JP2018025851A - 人工知能を用いたファンド運用システム - Google Patents

Abstract

【課題】 本発明は、複数のモデルを用いて市場の動向を解析して資産運用が可能なファンド運用システムの提供を目的とする。【解決手段】 本発明のファンド運用システム１００は、市場連動性が比較的低い低市場連動型資産を解析する低市場連動型解析ユニット２００と、市場連動性が比較的高い高市場連動型資産を解析する高市場連動型解析ユニット３００と、低市場連動型資産及び高市場連動型資産を運用するファンド運用ユニット４００とを備える。高市場連動型解析ユニット３００は、人工知能（ＡＩ）を用いて資産価値に影響を与える要因を学習することにより前記資産価値の変動を予測するＡＩ解析部３１０と、前記資産価値の時間変動から前記資産価値の変動を予測する時間変動解析部３２０とを備える。【選択図】 図１

Description

本発明は、人工知能モデル及び時間変動解析モデルを用いたファンド運用システムに関する。

近年、ＦｉｎＴｅｃｈの進展により、情報技術が適用された新しい金融サービスが提供されつつある。例えば、特許文献1（段落［０００６］参照）には、人工知能を用いて金融取引を行うコンピュータ装置が提案されている。

人工知能（ＡＩ）を各種データの解析に活用することが提案されている。ＡＩの歴史と活用例は次の通りである。１９５０年代は、ＡＩ研究の黎明期であり、「ニューラルネットワーク」が提案された。１９８０年代には、産業界の専門家が蓄えた専門知識やノウハウをルール化した「エキスパート・システム」が盛んに開発された。そして、２０１０年代に入ると、脳科学の研究成果が本格的に導入された「ディープラーニング（深層学習）」が画像認識や音声認識の分野で驚異的な成果をあげたため、各産業界でディープラーニングへの注目が集まっている。例えば、特許文献２（段落［００６３］及び図５Ｂ参照）には、接近する車両の画像認識にディープラーニングを用いることが記載されている。しかし、金融業界におけるディープラーニングといったＡＩの本格的な利用は十分に進展していない。

特表２０１１−５０３７２７号公報 特表２０１５−０１４８１９号公報

特許文献１は、人工知能モデルを用いて金融取引を行うものであるが、人工知能だけでは十分に市場の動向を解析して機動的に資産を運用することができなかった。
そこで、本発明は、複数の異なるモデルを用いて市場の動向を解析して資産運用が可能なファンド運用システムの提供を目的とする。

本発明の各態様は次の通り構成される。
（態様１）市場連動性が比較的低い低市場連動型資産を解析する低市場連動型解析ユニットと、市場連動性が比較的高い高市場連動型資産を解析する高市場連動型解析ユニットと、前記低市場連動型資産及び前記高市場連動型資産を運用するファンド運用ユニットとを備えるファンド運用システムであって、前記高市場連動型解析ユニットは、人工知能（ＡＩ）を用いて資産価値に影響を与える要因を学習することにより前記資産価値の変動を予測するＡＩ解析部と、前記資産価値の時間変動から前記資産価値の変動を予測する時間変動解析部とを備えることを特徴とするファンド運用システム。（態様２）態様１に記載のファンド運用システムにおいて、前記高市場連動型解析ユニットは、前記ファンド運用ユニットに対して前記高市場連動型資産の運用を変更するシグナルを出力することを特徴とするファンド運用システム。（態様３）態様１または２に記載のファンド運用システムにおいて、前記ＡＩ解析部は、ディープラーニングモデルを実行することを特徴とするファンド運用システム。（態様４）態様３に記載のファンド運用システムにおいて、前記ディープラーニングモデルは、入力層と、複数の中間層と、出力層とを備え、前記資産価値に影響を与える複数の要因が前記入力層に入力されることを特徴とするファンド運用システム。

（態様５）態様４に記載のファンド運用システムにおいて、前記複数の要因は、少なくとも、テクニカル、マクロ、投資家センチメント、需給、他資産動向等のいずれかを含むことを特徴とするファンド運用システム。（態様６）態様４または５に記載のファンド運用システムにおいて、前記複数の中間層は、２層以上の中間層であることを特徴とするファンド運用システム。（態様７）態様４〜６のいずれか一項に記載のファンド運用システムにおいて、前記出力層は、将来の資産価値の上下を示すシグナルを出力することを特徴とするファンド運用システム。（態様８）態様１〜７のいずれか一項に記載のファンド運用システムにおいて、前記時間変動解析部は、フラクタルモデルを実行することを特徴とするファンド運用システム。（態様９）態様８に記載のファンド運用システムにおいて、前記時間変動解析部は、前記フラクタルモデルのハースト指数に基づくハースト指数シグナルを生成することを特徴とするファンド運用システム。

（態様１０）態様９に記載のファンド運用システムにおいて、前記ハースト指数シグナルは、平均回帰の傾向、またはトレンドフォローの傾向を示すシグナルを少なくとも含むことを特徴とするファンド運用システム。（態様１１）態様１〜１０のいずれか一項に記載のファンド運用システムにおいて、前記高市場連動型解析ユニットは、さらに前記ＡＩ解析部及び前記時間変動解析部の解析結果に基づき前記高市場連動型資産の運用ポジションを調整するポジション調整部を備えることを特徴とするファンド運用システム。（態様１２）態様１１に記載のファンド運用システムにおいて、前記ポジション調整部は、前記時間変動解析部のシグナル及び前記ＡＩ解析部のシグナルを組み合わせて、前記運用ポジションを生成することを特徴とするファンド運用システム。（態様１３）態様１１または１２に記載のファンド運用システムにおいて、前記ファンド運用ユニットは、前記ポジション調整部が生成した前記運用ポジションに基づき、前記高市場連動型資産の運用を変更することを特徴とするファンド運用システム。（態様１４）態様１〜１３のいずれか一項に記載のファンド運用システムにおいて、前記低市場連動型資産の運用は、現物取引と先物取引の組み合わせであることを特徴とするファンド運用システム。

（態様１５）態様１〜１４のいずれか一項に記載のファンド運用システムにおいて、前記高市場連動型資産の運用は、先物取引であることを特徴とするファンド運用システム。（態様１６）態様１５に記載のファンド運用システムにおいて、前記先物取引は、ヘッジ売りであることを特徴とするファンド運用システム。（態様１７）態様１〜１６のいずれか一項に記載のファンド運用システムにおいて、前記ＡＩ解析部及び前記時間変動解析部の両方が買いシグナルを出力した場合に、前記ファンド運用ユニットが前記高市場連動型資産の買い戻しを実行することを特徴とするファンド運用システム。

（態様１８）態様１７に記載のファンド運用システムにおいて、前記ＡＩ解析部及び前記時間変動解析部の一方が買いシグナルを出力した場合に、前記ＡＩ解析部及び前記時間変動解析部の両方が買いシグナルを出力した場合に比べて、前記ファンド運用ユニットがより少なく前記高市場連動型資産の買い戻しを実行することを特徴とするファンド運用システム。（態様１９）態様１〜１８のいずれか一項に記載のファンド運用システムにおいて、前記ＡＩ解析部及び前記時間変動解析部の両方が買いシグナルを出力しない場合に、前記ファンド運用ユニットが前記高市場連動型資産の買い戻しを実行しないことを特徴とするファンド運用システム。（態様２０）態様１〜１９のいずれか一項に記載のファンド運用システムにおいて、前記低市場連動型解析ユニットは、減配リスク算出モデルを実行する減配リスク解析部を備えることを特徴とするファンド運用システム。（態様２１）態様１〜２０のいずれか一項に記載のファンド運用システムにおいて、前記低市場連動型資産は、現物株式および株価指数先物であることを特徴とするファンド運用システム。

本発明のファンド運用システムは、減配リスク解析部を用いた価格下落リスクの低減とＡＩ解析部及び時間変動解析部を用いた市場の動向予測を組み合わせて資産を運用することにより、市場の下落局面及び上昇局面によらず安定的な収益を獲得できる可能性が向上する。

本発明の一実施形態に係るファンド運用システムのブロック図である。 図１のＡＩ解析部に用いるディープラーニングを示す模式図である。 ディープラーニングを用いたシミュレーションを示すグラフである。 フラクタルモデルを用いたハースト指数の算出を示す概念図である。 ハースト指数の値のシミュレーションを示すグラフである。 フラクタルモデルによるシミュレーションを示すグラフである。 本発明の実施形態に係るファンド運用のフローチャートである。 本発明の実施形態によるファンド運用シミュレーションを示すグラフである。

本発明の実施形態に係るファンド運用システムは、現物株式（高配当銘柄）と株価指数先物ショート・ポジションを組み合せ安定的な収益を追求するファンドの運用に適用したものである。なお、本発明は、このような資産運用に限定されず、各種の資産運用に適用可能である。

本発明の実施形態に係るファンド運用システム１００を図面を参照して説明する。図１に示すファンド運用システム１００は、市場連動性が比較的低い現物株式等の資産を解析する低市場連動型解析ユニット２００と、市場連動性が比較的高い株価指数先物等の資産を解析する高市場連動型解析ユニット３００と、各解析ユニット２００及び／または３００の解析結果に基づきファンドを運用するファンド運用ユニット４００とを備える。

低市場連動型解析ユニット２００は、現物株式の運用と先物ヘッジを行うものであり、より詳細には高配当シングルアルファ戦略で安定的な収益を獲得することを企図する。高配当シングルアルファ（マーケットニュートラル）戦略とは、配当成長率の高い高配当銘柄の選択と市場中立となるような先物の売り建てを組み合わせて運用するものであり、市場下落局面に強味を有する（市場連動性が低い）。予想配当の増加は経営者の将来に対する自信の表れであり（シグナリング理論）、銘柄選択効果の積み上げを狙うことができる。低市場連動型解析ユニット２００は、減配リスク算出モデルを実行する減配リスク解析部２１０を用いて定量スクリーニングを実施する。これによって、減配リスクの高い銘柄を効率的に除外することでポートフォリオのリターンを改善することができる。減配リスク算出モデルとは、キャッシュフロー創出力、財務基盤の安定性、経営者のコミットメントの観点から統計的にモデル化したものである。

高市場連動型解析ユニット３００は、先物のヘッジ量の調整を行うものであり、より詳細には先物アクティブヘッジ戦略で市場上昇局面に追随し収益を積み上げることを企図する。先物アクティブヘッジ（ベータ・コントロール）戦略とは、市場の動向予測に応じて先物ヘッジ量の調整を行って市場上昇局面を捕捉する（市場連動性が高い）。高市場連動型解析ユニット３００は、市場の動向に機動的に対応するために、ＡＩ解析部３１０と、時間変動解析部３２０と、ポジション調整部３３０とを備える。ＡＩ解析部３１０は、ＡＩモデルを用いて株式市場に影響を与える要因を考慮して機械学習を実行する。これによって予測精度を向上することができる。ＡＩモデルは、好ましくは、株式市場の上下動を予測するために機械学習の分野で有効なディープラーニング（深層学習）を用いることができる。なお、使用可能な他のＡＩモデルとしては、決定木、中間層が一層のニューラルネット、ランダムフォレスト、またはサポートベクターマシン（ＳＶＭ）等を用いることもできる。ディープラーニングは、ニューラルネットの中間層を多層化したものである。

ＡＩ解析部３１０で実行されるディープラーニングを説明する。ディープラーニングは、２０１０年代に入って脳科学の研究成果が本格的にＡＩモデルに導入されることにより生み出され、画像認識や音声認識の分野で著しい成果を上げており各産業界で注目されている。本実施形態のディープラーニングモデルは、金利、為替、投資家のセンチメント等、株式市場に影響を与える複数の要因を、人間の脳の神経回路の仕組みを模した複数階層のニューラルネットワークに入力し、ＴＯＰＩＸ等の動向を予測するモデルである。図２に示すように、ＡＩ解析部３１０で実行されるディープラーニングモデルは、複数のインプットデータを入力する入力層３１２と、複数の中間層３１４と、シグナルを出力する出力層３１６を備える。入力層３１２に入力する複数の要因（複数のインプットデータ）は、好ましくは、少なくともテクニカル、マクロ、投資家センチメント、需給、他資産動向等のいずれかを含む、多数のデータから構成される。中間層３１４は、インプットとアウトプットとの関係性を示す要因をディープラーニングモデルが自動的に学習しつつ取得する。中間層３１４は、好ましくは多層化されており、２層以上の任意の数の中間層を備えることができる。出力層３１６は、ＴＯＰＩＸ等の株価指数の将来リターンの上下動を示すシグナルをアウトプットする。このシグナルに基づき、運用実行部４００が先物ヘッジの運用を実行する。

本実施形態のディープラーニングによるシミュレーションを図３に示す。時系列曲線Ａは、ニューラルネット（１層の中間層）、時系列曲線Ｂは、ディープラーニング（多層化された中間層）で日々の機械学習を実行しなかったもの、時系列曲線Ｃは、ディープラーニング（多層化された中間層）で日々の機械学習を実行したものをそれぞれ表す。曲線Ａのニューラルネットワークに比べて、曲線Ｂのディープラーニングは、中間層を多層化したことで予測力が向上していることが示されている（多層化効果）。インプットとアウトプットの複雑な関係性をモデル化することによって予測力または分析力が向上したものと考えられる。曲線Ｃのディープラーニングは、曲線Ｂのディープラーニングに比べて、特徴量を見つけ出すようＡＩ自身が日々継続的に学習してモデルを修正することにより、予測パフォーマンスがさらに改善したことが示されている（学習効果）。

時間変動解析部３２０は、好ましくはフラクタルモデルを用いて株価等の資産の変動を解析する。為替や株価の変動は、フラクタル性を有することが認められている。フラクタル性とは、図形の一部が全体と自己相似になっている性質を表すというものである。フラクタルモデルは、時間的変動の自己相似性を捉えるため、短期の値動きから中長期の動向を予測できる。具体的には、フラクタルモデルは、超短期データ（tickデータ）を基に中長期の動向を予想することができる。

フラクタルモデルは、高頻度データ（tickデータ）を自己相似性の観点から解析し、株式市場の傾向を指数化したハースト指数を求める。時間変動解析部３２０は、ハースト指数が所定値以上に変化した時を、相場の転換点と認識し、アクテブヘッジ操作を実行するためのシグナルを発生する。図４にフラクタルモデルからハースト指数を算出するための概念図を示す。元データは、過去の株価の動きの時系列曲線であり、これを２^ｎで分割して図形の相似性を示すハースト指数Ｈを算出する。具体的には、ハースト指数は次の式（１）〜（３）を用いて求められる。所定の時系列曲線ｘ（ｔ）の時間間隔Ｔでの変化の大きさＸは次の式で表される。

ｘは時刻ｔ＝ｉ（ｉ＝１，２，…）におけるｘの値である。ＸとＴとの間には、次の式（３）の関係が成り立つ。

式（３）において、αは定数であり、Ｈが時系列曲線 ｘ（ｔ）のハースト指数である。

このようなフラクタル解析によって得られるハースト指数Ｈを用いて３つのパターンのシミュレーションを実行した結果を図５に示す。ハースト指数Ｈが０．５より小さい場合、例えば図５（ａ）ではＨが０．３の場合、平均回帰性の傾向を持つことが確認できた。ハースト指数が０．５では、図５（ｂ）のランダムウォーク（規則性無し）の傾向を示すことが確認できた。ハースト指数が０．５より大きい場合、例えば図５（ｃ）ではＨが０．７の場合、トレンドフォローの傾向を示すことが確認できた。これによって、時間変動解析部３２０は、これらの傾向を示す３種類のハースト指数シグナルを生成することができる。フラクタルモデルを用いて大量のｔｉｃｋデータを解析することで、複数の異なる期間の値動きの再現性（パターン）を認識し、日次データからは捉えられない市場参加者の行動心理（マーケットコンディション）を推定することができる。即ち、フラクタル解析で得られるハースト指数の大きさでマーケットコンディションを把握し、これを先物等の資産の運用の指針とすることができる。具体的には、時間変動解析部３２０が、ハースト指数Ｈの値に基づき、先物の運用を変更するためのシグナルを発生する。

時間変動解析部３２０で実行されるシグナルの生成方法を説明する。ハースト指数Ｈが、短期間で大きく動いた時点を相場の転換点と捉える。ハースト指数Ｈの値と同期間のＴＯＰＩＸ等の株式市場の変動と組み合わせ、表１にしたがったシグナルを生成する。表１に示される４つの状態を説明する。ハースト指数が大きく上昇した時点で、ＴＯＰＩＸ等の株価が上昇していれば、買いシグナルを生成する。ハースト指数が大きく上昇した時点で、ＴＯＰＩＸ等の株価が下落していれば、売りシグナルを生成する。ハースト指数が大きく下落した時点で、ＴＯＰＩＸ等の株価が上昇していれば、売りシグナルを生成する。ハースト指数が大きく下落した時点で、ＴＯＰＩＸ等の株価が下落していれば、買いシグナルを生成する。表１に基づき生成されたシグナルのうち、買いシグナルのみ、売りシグナルのみ、または、買いシグナル及び売りシグナルの両方を用いることができる。

図６に、本発明のフラクタルモデルを用いて先物アクティブヘッジモデルを運用したシミュレーションの結果を示す。フラクタルモデルは、ＴＯＰＩＸに比べて良好な運用成績（パフォーマンス）が得られた。２０１５年の上海指数の暴落及びギリシャ債務問題の再燃によって、ＴＯＰＩＸが急落した２０１５年７月８日〜９日に、ハースト指数Ｈが大きく上昇し、トレンドフォローの売りシグナルが点灯した後、８月中旬に大幅暴落した。本発明のフラクタルモデルは、このような大幅な市場変動をハースト指数のシグナルから予想して先物のヘッジ量を調整することができる。ポジションの構築方法は、下記の通りである。

ポジション調整部３３０は、ＡＩ解析部３１０と、時間変動解析部３２０との２種類のモデルに基づき先物ショートのポジションを調整する。なお、ポジションとは、マーケット取引において、どのような「買い建て（買い越し）」または「売り建て（売り越し）」を行っているかという持ち高状況のことをいう。ポジション調整部３３０により、先物のヘッジ比率を機動的に操作することができる。高市場連動型解析ユニット３００で実行される先物アクティブヘッジ戦略は、市場上昇局面を捕捉することができる。ＡＩ解析部３１０で実行されるディープラーニングは、機械学習によって市場変動の予測精度を向上することができる。時間変動解析部３２０で実行されるフラクタルモデルは、フラクタル解析（パターン認識）によって相場の転換点を捉えることができる。

次に、ファンド運用システム１００の動作を、図７のフローチャートを用いて説明する。ステップＳ００１では、ファンド運用システム１００のファンド運用ユニット４００は、低市場連動型解析ユニット２００に設けられた所定量の現物ロングと先物ショートのマーケットニュートラルポジション（市場中立）を有している。先物と現物の合成ポジションの初期値は、市場連動性がない状態とされ、ファンド運用システム１００は、先物と現物の時価変動に応じてポジションを調整する。

ステップＳ００２において、ＡＩ解析部３１０のＡＩモデルと、時間変動解析部３２０のフラクタルモデルの各々がシグナルを生成する。これらのシグナルの組み合わせに応じて、ヘッジ比率調整部３３０がヘッジ比率を操作し、ヘッジ比率シグナルをファンド運用部４００に伝達する。ＡＩモデルシグナルとフラクタルモデルシグナルは４通りの組合せを有する。第1の組合せは、ＡＩモデルシグナルが有り、フラクタルモデルシグナルが有りの場合であり、ステップＳ００６に移行し、先物（売り建て）の比率を大きく減らして先物と現物の合成ポジションを市場連動性が大きいものとして、ファンド運用ユニット４００で運用する。

第２の組合せは、ＡＩモデルシグナルが無く、フラクタルモデルシグナルが有りの場合であり、ステップＳ００５に移行し、先物（売り建て）の比率を減らして先物と現物の合成ポジションを市場連動性が中程度として、ファンド運用ユニット４００で運用する。第３の組合せは、ＡＩモデルシグナルが有り、フラクタルモデルシグナルが無しの場合であり、ステップＳ００４に移行し、先物（売り建て）の比率を減らして先物と現物の合成ポジションを市場連動性を小として、ファンド運用ユニット４００で運用する。第４の組合せは、ＡＩモデルシグナルが無し、フラクタルモデルシグナルが無しの場合であり、ステップＳ００３に移行し、先物（売り建て）の比率を変えずに先物と現物の合成ポジションを市場連動性がない状態として、ファンド運用ユニット４００で運用する。それぞれの運用状態でステップS００２に移行する。

本発明において、減配リスク算出モデルを活用することにより減配リスクを考慮した高配当戦略を提供することができる。減配リスク算出モデルでは、市場下落時に強みを発揮する減配リスクの低い高配当銘柄が厳選されている。本発明において、ＡＩモデルを用いて市場の上昇を予測して運用することができる。ＡＩモデルにはディープラーニングを活用することができる。本発明において、フラクタルモデルを用いて相場の転換点を捉えて運用することができる。市場上昇時に先物ヘッジを解除または削減し、収益の積み上げを狙うことができる。本発明において、高配当戦略と先物アクティブヘッジ戦略の組み合わせ効果によって、図８に示すように安定的な収益の確保を狙うことができる。

１００ ファンド運用システム
２００ 低市場連動型解析ユニット
２１０ 減配リスク解析部
３００ 高市場連動型解析ユニット
３１０ ＡＩ解析部
３２０ 時間変動解析部
３３０ ポジション調整部
４００ ファンド運用ユニット

Claims (21)

1. 市場連動性が比較的低い低市場連動型資産を解析する低市場連動型解析ユニットと、市場連動性が比較的高い高市場連動型資産を解析する高市場連動型解析ユニットと、前記低市場連動型資産及び前記高市場連動型資産を運用するファンド運用ユニットとを備えるファンド運用システムであって、
   前記高市場連動型解析ユニットは、人工知能（ＡＩ）を用いて資産価値に影響を与える要因を学習することにより前記資産価値の変動を予測するＡＩ解析部と、前記資産価値の時間変動から前記資産価値の変動を予測する時間変動解析部とを備えることを特徴とするファンド運用システム。
2. 請求項１に記載のファンド運用システムにおいて、
   前記高市場連動型解析ユニットは、前記ファンド運用ユニットに対して前記高市場連動型資産の運用を変更するシグナルを出力することを特徴とするファンド運用システム。
3. 請求項１または２に記載のファンド運用システムにおいて、
   前記ＡＩ解析部は、ディープラーニングモデルを実行することを特徴とするファンド運用システム。
4. 請求項３に記載のファンド運用システムにおいて、
   前記ディープラーニングモデルは、入力層と、複数の中間層と、出力層とを備え、前記資産価値に影響を与える複数の要因が前記入力層に入力されることを特徴とするファンド運用システム。
5. 請求項４に記載のファンド運用システムにおいて、
   前記複数の要因は、少なくとも、テクニカル、マクロ、投資家センチメント、需給、他資産動向のいずれかを含むことを特徴とするファンド運用システム。
6. 請求項４または５に記載のファンド運用システムにおいて、
   前記複数の中間層は、２層以上の中間層であることを特徴とするファンド運用システム。
7. 請求項４〜６のいずれか一項に記載のファンド運用システムにおいて、
   前記出力層は、将来の資産価値の上下を示すシグナルを出力することを特徴とするファンド運用システム。
8. 請求項１〜７のいずれか一項に記載のファンド運用システムにおいて、
   前記時間変動解析部は、フラクタルモデルを実行することを特徴とするファンド運用システム。
9. 請求項８に記載のファンド運用システムにおいて、
   前記時間変動解析部は、前記フラクタルモデルのハースト指数に基づくハースト指数シグナルを生成することを特徴とするファンド運用システム。
10. 請求項９に記載のファンド運用システムにおいて、
    前記ハースト指数シグナルは、平均回帰の傾向、またはトレンドフォローの傾向を示すシグナルを少なくとも含むことを特徴とするファンド運用システム。
11. 請求項１〜１０のいずれか一項に記載のファンド運用システムにおいて、
    前記高市場連動型解析ユニットは、さらに前記ＡＩ解析部及び前記時間変動解析部の解析結果に基づき前記高市場連動型資産の運用ポジションを調整するポジション調整部を備えることを特徴とするファンド運用システム。
12. 請求項１１に記載のファンド運用システムにおいて、
    前記ポジション調整部は、前記時間変動解析部のシグナル及び前記ＡＩ解析部のシグナルを組み合わせて、前記運用ポジションを生成することを特徴とするファンド運用システム。
13. 請求項１１または１２に記載のファンド運用システムにおいて、
    前記ファンド運用ユニットは、前記ポジション調整部が生成した前記運用ポジションに基づき、前記高市場連動型資産の運用を変更することを特徴とするファンド運用システム。
14. 請求項１〜１３のいずれか一項に記載のファンド運用システムにおいて、
    前記低市場連動型資産の運用は、現物取引と先物取引の組み合わせであることを特徴とするファンド運用システム。
15. 請求項１〜１４のいずれか一項に記載のファンド運用システムにおいて、
    前記高市場連動型資産の運用は、先物取引であることを特徴とするファンド運用システム。
16. 請求項１５に記載のファンド運用システムにおいて、
    前記先物取引は、ヘッジ売りであることを特徴とするファンド運用システム。
17. 請求項１〜１６のいずれか一項に記載のファンド運用システムにおいて、
    前記ＡＩ解析部及び前記時間変動解析部の両方が買いシグナルを出力した場合に、前記ファンド運用ユニットが前記高市場連動型資産の買い戻しを実行することを特徴とするファンド運用システム。
18. 請求項１７に記載のファンド運用システムにおいて、
    前記ＡＩ解析部及び前記時間変動解析部の一方が買いシグナルを出力した場合に、前記ＡＩ解析部及び前記時間変動解析部の両方が買いシグナルを出力した場合に比べて、前記ファンド運用ユニットがより少なく前記高市場連動型資産の買い戻しを実行することを特徴とするファンド運用システム。
19. 請求項１〜１８のいずれか一項に記載のファンド運用システムにおいて、
    前記ＡＩ解析部及び前記時間変動解析部の両方が買いシグナルを出力しない場合に、前記ファンド運用ユニットが前記高市場連動型資産の買い戻しを実行しないことを特徴とするファンド運用システム。
20. 請求項１〜１９のいずれか一項に記載のファンド運用システムにおいて、
    前記低市場連動型解析ユニットは、減配リスク算出モデルを実行する減配リスク解析部を備えることを特徴とするファンド運用システム。
21. 請求項１〜２０のいずれか一項に記載のファンド運用システムにおいて、
    前記低市場連動型資産は、現物株式および株価指数先物であることを特徴とするファンド運用システム。