３）との間でデータおよび命令を送受信するために結合される少なくとも１つのプログラム可能プロセッサ（６０２）、少なくとも１つの入力装置（６０４）、および少なくとも１つの出力装置（６０５）を含むプログラム可能システム（６００）上で実行可能である実施形態を示している。

各々のコンピュータプログラムは、高レベルの手続き型またはオブジェクト指向型のプログラミング言語、または必要に応じてアセンブリ言語、またはマシン言語で実装することができ、いずれの場合も、言語は、コンパイル型またはインタプリタ型言語とすることができる。適したプロセッサには、一例として、汎用および専用マイクロプロセッサが含まれる。

また、図７に示すように、図６のプログラム可能システム（６００）は、通信ネットワーク（７０１）を介して実装することができる。ネットワークアクセス装置（７０２）は、Ｍｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ（登録商標）（商標）、Ｕｎｉｘ（登録商標）（商標）、またはＡｐｐｌｅ Ｍａｃ ＯＳ（商標）などのオペレーティングシステム、およびＪａｖａ（登録商標）プログラムやＷｅｂブラウザなどのソフトウェアアプリケーションを実行するパーソナルコンピュータを備えることができる。他のネットワークアクセス装置は、端末装置、パームタイプコンピュータ、モバイルＷｅｂアクセス装置、またはインターネットプロトコルなど、ポイントツーポイントまたはネットワーク通信プロトコルに準拠することが可能な他の装置とすることができる。コンピュータおよびネットワークアクセス装置には、プロセッサ、ＲＡＭ、および／またはＲＯＭメモリ、表示機能、入力装置、およびハードディスク、または他の比較的永続的な記憶装置などがある。

本発明は、単に例示の目的でいくつかの実施形態について説明してきた。この説明から、本発明は、記載した実施形態に限定されず、変更および変形が特許請求の範囲の意図および範囲によってのみ限定される状態で実施することができることを当業者であれば理解されよう。

実施形態例による本発明の価格計算方法を示すフロー図である。 本発明の一実施形態による情報フロー図である。 本発明の一実施形態による情報フロー図である。 実施形態例による本発明の価格計算方法を示すフローチャートである。 本発明の一実施形態による情報フロー図である。 実施形態例による本発明の価格計算システムを示すブロック図である。 実施形態例による本発明の価格計算システムを示すブロック図である。

Claims (20)

1. 複数の原金融証券を含む金融証券の価格設定情報を計算するコンピュータ実装方法であって、
   コンピュータシステムにおいて、複数の債務不履行のシナリオの各々について前記複数の原金融証券の各々の債務不履行の可能性の測定を含む債務不履行時間ベクトルを計算するステップと、
   前記コンピュータシステムにおいて、前記債務不履行のシナリオのサブセットの１つまたは複数のキャッシュフローを計算するステップと、
   前記コンピュータシステムにおいて、前記債務不履行のシナリオの前記サブセットによりニューラルネットワークを訓練するステップと、
   前記コンピュータシステムにおいて、前記ニューラルネットワークを使用して、前記複数の債務不履行のシナリオの残存数分の１つまたは複数のキャッシュフローを推定するステップと
   を備えたことを特徴とする方法。
2. 前記コンピュータシステムにおいて、前記債務不履行のシナリオの前記サブセット内の前記債務不履行のシナリオのうちの１つまたは複数のトランシェ影響パラメータを決定するステップと、
   前記コンピュータシステムにおいて、前記債務不履行のシナリオの前記サブセット内の前記債務不履行のシナリオに関連付けられている前記トランシェ影響パラメータによりサポートベクトルマシンを訓練するステップと、
   前記コンピュータシステムにおいて、サポートベクトルマシンを使用して、前記複数の債務不履行のシナリオの前記残存数分のうちの１つまたは複数のトランシェ影響パラメータを推定するステップと
   をさらに備え、前記コンピュータシステムにおいて、前記債務不履行のシナリオの前記サブセットによりニューラルネットワークを訓練する前記ステップは、
   前記コンピュータシステムにおいて、前記債務不履行のシナリオの前記サブセット内の前記債務不履行のシナリオに関連付けられている前記トランシェ影響パラメータによりニューラルネットワークを訓練するステップを含み、
   前記コンピュータシステムにおいて、前記ニューラルネットワークを使用して、前記複数の債務不履行のシナリオの残存数分の１つまたは複数のキャッシュフローを推定する前記ステップは、
   前記コンピュータシステムにおいて、前記ニューラルネットワークを使用して、前記トランシェ影響パラメータに基づき、前記複数の債務不履行のシナリオの前記残存数分の１つまたは複数のキャッシュフローを推定するステップを含むことを特徴とする請求項１に記載の方法。
3. 複数の原金融証券を含む金融証券の価格設定情報を計算するコンピュータ実装方法であって、
   コンピュータシステムにおいて、複数の債務不履行のシナリオの各々について、有限の時間間隔の間に起こる債務不履行の集合を表す債務不履行ベクトルを計算するステップと、
   前記コンピュータシステムにおいて、前記債務不履行のシナリオのサブセットの１つまたは複数のキャッシュフローを計算するステップと、
   前記コンピュータシステムにおいて、前記債務不履行のシナリオの前記サブセットによりニューラルネットワークを訓練するステップと、
   前記コンピュータシステムにおいて、前記ニューラルネットワークを使用して、前記複数の債務不履行のシナリオの残存数分の１つまたは複数のキャッシュフローを推定するステップと
   を備えたことを特徴とするコンピュータ実装方法。
4. 複数の原金融証券を含む金融証券の価格設定情報を計算するコンピュータ実装方法であって、 コンピュータシステムにおいて、複数の債務不履行のシナリオの各々について、前記複数の原金融証券の各々の債務不履行の可能性の測定を含む債務不履行時間ベクトルを計算するステップと、
   前記コンピュータシステムにおいて、前記債務不履行のシナリオのサブセットの１つまたは複数のキャッシュフローを計算するステップと、
   コンピュータシステムにおいて、線形回帰、カーネル法、および回帰木を含むグループから選択された第１の方法を使用して、前記複数の債務不履行のシナリオの残存数分の１つまたは複数のキャッシュフローを推定するステップと
   を備えたことを特徴とするコンピュータ実装方法。
5. 前記コンピュータシステムにおいて、前記債務不履行のシナリオの前記サブセット内の前記債務不履行のシナリオのうちの１つまたは複数のトランシェ影響パラメータを決定するステップと、
   前記コンピュータシステムにおいて、線形回帰、カーネル法、および回帰木を含むグループから選択された第２の方法を使用して、前記複数の債務不履行のシナリオの前記残存数分の１つまたは複数のトランシェ影響パラメータを推定するステップと、
   前記コンピュータシステムにおいて、選択された前記第１の方法を使用して、前記トランシェ影響パラメータに基づいて、前記複数の債務不履行のシナリオの残存数分の１つまたは複数のキャッシュフローを推定するステップと
   をさらに備えたことを特徴とする請求項４に記載の方法。
6. 前記サブセットを含む債務不履行のシナリオの数は、増大することを特徴とする請求項１に記載の方法。
7. 前記サブセットを含む債務不履行のシナリオの数は、減少することを特徴とする請求項１に記載の方法。
8. 前記債務不履行のシナリオの債務不履行影響パラメータは、債務不履行のレベルが前記債務不履行のシナリオ内のあるトランシェに関連付けられている所定のレベルの劣後内に含まれるときは１に設定され、前記債務不履行のレベルが前記レベルの劣後外のときは０に設定されることを特徴とする請求項２に記載の方法。
9. 前記ニューラルネットワークは、ソフトウェアに実装されることを特徴とする請求項１に記載の方法。
10. 前記ニューラルネットワークは、ハードウェアに実装されることを特徴とする請求項１に記載の方法。
11. 複数の原金融証券から成る金融証券の価格設定情報を計算するコンピュータシステムであって、
    プログラム可能なプロセッサと、
    前記コンピュータシステム上で実行可能なコンピュータソフトウェアと、
    データ記憶システムと、
    少なくとも１つの入力装置と、
    少なくとも１つの出力装置と
    を備え、前記コンピュータソフトウェアは、前記プロセッサで動作し、前記データ記憶システムに、前記少なくとも１つの入力装置を介して複数の債務不履行のシナリオを受信させ、前記プロセッサに、前記複数の原金融証券の各々の債務不履行の可能性の測定を含む、前記複数の債務不履行のシナリオの各々の債務不履行時間ベクトルを計算させ、
    前記債務不履行のシナリオのサブセットの１つまたは複数のキャッシュフローを計算させ、
    前記債務不履行のシナリオの前記サブセットによりニューラルネットワークを訓練させ、
    前記ニューラルネットワークを使用して、前記複数の債務不履行のシナリオの残存数分の１つまたは複数のキャッシュフローを推定させ、
    前記１つまたは複数のキャッシュフローを前記少なくとも１つの出力装置に転送させることを特徴とするコンピュータシステム。
12. 前記コンピュータソフトウェアは、前記プロセッサで動作して、前記プロセッサにさらに
    前記債務不履行のシナリオの前記サブセット内の前記債務不履行のシナリオのうちの１つまたは複数のトランシェ影響パラメータを決定させ、
    前記債務不履行のシナリオの前記サブセット内の前記債務不履行のシナリオに関連付けられている前記トランシェ影響パラメータによりサポートベクトルマシンを訓練させ、
    前記サポートベクトルマシンを使用して、前記複数の債務不履行のシナリオの前記残存数分のうちの１つまたは複数のトランシェ影響パラメータを推定させ、
    前記債務不履行のシナリオの前記サブセット内の前記債務不履行のシナリオに関連付けられている前記トランシェ影響パラメータにより前記ニューラルネットワークを訓練させ、
    前記ニューラルネットワークを使用して、前記トランシェ影響パラメータに基づき、前記複数の債務不履行のシナリオの前記残存数分の１つまたは複数のキャッシュフローを推定させることを特徴とする請求項１１に記載のコンピュータシステム。
13. 複数の原金融証券から成る金融証券の価格設定情報を計算するコンピュータシステムであって、
    プログラム可能なプロセッサと、
    前記コンピュータシステム上で実行可能なコンピュータソフトウェアと、
    データ記憶システムと、
    少なくとも１つの入力装置と、
    少なくとも１つの出力装置と
    を備え、前記コンピュータソフトウェアは、前記プロセッサで動作して、前記データ記憶システムに、前記少なくとも１つの入力装置を介して複数の債務不履行のシナリオを受信させ、前記プロセッサに、
    有限の時間間隔の間に起こる債務不履行の集合を表す複数の債務不履行のシナリオの債務不履行ベクトルを計算させ、
    前記債務不履行のシナリオのサブセットの１つまたは複数のキャッシュフローを計算させ、
    前記債務不履行のシナリオの前記サブセットでニューラルネットワークを訓練させ、
    前記ニューラルネットワークを使用して、前記複数の債務不履行のシナリオの残存数分の１つまたは複数のキャッシュフローを推定させ、
    前記１つまたは複数のキャッシュフローを前記少なくとも１つの出力装置に転送させることを特徴とするコンピュータシステム。
14. 複数の原金融証券から成る金融証券の価格設定情報を計算するコンピュータシステムであって、
    プログラム可能なプロセッサと、
    前記コンピュータシステム上で実行可能なコンピュータソフトウェアと、
    データ記憶システムと、
    少なくとも１つの入力装置と、
    少なくとも１つの出力装置と
    を備え、前記コンピュータソフトウェアは、前記プロセッサで動作して、前記データ記憶システムに、前記少なくとも１つの入力装置を介して複数の債務不履行のシナリオを受信させ、前記プロセッサに、 前記複数の原金融証券の各々の債務不履行の可能性の測定を含む、前記複数の債務不履行のシナリオの各々の債務不履行時間ベクトルを計算させ、
    前記債務不履行のシナリオのサブセットの１つまたは複数のキャッシュフローを計算させ、
    線形回帰、カーネル法、および回帰木を含むグループから選択された第１の方法を使用して、前記複数の債務不履行のシナリオの残存数分の１つまたは複数のキャッシュフローを推定させ
    前記１つまたは複数のキャッシュフローを前記少なくとも１つの出力装置に転送させることを特徴とするコンピュータシステム。
15. 前記コンピュータソフトウェアは、前記プロセッサで動作して、前記プロセッサにさらに
    前記債務不履行のシナリオの前記サブセット内の前記債務不履行のシナリオのうちの１つまたは複数のトランシェ影響パラメータを決定させ、
    線形回帰、カーネル法、および回帰木を含むグループから選択された第２の方法を使用して、前記複数の債務不履行のシナリオの前記残存数分のうちの１つまたは複数のトランシェ影響パラメータを推定させ、
    選択された前記第１の方法を使用して、前記トランシェ影響パラメータに基づき、前記複数の債務不履行のシナリオの残存数分の１つまたは複数のキャッシュフローを推定させることを特徴とする請求項１４に記載のシステム。
16. 前記サブセットを含む債務不履行のシナリオの数は、増大することを特徴とする請求項１１に記載のシステム。
17. 前記サブセットを含む債務不履行のシナリオの数は、減少することを特徴とする請求項１１に記載のシステム。
18. 債務不履行のシナリオの前記債務不履行影響パラメータは、債務不履行のレベルが前記債務不履行のシナリオ内のあるトランシェに関連付けられている所定のレベルの劣後内に含まれるときは１に設定され、前記債務不履行のレベルが前記レベルの劣後外のときは０に設定されることを特徴とする請求項１２に記載のシステム。
19. 前記ニューラルネットワークは、ソフトウェアに実装されることを特徴とする請求項１１に記載のシステム。
20. 前記ニューラルネットワークは、ハードウェアに実装されることを特徴とする請求項１１に記載のシステム。
    

Images