JP2019153258A - 機械学習装置、予測システム、及び、プログラム - Google Patents

Abstract

【課題】企業の財務数値データの中に欠損値が含まれている場合であっても、少ない手間で十分な予測精度の財務状況予測を実現する。【解決手段】機械学習装置は、複数の財務項目の実績数値により構成された企業の財務数値データ１３から、財務数値データ１３が表現されたグラフの画像データ２０を作成するグラフ作成部１４と、複数の企業の各々について、グラフ作成部１４により作成された画像データ２０と、財務数値データ１３の対象期間後における企業の財務状況の変化に対応した学習用ラベルとが対応付けられた学習用データを取得し、複数の企業についての学習用データを用いた機械学習によって、予測対象企業の財務状況の変化に関する予測結果を出力する予測モデルを作成又は更新する機械学習部１６とを備えている。【選択図】図１

Description

本発明は、企業の将来予測を行うための機械学習装置等に関する。

従来から、企業の将来予測を行うための予測技術が知られている。この種の予測技術は、例えば金融機関などの利害関係者にとって、企業の倒産リスクなどの事前把握に利用できるため有用である。

特許文献１には、評価対象企業がリスク企業（倒産する可能性や経営不振により株価が下落する可能性がある企業）であるか否かを判定する企業評価システムが記載されている。また、非特許文献１には、財務諸表から得られる５３項目のデータを利用した倒産分析について記載されている。

特許６００９８６４号公報

篠原博史、他２名、"簡便なデータを用いて正確な経営状態分類マップを作成する一手法"、21st Fuzzy System Symposium（Chofu，Sept.7-9，2005）、日本知能ファジィ情報学会

ところで、企業の財務状況予測のための予測モデルを機械学習によって作成するために、企業の財務数値データを入手しても、全ての財務項目の実績数値が埋まっているとは限らない。財務項目によっては実績数値が欠損している場合（欠損値が存在している場合）がある。このような場合に、欠損値が残る財務数値データをそのまま機械学習の学習用データ（訓練データ）に用いると、機械学習により作成される予測モデルの予測精度に悪影響を与え、十分な予測精度を確保できない虞がある。そのため、実績数値が欠損している財務項目に対し、適切な数値を算出して当てはめる欠損値処理が必要となる。しかし、この欠損値処理には比較的大きな手間を要する。

また、企業の財務状況予測にあたって予測対象企業の財務数値データを入手する場合においても、実績数値が欠損している財務項目が含まれている場合がある。このような場合に、欠損値が残る財務数値データをそのまま予測モデルに入力しても、適切な予測結果を得ることができない虞がある。

本発明は、このような事情に鑑みてなされたものであり、企業の財務数値データの中に欠損値が含まれている場合であっても、少ない手間で十分な予測精度の財務状況予測を実現することを目的とする。

上述の課題を解決するべく、第１の発明は、複数の財務項目の実績数値により構成された企業の財務数値データから、前記財務数値データが表現されたグラフの画像データを作成するグラフ作成部と、複数の企業の各々について、グラフ作成部により作成された画像データと、財務数値データの対象期間後における企業の財務状況の変化に対応した学習用ラベルとが対応付けられた学習用データを取得し、複数の企業についての学習用データを用いた機械学習によって、予測対象企業の財務状況の変化に関する予測結果を出力する予測モデルを作成又は更新する機械学習部とを備えた、機械学習装置である。

第２の発明は、予測対象企業について、複数の財務項目の実績数値により構成された財務数値データから、財務数値データが表現されたグラフの画像データを作成するグラフ作成部と、画像データを分類可能な計算モデルを用いた予測モデルに対し、グラフ作成部により作成された画像データを入力して演算を行い、予測対象企業の財務状況の変化に関する予測結果を出力する予測部とを備えた、予測システムである。

第３の発明は、第２の発明において、グラフ作成部は、複数の財務項目が収まる数値範囲から、上限側又は下限側の少なくとも一方を省略して狭めた数値範囲で、グラフの画像データを作成する。

第４の発明は、第２又は第３の発明において、グラフ作成部は、複数の財務項目の各々について実績数値を棒グラフで表したグラフの画像データを作成する。

第５の発明は、第２乃至第４の何れか１つの発明において、グラフ作成部は、財務数値データの中に実績数値が欠損している財務項目が含まれている場合、欠損が残った財務数値データから、グラフの画像データを作成する。

第６の発明は、第２乃至第５の何れか１つの発明において、財務数値データにおける各財務項目には、実績数値がパーセント表示される項目が用いられ、グラフ作成部は、各財務項目についてパーセント表示の実績数値が表されたグラフの画像データを作成する。

第７の発明は、第２乃至第６の何れか１つの発明において、予測モデルは、予測対象企業の倒産リスクを予測するモデルである。

第８の発明は、コンピュータに、予測対象企業について、複数の財務項目の実績数値により構成された財務数値データから、財務数値データが表現されたグラフの画像データを作成するグラフ作成ステップと、画像データを分類可能な計算モデルを用いた予測モデルに対し、グラフ作成部により作成された画像データを入力して演算を行い、予測対象企業の財務状況の変化に関する予測結果を出力する予測ステップとを実行させるためのプログラムである。

第１の発明では、財務数値データをそのまま学習用データとして用いず、財務数値データが表現されたグラフの画像データを作成して、その画像データを学習用データとして用いて機械学習を行う。ここで、本願発明者は、企業の財務状況予測において、企業の財務数値データに欠損値が含まれる場合であっても、上述の機械学習により十分な予測精度の予測モデルを作成できることを確認している。また、財務数値データからのグラフの画像データの作成は、コンピュータで容易に行うことができ、上述の欠損値処理に比べて手間が少ない。第１の発明によれば、企業の財務数値データに欠損値が含まれる場合であっても、少ない手間で十分な予測精度の財務状況予測を実現することができる。

第２及び第８の各発明では、予測対象企業の財務数値データが表現されたグラフの画像データを作成して、その画像データを予測モデルに入力する。ここで、本願発明者は、企業の財務状況予測において、予測対象企業の財務数値データに欠損値が含まれる場合であっても、上述の画像データへの変換によって十分な予測精度が得られることを確認している。また、グラフの画像データの作成は、上述したように手間が少ない。第２及び第８の各発明によれば、企業の財務数値データの中に欠損値が含まれる場合であっても、少ない手間で十分な予測精度の財務状況予測を実現することができる。

図１は、実施形態に係る機械学習装置の模式図である。 図２は、財務数値データを説明するための図である。 図３は、企業財務グラフの画像データを説明するための図である。 図４は、機械学習部の模式図である。 図５は、機械学習方法の手順を表すフローチャートである。 図６は、予測システムの模式図である。 図７は、倒産予測方法の手順を表すフローチャートである。 図８は、その他の変形例における企業財務グラフの画像データを説明するための図である。 図９は、その他の実施例における別の企業財務グラフの画像データを説明するための図である。

以下、本発明の実施形態を詳細に説明する。なお、以下の実施形態は、本発明の一例であって、本発明、その適用物、あるいはその用途の範囲を制限することを意図するものではない。

［１．機械学習装置の構成］
機械学習装置１０は、複数の企業の各々についての財務数値データ１３に対し所定のデータ処理を施し、そのデータ処理が施された学習用データを用いたニューラルネットワークの機械学習によって、予測対象企業の財務状況の変化に関する予測結果を出力する予測モデル（学習済みモデル）を作成する装置である。所定のデータ処理は、財務数値データ１３を、その財務数値データ１３が表現されたグラフ（以下、「企業財務グラフ」という。）の画像データ２０（例えば、拡張子ｐｎｇ又はｊｐｅｇなどの画像データ）に変換する処理である。また、本実施形態では、予測モデルが、予測対象企業の倒産リスクを予測するモデルであり、予測対象企業が倒産するか否かを予測結果として出力する。なお、機械学習装置１０は、新たな財務数値データ１３を学習用データとして用いて、予測モデルの更新を行うことも可能である。

機械学習装置１０は、ＧＰＵ及びメモリーを備えた、１つ又は複数のコンピュータ（パーソナルコンピュータ、サーバー等）により構成されている。本実施形態では、ニューラルネットワークとして、畳み込みニューラルネットワーク（Convolutional Neural Network：以下、「ＣＮＮ」と言う。）が採用されている。なお、画像の分類に適用可能なニューラルネットワークであれば、ＣＮＮ以外のものを採用してもよい。また、機械学習とは、ニューラルネットワークのパラメータ（重み、バイアス）を最適化する処理である。なお、機械学習装置１０は、ＧＰＵとＣＰＵの両方を備えたコンピュータにより構成されていてもよいし、ＣＰＵを備えたコンピュータにより構成されていてもよい。

機械学習装置１０は、図１に示すように、財務数値データ１３を格納するデータ記憶部１２と、財務数値データ１３から企業財務グラフの画像データ２０を作成するグラフ作成部１４と、画像データ２０を学習用データとして用いた機械学習によって予測モデルを作成する機械学習部１６と、機械学習部１６による学習結果に基づいてニューラルネットワークのパラメータを更新するパラメータ更新部２６とを備えている。データ記憶部１２は、メモリーにより構成されている。メモリーには、ＣＮＮを含む学習用プログラムも格納されている。グラフ作成部１４と機械学習部１６とパラメータ更新部２６とは、コンピュータのＧＰＵが学習用プログラムを実行及び解釈することによって実現される機能ブロックである。

データ記憶部１２は、複数の企業Ｐ〜Ｐ−ｘ（例えば５００程度の企業）について単年度の財務数値データ１３が配列された表データ１５（図２参照）を格納している。各企業の財務数値データ１３は、複数種類（例えば１９０種類）の財務項目Ａ〜Ｚの実績数値により構成されている。財務項目は、企業の財務状態を表す項目である。全ての財務項目Ａ〜Ｚには、パーセント表示される財務指標が用いられている。財務項目Ａ〜Ｚとしては、例えば、売上高増加率、営業利益率、自己資本比率、総資産利益率、株主資本利益率などを用いることができる。表データ１５では、ほとんどの財務項目Ａ〜Ｚに対し実績数値が入力されているが、一部に実績数値が欠損している財務項目がある。

また、表データ１５では、互いに関連する財務項目が連続して並ぶように、財務項目Ａ〜Ｚの配列順番（図２における縦方向の配列順番）が定められている。なお、互いに関連する財務項目の一例は、例えば、総資産利益率と株主資本利益率のように利益率に関する財務項目同士である。

また、表データ１５に記述された全ての企業Ｐ〜Ｐ−ｘは、存続企業と倒産企業とに分けられる。図２に示す表データ１５の最終行には、各企業Ｐ〜Ｐ−ｘに対し、存続企業であるか倒産企業であるかを示す学習用ラベルが付されている。学習用ラベルは、財務数値データ１３の対象期間後における企業の財務状況の変化（悪化したか否か）に対応した内容となっている。なお、表データ１５では、存続企業と倒産企業ともに複数の企業の財務数値データ１３が準備されている。また、表データ１５における各倒産企業の財務数値データ１３の対象期間は、例えば倒産した年度の１つ前の年度である。

グラフ作成部１４は、データ記憶部１２から企業の財務数値データ１３を取得し、その財務数値データ１３が表された１つの企業財務グラフの画像データ２０（図３参照）を作成する。グラフ作成部１４は、データ記憶部１２に格納されている全ての企業について財務数値データ１３を取得し、企業毎に企業財務グラフの画像データ２０を作成する。なお、図３に示す画像データ２０では、各棒グラフＢをグレースケールで表現しているが、各棒グラフＢをカラーで表現してもよい。

企業財務グラフでは、各財務項目Ａ〜Ｚに対して棒グラフＢが用いられている。横軸上では各財務項目Ａ〜Ｚの位置が定められている。実績数値が存在する財務項目Ａ〜Ｚについて、全ての財務項目Ａ〜Ｚの棒グラフＢは横軸に沿って順番に並んでいる。実績数値が欠損している財務項目については棒グラフＢが表示されない。また、企業財務グラフの縦軸は、各財務項目Ａ〜Ｚの実績数値の大きさを表す。なお、図３では、画像データ２０について、横のピクセル数がＸ（例えば、Ｘ＝５００）で表され、縦のピクセル数がＹ（例えばＹ＝２００）で表されている。

具体的に、企業財務グラフでは、各棒グラフＢの長さが各財務項目Ａ〜Ｚの数値の大きさを表す。図３に示す波線Ｄをゼロとして、プラスの財務項目は波線Ｄより上側に延び、マイナスの財務項目は波線Ｄより下側に延びている。また、企業財務グラフでは、横軸上において隣り合う財務項目Ａ〜Ｚの棒グラフＢが隙間なく並んでいる。また、企業財務グラフにおける財務項目Ａ〜Ｚの順番は、表データ１５における財務項目Ａ〜Ｚの配列順番と同じである。そのため、企業財務グラフでは、互いに関連する財務項目の棒グラフＢが連続して並ぶ。なお、波線Ｄは、説明のために図３に記載しているが、画像データ２０では記載を省略する。画像データ２０では縦軸も横軸も記載されていない。また、画像データ２０では凡例や軸目盛などの他の要素も記載されていない。

また、企業財務グラフの縦軸について、財務項目Ａ〜Ｚが収まる数値範囲（財務項目Ａ〜Ｚの中における最小値から最大値までの範囲）よりも狭く、マイナスの下限値からプラスの上限値までのゼロを含む数値範囲（例えば−３０％〜８０％）に調整している。縦軸の数値範囲は、上限値（８０％）の方が下限値（−３０％）よりも絶対値が大きい。グラフ作成部１４は、複数の財務項目が収まる数値範囲から、上限側（８０％〜最大値）と下限側（最小値〜−３０％）の両方を省略して狭めた数値範囲で、企業財務グラフの画像データ２０を作成する。

機械学習部１６は、上述したように、畳み込みニューラルネットワークにより構成されている。機械学習部１６は、複数組の畳み込み層１７及びプーリング層１８と、多層ニューラルネットワーク構造１９とを備えている。多層ニューラルネットワーク構造１９は、ネットワーク構造とパラメータ（重みとバイアス）とを有し、学習前は各パラメータに初期値が設定されている。

畳み込み層１７は、入力された画像データ２０（全画素）に対し畳み込み演算を行うことによって複数の一次特徴マップ２１を抽出する。畳み込み演算では、例えば縦サイズも横サイズも５ピクセルのフィルタが用いられる。フィルタの横サイズは棒グラフＢの幅と同程度にしている。また、ストライドは１ピクセルに、パディングは０ピクセルに設定されている。ストライドは棒グラフＢの幅より小さくしている。なお、フィルタのサイズ、ストライド、及びパディングは、この段落の数値に限定されない。

プーリング層１８は、畳み込み層１７から出力された複数の一次特徴マップ２１の各々に対しプーリング（例えばマックスプーリング）を行う。マックスプーリングは、特徴マップの全ピクセルにおける最大値を代表値として採用する処理である。プーリング層１８では、一次特徴マップ２１よりピクセル数が少ない二次特徴マップ２２が、一次特徴マップ２１と同数作成される。

プーリング層１８の後段には、２組目の畳み込み層及びプーリング層が設けられている（図示省略）。２組目の畳み込み層及びプーリング層では、各二次特徴マップ２２に対する畳み込み演算によって三次特徴マップが抽出され、三次特徴マップに対するプーリング（例えばマックスプーリング）により四次特徴マップが作成される。機械学習部１６では、畳み込み演算とプーリングとが複数回繰り返される。最終段のプーリング層１８では、直前の畳み込み層１７から出力されたＮ−１次特徴マップ２３に対するプーリング（例えばマックスプーリング）によりＮ次特徴マップ２４が作成される。

多層ニューラルネットワーク構造１９は、図４に示すように、全結合層２９と出力層３０とを備えている。全結合層２９には、最終段のプーリング層１８から出力された複数のＮ次特徴マップ２４が入力される。全結合層２９は、複数の層から構成されており、各層は複数のユニット（ニューロン素子）により構成されている。出力層３０は１つユニットにより構成されている。全結合層２９では、隣り合う層間において前側層の各ユニットが後側層の全ユニットと繋がり、最終層の各ユニットは出力層３０のユニットに繋がる。

全結合層２９及び出力層３０では、ユニットの出力値ｙが、式１によって表される。式１において、ｆ（ ）は活性化関数（例えばシグモイド関数）、ｘｎは前側層のｎ番目のユニットからの入力信号（入力値）、ｗｎは前側層のｎ番目のユニットからの入力信号に対する重み、ｂはバイアス（閾値）を表す。多層ニューラルネットワーク構造１９では、誤差逆転伝搬法による学習により各層の重みｗｎとバイアスｂとを更新する。
式１：ｙ＝ｆ（ｗ１×ｘ１＋ｗ２×ｘ２＋・・・＋ｗｎ×ｘｎ−ｂ）

［２．機械学習装置の動作］
図５を参照しながら、コンピュータにより構成される機械学習装置１０の動作について説明する。なお、データ記憶部１２には多数の企業の財務数値データ１３が格納されているものとする。また、データ記憶部１２には、各パラメータに初期値が設定された畳み込みニューラルネットワークが格納されている。

機械学習装置１０では、学習用プログラムを実行することによって機械学習方法を構成する情報処理が開始される。まずステップＳ５１において、グラフ作成部１４は、データ記憶部１２から企業の財務数値データ１３を取得する。次に、ステップＳ５２において、グラフ作成部１４は、ステップ５１において取得された財務数値データ１３から企業財務グラフの画像データ２０を作成する。なお、クラブ作成部１４は、財務数値データ１３の中に実績数値が欠損している財務項目が含まれている場合、その財務項目に数値データを入れずに、企業財務グラフの画像データ２０を作成する。つまり、欠損値を含む財務数値データ１３がそのまま用いられる。グラフ作成部１４は、データ記憶部１２から全ての企業の財務数値データ１３を取得し、企業毎に企業財務グラフの画像データ２０を作成する。

次に、ステップＳ５３において、機械学習部１６は、企業毎に、企業財務グラフの画像データ２０と学習用ラベルとを取得する。そして、機械学習部１６は、全ての企業について、企業財務グラフの画像データ２０を畳み込みニューラルネットに入力して演算を行い、その企業財務グラフに対応する学習用ラベルの値（例えば、倒産企業＝０、存続企業＝１）に対する出力層３０の出力値の誤差を出力する。次に、機械学習部１６は、全ての企業についての誤差の集計値がゼロに近づくように各パラメータを算出する。パラメータ更新部２６は、メモリーにおけるニューラルネットワークの各パラメータを、機械学習部１６による算出値に更新する。以上により、予測モデルの学習済みモデルが得られ、図５に示すフローチャートの処理は終了する。

［３．予測システムの構成］
予測システム４０は、図６に示すように、予測対象企業の財務数値データ１３を受け付けるデータ受付部４１と、データ受付部４１によって受け付けられた予測対象企業の財務数値データ１３から企業財務グラフの画像データ２０を作成するグラフ作成部４２と、学習済みの予測モデル（機械学習装置１０によって作成された予測モデル）を格納するモデル記憶部４３と、グラフ作成部４２において作成された企業財務グラフの画像データ２０を予測モデルに入力して予測対象企業の倒産予測を行う予測部４４と、予測部４４による予測結果を画面に表示させるための表示部４６とを備えている。なお、予測システム４０は、ＧＰＵ及びメモリーを備えた、１つ又は複数のコンピュータ（パーソナルコンピュータ等）によって構成されている。

モデル記憶部４３は、メモリーにより構成されている。データ受付部４１とグラフ作成部４２と予測部４４と表示部４６とは、コンピュータのＧＰＵが予測モデル（ＣＮＮ）を含む倒産予測プログラムを実行及び解釈することによって実現される機能ブロックである。グラフ作成部４２は、機械学習装置１０のグラフ作成部１４と同じ処理を行う。

データ受付部４１は、倒産予測プログラムの実行中に、ユーザが予測モデルに入力した予測対象企業の財務数値データ１３を受け付ける部分である。例えばプログラムの起動画面においてユーザが予測対象企業の財務数値データ１３に対し入力操作を行うと、データ受付部４１は、財務数値データ１３を受け付ける。そして、グラフ作成部４２は、データ受付部４１によって受け付けられた財務数値データ１３を取得し、企業財務グラフの画像データ２０を作成する。

予測部４４は、グラフ作成部４２によって作成された企業財務グラフの画像データ２０を取得すると共に、モデル記憶部４３から予測モデル（ネットワーク構造及び各パラメータ）を読み出す。そして、予測部４４は、企業財務グラフの画像データ２０を予測モデルに入力して予測モデルの演算を行う。これにより、予測モデルの出力層３０から、予測対象企業が存続するか倒産するかを表す予測結果（数値）が出力される。

［４．予測システムの動作］
図７を参照しながら、コンピュータにより構成される予測システム４０の動作について説明する。なお、予測システム４０は、インターネット又は記録媒体を介して、予測対象企業の財務数値データ１３を取得してメモリーに格納している。

予測システム４０では、倒産予測プログラムを実行することによって倒産予測方法を構成する情報処理が開始される。倒産予測プログラムの実行により、まず倒産予測プログラムの起動画面が立ち上がる。そして、ユーザの操作によって予測対象企業の財務数値データ１３が予測モデルへの入力データとして選択されると、ステップＳ７１において、データ受付部４１が、予測対象企業の財務数値データ１３を受け付ける。

次に、ステップＳ７２（グラフ作成ステップ）において、グラフ作成部４２は、ステップ７１において取得された財務数値データ１３から企業財務グラフの画像データ２０を作成する。クラブ作成部４２は、財務数値データ１３の中に実績数値が欠損している財務項目が含まれている場合は、その財務項目に数値データを入れずに、企業財務グラフの画像データ２０を作成する。

次に、ステップＳ７３（予測ステップ）において、予測部４４は、ステップＳ７２において作成された企業財務グラフの画像データ２０を取得すると共に、モデル記憶部４３から予測モデル（ネットワーク構造及び各パラメータ）を読み出す。そして、予測部４４は、企業財務グラフの画像データ２０を予測モデルに入力して予測モデルの演算を行う。これにより、予測モデルの出力層３０から、予測結果を表す数値が出力される。表示部４６は、その数値を「倒産」又は「存続」の文字データに変換し、コンピュータの画面上に表示させる。以上により、図７に示すフローチャートの処理は終了する。

ここで、機械学習装置１０により実際に作成された予測モデル（以下、「作成モデル」という。）の予測精度について、本願発明者による評価方法及び評価結果を説明する。評価には、多数の企業の財務数値データ１３と共に、各財務数値データ１３に対応する企業が実際に存続しているか又は倒産しているかを表す実情報とを用いた。評価は、作成モデルに対し各企業の財務数値データ１３を入力して演算を行い、実情報（存続又は倒産）に対する作成モデルの出力の正答率を算出することにより行った。なお、財務数値データ１３には欠損値が含まれていた。

なお、グラフ作成部１４によって作成された画像データ２０のサイズは、横方向のピクセル数Ｘが６８０ピクセル、縦方向のピクセル数Ｙが２８０ピクセルであった。また、画像データ２０における縦軸の数値範囲については、３通りの下限値（−１０％、−２０％、−３０％）と、３通りの上限値（８０％、９０％、１００％）とを組み合わせた９通りを選択した。表１は、作成モデルについて各数値範囲の正答率（予測結果）を表している。表１に示すように、低くても約７０％の正答率が得られ、−３０％〜８０％の数値範囲を選択した時には約９５％の正答率が得られた。

［５．実施形態の効果など］
本実施形態では、財務数値データ１３が表現された企業財務グラフの画像データ２０を学習用データとして用いて機械学習を行うことで、企業の財務数値データ１３に欠損値が含まれる場合であっても、少ない手間で十分な予測精度の倒産予測を実現することができる。また、財務数値データ１３の実績数値を正規化しなくても、十分な予測精度の倒産予測を実現することができる。なお、財務数値データ１３の実績数値を正規化した数値データから、企業財務グラフの画像データ２０を作成することも可能である。

また、本実施形態では、予測モデルへの入力データとして、財務数値データ１３が可視化された画像データ２０が用いられる。そのため、ニューラルネットワークにおけるブラックボックスの問題が生じにくく、予測結果に影響を与える財務項目を把握しやすくなる。

また、本実施形態では、企業財務グラフの縦軸の数値範囲について、各財務項目が収まる数値範囲から、上限側と下限側を省略した企業財務グラフの画像データ２０を作成している。これにより、倒産予測への影響が高い領域を中心に機械学習又は倒産予測が行われるため、予測精度を向上させることができる。なお、企業財務グラフの縦軸の数値範囲は、上限側と下限側のうち上限側だけを省略してもよいし、下限側だけを省略してもよい。

また、本実施形態では、横軸上において隣り合う財務項目の棒グラフＢが隙間なく並ぶ企業財務グラフの画像データ２０を作成している。そのため、無駄な画素が減少し、予測精度を向上させることができる。

また、本実施形態では、縦軸と横軸の両方の記載を省略した企業財務グラフの画像データ２０を作成している。そのため、倒産予測に関係がない軸の情報がニューラルネットワークへの入力データに含まれないため、予測精度を向上させることができる。なお、企業財務グラフは、縦軸と横軸のうち縦軸だけを省略してもよいし、横軸だけを省略してもよい。

［６．その他の変形例］
上記実施形態では、各企業について単年度分の財務数値データ１３を使用したが、複数年度分の財務数値データを使用してもよい。この場合、例えば、図８に示すように、企業財務グラフの画像データ２０は、各年度の財務数値データ１３から作成した企業財務グラフを横軸に沿って連続的に並べた画像データ３１とすることができる。また、各財務項目を棒グラフＢで表現せずに、図９に示すように、各財務項目について複数年分（倒産の５年前から１年前までの５年分）の実績数値の時系列変化を折れ線グラフＬによって表した画像データ３２を作成してもよい。欠損値がある財務項目については、欠損値の年度で折れ線グラフＬが切れており、その年度とその前後の年度とを結ぶ線は表示されない。なお、図９に示す画像データ２０は、各折れ線グラフＬをグレースケールで表現しているが、各折れ線グラフＬをカラーで表現してもよい。

また、上記実施形態では、財務数値データ１３の中に欠損値が含まれている場合、欠損値処理を行わずに企業財務グラフの画像データ２０を作成したが、欠損値処理を行った後に企業財務グラフの画像データ２０を作成してもよい。

また、上記実施形態では、全ての財務項目についてパーセント表示される財務項目を用いたが、パーセント表示されない財務項目（例えば、売上高、営業利益）を用いてもよい。

また、上記実施形態において、機械学習に用いる倒産企業の財務数値データ１３について、例えば倒産した年度の１つ前の年度のデータだけを用いているが、このようなデータに限定されず、例えば倒産した年度の２つ前の年度のデータが混在していてもよい。

また、上記実施形態において、機械学習装置１０によって、予測対象企業が成長するか否かを予測する予測モデルを作成してもよく、予測システム４０は、予測対象企業が成長するか否かを予測結果として出力してもよい。この場合、学習用データとしては、例えば、財務数値データ１３の対象期間後に株価が上昇した成長企業と、それ以外の企業とに分類して学習用ラベルを付けて機械学習を行ってもよい。また、財務数値データ１３の対象期間後に売上高と経常増益率の両方が上昇した企業を成長企業とすることもでき、経常増益率の代わりに、経常利益、営業利益、又は粗利益などを用いることもできる。

また、上記実施形態において、マルチラベルに対応可能なニューラルネットワークを予測モデル（例えば、出力層３０に複数のユニットが設けられたニューラルネットワーク）に用いてもよい。この場合、学習用データとしては、例えば、倒産企業と、成長企業（例えば、株価が所定レベル以上に上昇した企業）と、これら以外の企業とに分類して学習用ラベルを付けて機械学習を行ってもよい。

また、上記実施形態において、倒産した年度の１つ前の年度（ｎ年度）の財務数値データ１３だけを用いて機械学習した第１予測モデルと、倒産した年度の２つ前の年度（ｎ−１年度）の財務数値データ１３だけを用いて機械学習した第２予測モデルとを生成してもよい。この場合、第１予測モデルと第２予測モデルとの各々に対し予測対象企業の財務数値データ１３を入力することで、１年後に倒産するか否か又は２年後に倒産するか否かを予測することができる。

また、上記実施形態において、予測モデルは、予測対象企業の倒産確率（又は成長確率）を算出するように構成されていてもよい。この場合、例えば、多層ニューラルネットワーク構造１９の後段に、出力層３０の出力値に基づいて予測対象企業の倒産確率を算出する確率算出部を設ける。例えば、出力層３０の出力値がゼロの場合に「１００％倒産」と予測され、出力値が１の場合に「１００％存続」と予測される場合に、ゼロと出力値との差に基づいて倒産確率を算出する。

本発明は、企業の将来予測を行うための機械学習装置等に適用可能である。

１０ 機械学習装置
１２ データ記憶部
１４ グラフ作成部
１６ 機械学習部
４０ 予測システム
４１ データ受付部
４２ グラフ作成部
４３ モデル記憶部
４４ 予測部

Claims (8)

1. 複数の財務項目の実績数値により構成された企業の財務数値データから、前記財務数値データが表現されたグラフの画像データを作成するグラフ作成部と、
   複数の企業の各々について、前記グラフ作成部により作成された前記画像データと、前記財務数値データの対象期間後における企業の財務状況の変化に対応した学習用ラベルとが対応付けられた学習用データを取得し、前記複数の企業についての前記学習用データを用いた機械学習によって、予測対象企業の財務状況の変化に関する予測結果を出力する予測モデルを作成又は更新する機械学習部とを備えた、機械学習装置。
2. 予測対象企業について、複数の財務項目の実績数値により構成された財務数値データから、前記財務数値データが表現されたグラフの画像データを作成するグラフ作成部と、
   画像データを分類可能な計算モデルを用いた予測モデルに対し、前記グラフ作成部により作成された前記画像データを入力して演算を行い、前記予測対象企業の財務状況の変化に関する予測結果を出力する予測部とを備えた、予測システム。
3. 前記グラフ作成部は、前記複数の財務項目が収まる数値範囲から、上限側又は下限側の少なくとも一方を省略して狭めた数値範囲で、前記グラフの画像データを作成する、請求項２に記載の予測システム。
4. 前記グラフ作成部は、前記複数の財務項目の各々について前記実績数値を棒グラフで表した前記グラフの画像データを作成する、請求項２又は３に記載の予測システム。
5. 前記グラフ作成部は、前記財務数値データの中に前記実績数値が欠損している財務項目が含まれている場合、前記欠損が残った財務数値データから、前記グラフの画像データを作成する、請求項２乃至４の何れか１つに記載の予測システム。
6. 前記財務数値データにおける各財務項目には、前記実績数値がパーセント表示される項目が用いられ、
   前記グラフ作成部は、前記各財務項目についてパーセント表示の実績数値が表された前記グラフの画像データを作成する、請求項２乃至５の何れか１つに記載の予測システム。
7. 前記予測モデルは、前記予測対象企業の倒産リスクを予測するモデルである、請求項２乃至６の何れか１つに記載の予測システム。
8. コンピュータに、
   予測対象企業について、複数の財務項目の実績数値により構成された財務数値データから、前記財務数値データが表現されたグラフの画像データを作成するグラフ作成ステップと、
   画像データを分類可能な計算モデルを用いた予測モデルに対し、前記グラフ作成部により作成された前記画像データを入力して演算を行い、前記予測対象企業の財務状況の変化に関する予測結果を出力する予測ステップとを実行させるためのプログラム。

Images