JP2018049400A - 財務情報分析システム、及びプログラム - Google Patents

Abstract

【課題】対象企業のデフォルト率をより精度が高く容易に算出する。【解決手段】企業選択部を用いて選択された企業会計情報のうちの、会計項目選択部によって選択された項目の値を説明変数として入力して、再帰型ニューラルネットワークを用いて学習する学習モデル設定部と、学習モデル設定部によって生成された学習モデルに基づいて、企業選択部によって選択された企業ごとのデフォルト率を算出するとともに、算出した企業のデフォルト率と対応する企業のデフォルト情報とを参照して、学習モデルの最適なパラメータの学習を繰り返す学習実行部と、学習実行部によって学習処理が完了した学習モデルを保存する学習モデル記憶部と、どの学習モデルを利用するかを決定するモデル決定部と、モデル決定部によって決定された学習モデルを用いて、特定の企業の対象月におけるデフォルト率を計算するデフォルト率計算部と、を備える。【選択図】図２

Description

本発明は、財務情報分析システム及びプログラムに関するものである。

従来、企業融資や投資判断の際には、その企業の債務不履行を示すデフォルト率を計算し、その値に基づいて判断を下すことが通常行われている。したがって、このデフォルト率の算出はよりその企業や市況の実情を反映した精度の高い数値で算出されることが求められている。これまでは金融機関が独自に算出をしたり、格付会社による信用情報に基づいて倒産確率を大まかに把握することが行われてきた。。
しかしながら、金融機関が算出したデフォルト率及び格付会社による信用情報は次のような問題があった。
(1) 一般的に使用される回帰モデルの場合、中小企業に対して精度が低い。
(2) 決算書のデータに基づく算出のため、リアルタイム性がない。
(3)格付会社の信用情報は 対象企業へのヒアリング等に時間を要するため更新が遅い。
(4)評価基準や情報源が不明瞭であり、客観性に乏しい。この結果、格付会社間で評価が分かれる場合が少なくない。

これに対し、特許文献１においては、企業の借金の借用書である債券の価格には発行企業の倒産確率に関する市場の評価が織り込まれているとの前提に立ち、社債の価格と属性を信用リスクが限りなくゼロに近い国債の価格及び属性と対比することによって企業の信用力を算出する技術が開示されている。

また、公募債を発行していない企業がおおいため、信用力を推定することが可能な企業数は限られており、大多数の企業に関しては市場金利のような信用力を表す客観的な尺度が存在していないのが実情である。このため、特許文献１の技術は、公募債未発行企業の信用力を推定する目的には適用できないという問題があった。また企業の信用力の推定を企図しているにも拘らず、実績の倒産データを全く用いない点についても、再考の余地があろう。
また近年では、法人ローンなど市場金利の存在しない企業負債が取引の対象として注目されつつあり、法人ローンの市場金利の推定手法（プライシング）やこれと整合性の取れた信用リスク管理手法が求められていることもあり、公募債未発行企業の信用力を示す数値を客観的に算出する技術の確立が、金融機関等において急務と認識されている。

そこで、特許文献２においては、第１の時点及び第２の時点における各公募債発行企業の現実のスプレッド及び各公募債発行企業の安全性や収益性を示す各種財務データに基づいて、スプレッドと財務データとの相関を示す回帰モデルを各時点毎に生成し、第１の時点における回帰モデルに公募債未発行企業の財務データを適用することによって各企業に係る負債の第１の時点におけるスプレッドを推定した後、このスプレッドと両時点間における公募債未発行企業のデフォルト実績データに基づいてスプレッドとデフォルトとの相関を示す回帰式を求め、つぎに特定の公募債未発行企業の第２の時点における財務データ及び残存年数を第２の時点における回帰モデルに適用して当該企業に係る負債のスプレッドを推定し、これを上記の回帰式に代入することによって、当該公募債未発行企業の将来におけるデフォルト確率を算出する

特開２００１−１２５９５３号公報 特開２００８−４６８３５号公報

上記従来の技術にあっては、デフォルト率の計算にあたって、ある２つの時期間における回帰モデルを生成して、回帰モデルに基づいてデフォルト率を計算するものであるが、任意の地点を採用するため、採用する時期が適切でない場合、デフォルト率の計算の精度が必ずしも高いものとなってなかった。また、デフォルト率の算出に当たっては、できるだけ直近の企業のデータに基づいて算出することが望ましいが、従来の融資の際などの算出にあたっては、決算書のデータに基づく年次のデータに基づいて算出せざるを得ない場合が多く、できるだけリアルタイムな会計情報などに基づいて、即時にデフォルト率を計算する必要があり、より容易に精度の高い算出を可能とする必要があった。

本発明は、上記課題に鑑みてなされたものであり、対象企業のデフォルト率をより精度が高く容易に算出できるようにすることを目的とする。

上記課題を解決するために、請求項１に記載の記載の発明の実施形態は、企業ごとに一意に設定された企業識別情報に紐づいて管理され、債務不履行の有無を示すデフォルト情報を含む企業情報を記憶した企業情報記憶部と、前記企業識別情報と対応付けされ、企業ごとの月毎の損益計算書データ、及び貸借対照表データを少なくとも含む企業会計情報を記憶した会計情報記憶部と、前記企業情報に含まれる項目に対して検索することで、学習処理に利用する前記企業会計情報を選択する企業選択部と、前記企業会計情報のうち、前記学習処理に利用する項目を選択する会計項目選択部と、前記企業選択部を用いて選択された前記企業会計情報のうちの、前記会計項目選択部によって選択された項目の値を説明変数として入力して、再帰型ニューラルネットワークを用いて学習する学習モデルを生成する学習モデル設定部と、前記学習モデル設定部によって生成された前記学習モデルに基づいて、前記企業選択部によって選択された前記企業ごとのデフォルト率を算出するとともに、算出した企業のデフォルト率と対応する企業の前記デフォルト情報とを参照して、前記学習モデルの最適なパラメータの学習を繰り返す学習実行部と、前記学習実行部によって学習処理が完了した学習モデルを保存する学習モデル記憶部と、保存された前記学習モデルのいずれを利用するかを決定するモデル決定部と、前記モデル決定部によって決定された前記学習モデルを用いて、特定の企業の対象月における前記デフォルト率を計算するデフォルト率計算部と、を備える。

また、前記学習実行部は、前記デフォルト率の確かさを示すロス値を算出して、学習対象となった企業の前記ロス値の平均値を算出し、前記ロス値に基づいて前記学習モデル設定部の前記パラメータを変更するようにしてもよい。

また、前記学習実行部によって学習が実行されるごとのロス値の値の変化を視覚的にグラフで表示するとともに、前記企業選択部、及び前記会計項目選択部によって選択された条件ごとに、前記グラフが生成されて同一画面上に表示させる表示部と、をさらに備えるようにしてもよい。

また、前記学習実行部は、算出した前記企業ごとの前記デフォルト率と、当該企業が実際に債務不履行になった履歴がある場合に１、ない場合に０とする実績値との差分をロス値として算出するようにしてもよい。

また、前記学習実行部における学習の実行回数を設定する学習モデル設定部を備え、前記学習実行部は、前記学習モデル設定部によって設定された学習の実行回数分、学習処理を繰り返すようにしてもよい。

また、前記学習モデル設定部は、隠れ層の階層数やノード数を設定可能であるようにしてもよい。

また、前記学習モデル設定部は、各隠れ層毎に用いる活性化関数を選択可能であるようにしてもよい。

また、前記学習モデル設定部は、学習率を設定可能であるようにしてもよい。

また、前記学習モデル設定部は、バッチサイズを設定可能であるようにしてもよい。

また、前記学習モデル設定部は、クロスバリテーションの分割数を設定可能であるようにしてもよい。

また、前記学習モデル設定部は、ドロップアウト率を設定可能であるようにしてもよい。

また、前記学習モデル設定部は、正則化率を設定可能であるようにしてもよい。

また、前記企業選択部は、選択する企業の売り上げ規模を参照して、設定した最大値、及び最小値の少なくとも１つの条件を満たす企業を検索して選択するようにしてもよい。

また、前記企業選択部は、選択する企業の業種情報を参照して、選択した業種に該当する企業を検索して選択するようにしてもよい。

また、前記会計情報記憶部に記憶された前記損益計算書、及び貸借対照表の数値に基づいて算出された財務指標情報を含む財務データ記憶部と、前記財務データ記憶部のうち、前記学習処理に利用する項目を選択する財務項目選択部と、を備えるようにしてもよい。

本発明の実施形態においては、対象企業のデフォルト率をより精度が高く容易に算出できるようになる。

実施形態に係る財務情報分析システムのハードウェア構成を示すブロック図である。 実施形態に係る財務情報分析システムの機能構成を示すブロック図である。 実施形態に係る財務情報分析システムの操作画面の一例を示す図である。 実施形態に係る財務情報分析システムにおいて算出したロス値の変化をグラフで表示する画面の一例を示す図である。 実施形態に係る財務情報分析システムのデフォルト率の算出結果を示す画面の一例を示す図である。 実施形態に係る財務情報分析システムの企業情報記憶部のデータ構造を示す図である。 実施形態に係る財務情報分析システムの会計情報記憶部のデータ構造を示す図である。 実施形態に係る財務情報分析システムの会計情報記憶部のデータ構造を示す図である。 実施形態に係る財務情報分析システムの会計情報記憶部のデータ構造を示す図である。 実施形態に係る財務情報分析システムの財務指標情報のデータ構造を示す図である。 実施形態に係る財務情報分析システムの経済指標情報のデータ構造を示す図である。 実施形態に係る財務情報分析システムの学習モデルの生成にかかる処理の流れを示すフロー図である。 実施形態に係る財務情報分析システムのデフォルト率の計算にかかる処理の流れを示すフロー図である。

(実施例)
以下、本発明の一実施例を図面に基づいて説明する。図１は、財務情報分析システムの構成図である。図１に示されるように、財務情報分析システム１０は、ＣＰＵ・ＧＰＵ１１、ＨＤＤ１２、メモリ１３、入力装置１４、出力装置１５、ネットワークＩ／Ｏ１６を備えており、ネットワーク２０を通じて、クラウド上に存在する企業情報、及び会計情報のデータベース３０と接続されている。これらのデータベース３０は、単一のデータベースではなく、複数のデータベースの集合体として構成されていてもよい。例えば、クラウド型の会計サービスには多数の企業の会計情報が保存されているが、このようなサービスから提供されるＡＰＩを活用して、データを取得する構成とすることが望ましい。この場合、リアルタイムで常に最新の企業情報、及び企業会計情報を取得可能となる。一方で、このようなデータベース３０とネットワーク２０を通じて接続された態様ではなく、企業情報等を記憶媒体を通じて直接取り込むような形式にしてもよい。

図２は、財務情報分析システムの機能構成を示すブロック図である。財務情報分析システム１０は、企業情報記憶部２１、会計情報記憶部２２、財務データ記憶部２３、学習モデル記憶部２４、入力情報登録部２５、企業選択部２６、会計項目選択部２７、財務項目選択部２８、学習モデル設定部２９、学習実行部３０、モデル決定部３１、デフォルト率計算部３２、出力部３３を備えている。

企業情報記憶部２１は、企業ごとの企業情報を記憶しており、図６が企業情報のデータ構造を示している。情報項目としては、企業コード、漢字商号、カナ商号、住所コード、漢字所在地、カナ所在地、倒産コード、倒産年月、指定企業フラグ、上場区分フラグ、業種コードが一例として含まれている。なお、倒産コードは実際にデフォルトがあった場合に、設定されるコードであり、倒産年月はそのデフォルトの起こった年月が記載される。なお、このデフォルト情報は、同一のテーブル内に保存されなくてもよく、例えば別のテーブルとしてデフォルト履歴テーブルを設け、企業情報と対応付けるといった形であってもよい。

会計情報記憶部２２は、企業ごとの会計情報が記憶されており、図７−１、図７−２、図７−３がそれぞれ企業会計情報のデータ構造を示す図である。企業会計情報は、貸借対照表、製造原価報告書などに含まれてる会計項目の月次の値、ここでは月ごとの集計値が記憶されている。すなわち、データ年月のところに、「2016年7月」のような形式でデータが入力されており、企業ごとに各月ごとのデータが保存されている。企業会計情報も企業情報と同様に会計ソフトなどのデータからリアルタイムに取得できるようにするのが望ましい。

財務データ記憶部２３は、会計情報記憶部２２に記憶された企業会計情報に基づいて算出される財務指標である。図８、図９が財務指標情報に該当する。図８の各項目について解説する。流動比率は、企業会計情報の、流動資産合計÷流動負債合計×100の計算式によって算出される値である。固定長期適合率は、固定資産合計÷（純資産合計＋固定負債合計）×100の計算式によって算出される値である。

固定長期適合率は、固定資産合計÷（純資産合計＋固定負債合計）×100の計算式によって算出される値である。自己資本比率は、純資産合計÷資産合計×100の計算式で算出される値である。ギアリング比率は、負債合計÷純資産合計×100の計算式で算出される値である。売り上げ粗利益率は、売上総損益合計÷売上高合計×100の計算式で算出される値である。経常利益率は、経常損益金額÷売上高合計×100の計算式で算出される値である。総資本回転率は、売上高合計÷資産合計×100の計算式で算出される値である。総資本経常利益率は、経常損益金額÷資産合計×100の値で計算される値である。

当期利益額は、当期純損益金額であり、企業会計情報の各月の本年度の純利益の合計値である。営業キャッシュフローは、経常損益金額 ＋ 減価償却費-法人税、住民税及び事業税 -（直近の貸倒引当金ー12ヶ月前の貸倒引当金） - （直近の売上債権合計ー12ヶ月前の売上債権合計） + （直近の仕入債務合計-12ヶ月前の仕入債務合計） -(直近の棚卸資産合計-12ヶ月前の棚卸資産合計)の計算式で算出される値である。

売上高増加率は、(直近12ヶ月売上高合計-前年売上高合計)/前年売上高合計×100の計算式で算出される値である。経常利益増加率は、(直近12ヶ月経常損益金額-前年経常損益金額)/前年経常損益金額×100の計算式で算出される値である。将来予測売上増加率は、(今期予測売上高合計-前期売上高合計)/前期売上高合計×100で算出される値である。今期が年次の途中である場合は、前期の売り上げも、同じ月までの合計値によって算出される。

将来予測経常利益率は、(今期予測経常損益金額-前期経常損益金額)/前期経常損益金額×100の計算式によって算出される。債務償還年数は、(（短期借入金＋長期借入金＋1年以内返済長期借入金＋社債＋割引手形-現金・預金合計）ー（売上債権合計-仕入債務合計＋棚卸資産合計）)÷当期純損益金額＋減価償却費＋長期前払費用償却＋繰延資産償却（販）の計算式によって算出される値である。インタレストカバレッジレシオは、（営業利益＋受取利息＋受取配当金）÷（支払利息＋割引料）の値によって算出される値である。実績デフォルト率は、RDB企業デフォルト率であり、日本リスク・データ・バンク株式会社（ＲＤＢ）が、全国の会員金融機関より拠出した匿名の企業の財務データベースをもとに、過去の実績デフォルト件数から算出した企業のデフォルト率を月次にて提供する、新たな経済指標である。以上の値は、企業会計情報が更新されるごとに、自動で更新されるようにしてもよいし、たとえば月次のバッチ処理で更新するようにしてもよい。図８、図９内の項目は一例であり、これ以外に別の指標データを含ませるようにしてもよい。

また、図９は、財務指標情報のうち、マクロ的な経済的指標が含まれているものであり、こちらは利用者が直接データを入力するものである。図９内の項目は一例であり、これ以外に業種などによって別のデータを含ませるようにしてもよい。これらの図７〜図９に示したデータは、外部のクラウド型の会計サービス等からデータを入力する際には、各サービスごとにデータの構造などが異なっている場合があり得る。この場合に、データの入出力の際にデータ構造の変換を自動的に行えるように、それぞれのデータベースごとのデータの対応表を設け、対応表に従って自動的にデータを変換できるようにすれば、プログラムなどの知識のない利用者であっても、作業が容易に行うことができるようになる。

これらの各記憶部２１〜２３に保存されたデータは、入力装置１４の操作に基づいて入力情報登録部２５に入力される。入力情報登録部２５は、以下で説明する選択部２６〜２８によって選択された条件に基づいて、各記憶部２１〜２３からデータを取得して、所定の形式に加工する処理を行う。企業選択部２６は、学習モデルを生成する際にいずれの企業情報を利用するかを決定する。

図３は、財務情報分析システム１０の操作画面を示しており、企業選択操作部２６ａの操作に基づいて、企業選択部２６が処理を行う。本実施形態では、企業選択操作部２６ａは、月次、年次の切り替え、対象とする年月の期間の設定、業種の考慮の有無、売り上げ規模の最大値、および最小値の設定、従業員数の最大値、および最小値の設定、都道府県などの項目が選択可能であり、これらの操作した結果の条件によって絞り込まれた企業情報が学習モデルの選択に用いられる。

会計項目選択部２７は、選択された企業情報に対応付けられた企業会計情報のうちから、いずれの会計項目を学習モデルの生成に用いるかを選択する。図３においては、会計項目選択操作部 ２７ａの操作に基づいて会計項目選択部２７が処理を行う。会計項目選択操作部 ２７ａには、図７−１、図７−２、図７−３で示した企業会計情報の各項目がそれぞれ表示されており、ここでチェックした項目が、学習モデルの生成に利用される。

財務項目選択部２８は、選択された企業情報に対応付けられた財務指標情報のうちから、いずれの項目を学習モデルの生成に用いるかを選択する。図３においては、財務項目選択操作部２８ａ、２８ｂの操作に基づいて財務項目選択部２８が処理を行う。財務項目選択操作部２８ａには、図８で示した財務指標の各項目がそれぞれ表示されており、ここでチェックした項目が学習モデルの生成に利用される。財務項目選択操作部２８ｂには、図９で示した財務指標の各項目がそれぞれ表示されており、ここでチェックした項目が学習モデルの生成に利用される。

学習モデル設定部２９は、学習モデルを生成する際の各種パラメータを設定することが可能である。図３においては、学習モデル設定操作部４０の操作に基づいて各パラメータを設定する処理を学習モデル設定部２９が行う。学習操作部４０ａは、入力層のノード数を表示する部位であり、会計項目選択部２７ａ、および財務項目選択操作部２８ａ、２８ｂによってチェックされた項目数が入力層のノード数として表示される。学習操作部４０ｉはニューラルネットワークの隠れ層の数を設定可能である。学習操作部４０ｊは、活性化関数の種類を設定可能である。学習操作部４０ｂは、出力層の数が表示されるものであり、ここではデフォルト率のみが算出される学習モデルのため、１が入力される。学習設定操作部４０ｃは、バッチサイズを設定可能であり、バッチサイズは、学習を高速に行うためデータを分割するサイズである。すなわち、選択された企業数が多い場合に、１度の学習でこれをすべて対象とするのではなく、設定されたバッチサイズＮ社分の企業サンプルを、選択された企業群から抽出し、バッチサイズＮ社分だけ学習を行い、次回学習では、再度ランダムにＮ社分を抽出して学習を行う。選択した企業選択数が多い場合、学習処理時に時間がかかる傾向になるため、バッチサイズを設定することで学習処理の高速化を行うことができるようになる。

学習設定操作部４０ｄは、最適化関数を設定することができ、最適化関数とは、モデルの予測値と実際の値との誤差から、パラメータ（重み）を最適になるよう更新するときの関数であり、本実施形態では、例えばＧｒａｄｉｅｎｔ Ｄｅｓｃｅｎｔ（勾配降下法）、Ａｄａｄｅｌｔａ、ＡＤＡＧＲＡＤ、Ａｄａｍなどから選択可能である。

学習操作設定部４０ｅは、学習率を設定することができ、学習率とは、学習設定操作部４０ｄで選択した手法で勾配計算を行う時に、勾配に沿って次の値を計算する時にどの程度その勾配分を移動させるかの程度を指定する値である。。学習率は、０ 〜 １の間の値にて設定可能であり、０ に近いときはわずかな重み修正を行い、１ に近いときには、より大幅な重み修正を行う。

学習操作設定部４０ｆは、イテレーション回数を設定することができ、イテレーション回数は学習を繰り返す回数である。学習操作設定部４０ｇは、学習処理の名称を設定することができ、実行して学習した学習モデルに名称を付けて保存することができる。学習操作設定部４０ｈは、交差検定分割数（クロスバリテーション）を設定することができ、クロスバリテーションとは、ロス値で検証する際に、ランダムにＫ個のサンプル群に分けて、学習を実行する。

学習モデル設定部２９は、上述の各選択部２６、２７、２８において設定された条件に基づいて学習モデルを生成する。学習モデルは再帰型ニューラルネットワークモデルを用いて生成され、選択された各パラメータなどが説明変数として設定される。再帰型ニューラルネットワークの構築には、例えばgoogle社のＴＥＮＳＯＲＦＬＯＷ（登録商標）を用いて行うことができる。この生成した学習モデルに入力層として入力される各説明変数を渡すことによって、学習モデルが生成される。なお、企業選択操作部２６ａにおいて、対象データの期間が設定されていないときは、直近１２か月間のデータが利用されるといったデフォルトの設定が適用されて処理が実行される。また、学習モデルによって算出されるデフォルト率は、例えば計算の対象サンプルの月次が２０１４年３月〜２０１５年３月の場合、２０１６年３月のデフォルト率の予想をするように設定する。なお、この計算対象のサンプルの期間と、計算するデフォルト率の時期の関係値は適宜調整可能である。また、再帰型ニューラルネットワークを用いることで、ある月次の売り上げ高などの数値の変化を織り込んだ判断が可能であり、より精度の高いデフォルト率の算出が可能となる。

学習実行部３０は、生成された学習モデルの学習処理を所定の回数繰り返す。学習実行部３０は、学習処理を１回行うごとに、その算出したデフォルト率の値から導かれるロス値の計算も行う。ロス値は、デフォルト率の確かさを示す値であり、交差エントロピー関数、及びソフトマックス関数を用いて算出される。学習モデルの生成に用いた入力変数の総数、分類クラスの総数（ここでは、デフォルトがあったか否かを示す０、１の値のみであるため２）、重み変数、入力変数の値、実施のデフォルト有無を示す正解データが変数となる。したがって、ロス値は、この計算方法を用いて学習を繰り返すことで、算出したデフォルト率と、実際のデフォルトの有無の値、すなわち「０」「１」の数値との誤差を返す変数である。この処理によって、算出対象となったすべての企業に対するデフォルト率とロス値が算出され、１回当たりの学習ではこの対象となった全企業の平均値がロス値の値となる。

図１０は、学習モデルの生成にかかる処理の流れを示すフロー図である。まず、企業選択部２６は、説明変数として用いる企業を、利用者が入力した条件に従って、選択する（ステップＳ１０１）。次いで、会計項目選択部２７は、選択された企業情報と対応付けられた企業会計情報のうちから、選択された会計項目の値を取得する（ステップＳ１０２）。また、財務項目選択部２８は、選択された企業情報と対応付けられた財務指標情報のうちから、選択された財務データの値を取得する（ステップＳ１０３）。

次いで、学習モデル設定部２９は、各選択部によって選択された入力値となる説明変数や、学習モデルの設定に基づいて学習モデルを生成する。この際は、上述したデフォルト値と実際のデフォルトの有無を示す値との差異を示すロス値の算出する上記計算式に基づいて学習モデルを生成する。

学習実行部３０は、学習モデルと入力値に基づいて学習処理を繰り返してデフォルト率、およびロス値を算出し、出力部３３を通じて出力装置１５に学習結果であるロス値のグラフを出力する（ステップＳ１０５）。図４は、学習結果を示すグラフであり、各学習モデルごとの学習結果を５０ａ〜５０ｉまで表示している。図４では、Ｙ軸にロス値の値、Ｘ軸に学習回数が示されており、学習を繰り返すごとにロス値の値が低下していっていることが示されている。

利用者はこの図を見ることで、いずれの学習モデルがもっとも精度が高いかを視覚的に判断することができ、本図では５０ｈで示される学習モデルが最も精度が高いことが分かる。学習セット情報５１、モデル情報５２には選択された学習結果を５０ａ〜５０ｉの学習モデルの名称や、各種設定の情報が表示される。また学習実行部３０は、学習処理が実行されるごとに、その学習モデルの情報を学習モデル記憶部２４に保存する。

以上のように生成されたデフォルト率算出のための学習モデルはそれぞれが説明変数とセットで学習モデル記憶部２４に保存される。モデル決定部３１は、学習モデル記憶部２４に保存されている学習モデルから対象企業のデフォルト率計算に用いる学習モデルを決定する（ステップＳ２０１）。次いで、デフォルト率計算部３２は、デフォルト率の計算をする対象企業を選択し、対象企業の会計情報、及び財務指標情報のうちから、選択した学習モデルにおいて選択されている項目に該当する情報を取得する（ステップＳ２０２）。この際、取得する情報の期間は、学習モデルにおいて選択された期間と同一であることが望ましい。そして、デフォルト率計算部３２は、取得した情報に基づき学習モデルの計算式に従ってデフォルト率を算出する（ステップＳ２０３）。デフォルト率計算部３２は、計算したデフォルト率を出力部３３を通じて例えば図５で示すような態様で出力する。

以上で示した財務情報分析システム１０によれば、学習処理の際に再帰型ニューラルネットワークを用いた学習を行うため、月次の会計情報を入力値として持った場合に、その月次間の売り上げの増加や、減少といった変化も踏まえたうえでデフォルト率の算出が行えるため、より高い精度での算出が可能となる。

また、通常このようなデフォルト率の算出にあたっては、データ分析の専門家が算出モデルを策定し、データの処理を行う必要があるため高度な操作が必要である。一方、本実施形態の財務情報分析システム１０にあっては、企業情報の選択や、会計項目などの選択などをすべて簡単な操作画面で可能であり、項目の選択や学習の設定などの操作を行うだけで自動的なデフォルト率の計算のための学習モデルが生成される。そして、学習モデルによるデフォルト率算出の成果を、ロス値の値やAR値によって把握可能であるため、専門知識を持たない利用者であっても、企業のデフォルト率を必要な際にその都度自ら算出可能となる。したがって、融資や投資の際のデフォルト率の計算の工程を簡略化し、業務の効率化を図ることができるようになる。なお、ＡＲ値は、例えばデフォルト率が、Ａ社：１％、Ｂ社：２％、Ｃ社３％のような場合に、これらをデフォルト率が高い順に並べる。この場合にＣ社が実際にデフォルトがあった場合であって、Ｂ，Ａがデフォルトがない場合には、ＡＲ値は１００％となる。一方、Ａ社がデフォルト、Ｃ，Ｂがデフォルトでない場合、ＡＲ値は１００％より低くなるように計算される。

また、学習の効率化を図るためには、様々な学習の設定をチューニングする必要があるが、本実施形態では、学習の実行回数や、隠れ層の階層数やノード数、各隠れ層毎に用いる活性化関数、学習率、バッチサイズなどのパラメータを自由に変更して学習を実行することができるため、学習の調整も非常に容易である。

また、通常融資の際のデフォルト率の計算にあたっては、年次の決算ごとの処理をしていたため、年度の途中のデータを反映したデフォルト率の算出が困難であったが、本実施形態では、月次単位でのデータを参照してデフォルト率の算出が可能となる。

また、学習設定にあたっては、上記の設定項目以外にも例えば、ドロップアウト率、正則化率などの設定を学習モデル設定部２９によって行うことができる。

１０…財務情報分析システム
２１…企業情報記憶部
２２…会計情報記憶部
２３…財務データ記憶部
２４…学習モデル記憶部
２６…企業選択部
２７…会計項目選択部
２８…財務項目選択部
２９…学習モデル設定部
３０…学習実行部
３１…モデル決定部
３２…デフォルト率計算部

Claims (17)

1. 企業ごとに一意に設定された企業識別情報に紐づいて管理され、債務不履行の有無を示すデフォルト情報を含む企業情報を記憶した企業情報記憶部と、
   前記企業識別情報と対応付けされ、企業ごとの月毎の損益計算書データ、及び貸借対照表データを少なくとも含む企業会計情報を記憶した会計情報記憶部と、
   前記企業情報に含まれる項目に対して検索することで、学習処理に利用する前記企業会計情報を選択する企業選択部と、
   前記企業会計情報のうち、前記学習処理に利用する項目を選択する会計項目選択部と、
   前記企業選択部を用いて選択された前記企業会計情報のうちの、前記会計項目選択部によって選択された項目の値を説明変数として入力して、再帰型ニューラルネットワークを用いて学習する学習モデルを生成する学習モデル設定部と、
   前記学習モデル設定部によって生成された前記学習モデルに基づいて、前記企業選択部によって選択された前記企業ごとのデフォルト率を算出するとともに、算出した企業のデフォルト率と対応する企業の前記デフォルト情報とを参照して、前記学習モデルの最適なパラメータの学習を繰り返す学習実行部と、
   前記学習実行部によって学習処理が完了した学習モデルを保存する学習モデル記憶部と、
   保存された前記学習モデルのいずれを利用するかを決定するモデル決定部と、
   前記モデル決定部によって決定された前記学習モデルを用いて、特定の企業の対象月における前記デフォルト率を計算するデフォルト率計算部と、
   を備えることを特徴とする財務情報分析システム。
2. 前記学習実行部は、前記デフォルト率の確かさを示すロス値を算出して、学習対象となった企業の前記ロス値の平均値を算出し、前記ロス値の値から前記学習モデル設定部の前記パラメータを変更する
   ことを特徴とする請求項1に記載の財務情報分析システム。
3. 前記学習実行部よって学習が実行されるごとのロス値の値の変化を視覚的にグラフで表示するとともに、前記企業選択部、及び前記会計項目選択部によって選択された条件ごとに、前記グラフが生成されて同一画面上に表示させる表示部と、
   さらに備えることを特徴とする請求項２に記載の財務情報分析システム。
4. 前記学習実行部は、算出した前記企業ごとの前記デフォルト率と、当該企業が実際に債務不履行になった履歴がある場合に１、ない場合に０とする実績値との比較する指標をロス値として算出する
   ことを特徴とする請求項２または３に記載の財務情報分析システム。
5. 前記学習モデル設定部は、前記学習実行部における学習の実行回数を設定可能であり、前記学習実行部は、前記学習モデル設定部によって設定された学習の実行回数分、学習処理を繰り返す
   ことを特徴とする請求項１〜４のいずれか一項に記載の財務情報分析システム。
6. 前記学習モデル設定部は、隠れ層の階層数やノード数を設定可能である
   ことを特徴とする請求項１〜５のいずれか一項に記載の財務情報分析システム。
7. 前記学習モデル設定部は、各隠れ層毎に用いる活性化関数を選択可能である
   ことを特徴とする請求項１〜６のいずれか一項に記載の財務情報分析システム。
8. 前記学習モデル設定部は、学習率を設定可能である
   ことを特徴とする請求項１〜７のいずれか一項に記載の財務情報分析システム。
9. 前記学習モデル設定部は、バッチサイズを設定可能である
   ことを特徴とする請求項１〜８のいずれか一項に記載の財務情報分析システム。
10. 前記学習モデル設定部は、クロスバリテーションの分割数を設定可能である
    ことを特徴とする請求項１〜９のいずれか一項に記載の財務情報分析システム。
11. 前記学習モデル設定部は、ドロップアウト率を設定可能である
    ことを特徴とする請求項１〜１０のいずれか一項に記載の財務情報分析システム。
12. 前記学習モデル設定部は、正則化率を設定可能である
    ことを特徴とする請求項１〜１１のいずれか一項に記載の財務情報分析システム。
13. 前記企業選択部は、選択する企業の売り上げ規模を参照して、設定した最大値、及び最小値の少なくとも１つの条件を満たす企業を検索して選択する
    ことを特徴とする請求項１〜１２のいずれか一項のいずれか一項に記載の財務情報分析システム。
14. 前記企業選択部は、選択する企業の従業員人数を参照して、設定した最大値、及び最小値の少なくとも１つの条件を満たす企業を検索して選択する
    ことを特徴とする請求項１〜１３のいずれか一項に記載の財務情報分析システム。
15. 前記企業選択部は、選択する企業の業種情報を参照して、選択した業種に該当する企業を検索して選択する
    ことを特徴とする請求項１〜１４のいずれか一項に記載の財務情報分析システム。
16. 前記会計情報記憶部に記憶された前記損益計算書、及び貸借対照表の数値に基づいて算出された財務指標情報を含む財務データ記憶部と、
    前記財務データ記憶部のうち、前記学習処理に利用する項目を選択する財務項目選択部と、
    をさらに備えることを特徴とする請求項１〜１５のいずれか一項に記載の財務情報分析システム。
17. コンピューターに
    企業ごとに一意に設定された企業識別情報に紐づいて管理され、債務不履行の有無を示すデフォルト情報を含む企業情報を記憶した企業情報記憶部から、前記企業情報に含まれる項目に対して検索することで、学習処理に利用する企業会計情報を選択する企業選択ステップと、
    前記企業識別情報と対応付けされ、企業ごとの月毎の損益計算書データ、及び貸借対照表データを少なくとも含む企業会計情報のうち、前記学習処理に利用する項目を選択する会計項目選択ステップと、
    前記企業選択ステップで選択された前記企業会計情報のうちの、前記会計項目選択ステップによって選択された項目の値を説明変数として入力して、再帰型ニューラルネットワークを用いて学習する学習モデルを生成する学習モデル設定ステップと、
    前記学習モデル設定ステップによって生成された前記学習モデルに基づいて、前記企業選択ステップによって選択された前記企業ごとのデフォルト率を算出するとともに、算出した企業のデフォルト率と対応する企業の前記デフォルト情報とを参照して、最適なパラメータの学習を繰り返す学習実行ステップと、
    前記学習処理が完了した学習モデルを保存するモデル保存ステップと、
    保存された前記学習モデルのいずれを利用するかを決定するモデル決定ステップと、
    前記モデル決定ステップによって決定された前記学習モデルを用いて、特定の企業の対象月における前記デフォルト率を計算するデフォルト率計算ステップと、
    を実行させるためのプログラム。