JP2021140202A - 不動産融資条件提案プログラム - Google Patents
不動産融資条件提案プログラム Download PDFInfo
- Publication number
- JP2021140202A JP2021140202A JP2020034533A JP2020034533A JP2021140202A JP 2021140202 A JP2021140202 A JP 2021140202A JP 2020034533 A JP2020034533 A JP 2020034533A JP 2020034533 A JP2020034533 A JP 2020034533A JP 2021140202 A JP2021140202 A JP 2021140202A
- Authority
- JP
- Japan
- Prior art keywords
- information
- real estate
- acquired
- loan
- financial information
- 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
- 238000013473 artificial intelligence Methods 0.000 description 30
- 238000013528 artificial neural network Methods 0.000 description 19
- 238000004458 analytical method Methods 0.000 description 13
- 238000000034 method Methods 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007596 consolidation process Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000012364 cultivation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- -1 futures Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000010970 precious metal Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
【課題】不動産の購入予定者に対する融資条件を提案する。【解決手段】不動産の購入予定者に対する融資条件を提案する不動産融資条件提案プログラムにおいて、新たに融資条件を提案する購入予定者の最近の財務情報と、当該財務情報を取得した時期における市況情報とを取得する情報取得ステップと、予め取得した過去の不動産の購入予定者の参照用財務情報と、当該財務情報を取得した時期における参照用市況情報とを有する組み合わせと、当該購入予定者に対して提案された融資条件との3段階以上の連関度を利用し、上記情報取得ステップにおいて取得した財務情報に応じた参照用財務情報と取得した市況情報に応じた参照用市況情報とを有する組み合わせと、上記融資条件との3段階以上の連関度に基づき、融資条件を提案する提案ステップとをコンピュータに実行させる。【選択図】図10
Description
本発明は、不動産の購入予定者に対する融資条件を提案する不動産融資条件提案プログラムに関する。
不動産の購入予定者に対して金融機関が融資を行う際には、銀行員が購入予定者の信用度を判定する。この信用度の判定は、その融資先の過去の決算書や業績等、様々な情報を勘案した上で行うことになる。しかしながら、判定しなければならない融資先の数が多い場合等には判定作業が遅れてしまう場合もあり、また判定作業の労力の負担を軽減する必要もあった。一方、この融資判定は、一企業にとって融資を受けられるか否かが死活問題になる場合もあることから、高い判定精度が求められる。従来において、このような融資判定を自動的かつ高精度に行ってくれるシステムは提案されていないのが現状であった。
そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、不動産の購入予定者に対する融資条件を提案する不動産融資条件提案プログラムにおいて、その融資先の信用度や融資条件等を自動的かつ高精度に判定することが可能な不動産融資条件提案プログラムを提供することにある。
上述した課題を解決するために、本発明に係る不動産融資条件提案プログラムは、不動産の購入予定者に対する融資条件を提案する不動産融資条件提案プログラムにおいて、新たに融資条件を提案する購入予定者の最近の財務情報と、当該財務情報を取得した時期における市況情報とを取得する情報取得ステップと、予め取得した過去の不動産の購入予定者の参照用財務情報と、当該財務情報を取得した時期における参照用市況情報とを有する組み合わせと、当該購入予定者に対して提案された融資条件との3段階以上の連関度を利用し、上記情報取得ステップにおいて取得した財務情報に応じた参照用財務情報と取得した市況情報に応じた参照用市況情報とを有する組み合わせと、上記融資条件との3段階以上の連関度に基づき、融資条件を提案する提案ステップとをコンピュータに実行させることを特徴とする。
特段のスキルや経験が無くても、不動産の購入予定者に対して金融機関が融資を行うか否かを判別する上で、その融資先の信用度や融資条件等を自動的かつ高精度に判定することが可能となる。
以下、本発明を適用した不動産融資条件提案プログラムについて、図面を参照しながら詳細に説明をする。
第1実施形態
図1は、本発明を適用した不動産融資条件提案プログラムが実装される不動産融資条件提案システム1の全体構成を示すブロック図である。不動産融資条件提案システム1は、情報取得部9と、情報取得部9に接続された探索装置2と、探索装置2に接続されたデータベース3とを備えている。
図1は、本発明を適用した不動産融資条件提案プログラムが実装される不動産融資条件提案システム1の全体構成を示すブロック図である。不動産融資条件提案システム1は、情報取得部9と、情報取得部9に接続された探索装置2と、探索装置2に接続されたデータベース3とを備えている。
情報取得部9は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部9は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部9は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部9は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部9は、後述する探索装置2と一体化されていてもよい。情報取得部9は、検知した情報を探索装置2へと出力する。また情報取得部9は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部9は、温度センサ、湿度センサ、流量センサ、その他物質や物性を特定することが可能なセンサも含む。情報取得部9は、インターネット上のサイトに掲載されている文字列やデータを自動的に取り込んでくる手段で構成されていてもよい。
データベース3は、不動産融資条件提案を行う上で必要な様々な情報が蓄積される。株不動産融資条件提案を行う上で必要な情報としては、予め取得した過去の不動産の購入予定者の参照用財務情報、参照用財務情報を取得した購入予定者が購入予定の不動産に関する参照用不動産情報、参照用財務情報を取得した購入予定者の属性に関する参照用属性情報、参照用財務情報を取得した時期における参照用外部環境情報と、過去において購入予定者に対して提案された融資条件や、当該購入予定者に対して判断された融資の可否判断とのデータセットが記憶されている。
つまり、データベース3には、このような参照用財務情報に加え、参照用不動産情報、参照用属性情報、参照用外部環境情報の何れか1以上と、過去において判定された融資条件や、融資の可否判断とが互いに紐づけられて記憶されている。
探索装置2は、例えば、パーソナルコンピュータ(PC)等を始めとした電子機器で構成されているが、PC以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この探索装置2による探索解を得ることができる。
図2は、探索装置2の具体的な構成例を示している。この探索装置2は、探索装置2全体を制御するための制御部24と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部25と、有線通信又は無線通信を行うための通信部26と、各種判断を行う推定部27と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部28とが内部バス21にそれぞれ接続されている。さらに、この内部バス21には、実際に情報を表示するモニタとしての表示部23が接続されている。
制御部24は、内部バス21を介して制御信号を送信することにより、探索装置2内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部24は、操作部25を介した操作に応じて各種制御用の指令を内部バス21を介して伝達する。
操作部25は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部25は、上記実行命令がユーザから入力された場合には、これを制御部24に通知する。この通知を受けた制御部24は、推定部27を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部25は、前述した情報取得部9として具現化されるものであってもよい。
推定部27は、探索解を推定する。この推定部27は、推定動作を実行するに当たり、必要な情報として記憶部28に記憶されている各種情報や、データベース3に記憶されている各種情報を読み出す。この推定部27は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。
表示部23は、制御部24による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部23は、例えば、液晶ディスプレイ(LCD)等によって実現される。
記憶部28は、ハードディスクで構成される場合において、制御部24による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部28には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部24により読み出されて実行されることになる。
上述した構成からなる不動産融資条件提案システム1における動作について説明をする。
不動産融資条件提案システム1では、例えば図3に示すように、参照用財務情報と、参照用不動産情報との組み合わせが形成されていることが前提となる。参照用財務情報とは、過去の不動産の購入予定者の財務状態を示すあらゆる情報が含まれる。不動産購入予定者は、個人、法人の何れも含まれる。参照用財務情報の例としては、自営業者の確定申告書に記述された情報、法人の財務情報に記述された情報、個人の源泉徴収票(年収)に記述された情報、現状の資産を示す情報、保有する不動産に関する情報、保有する不動産に住み続けている年数等である。これに加えて、現状保有している現金の額、金融資産の額、債権の種類などもこの参照用財務情報に含めてもよい。これらの参照用財務情報としては、担保物件の状況や他の借り入れ状況等も含まれる。参照用財務情報は、例えば、源泉徴収票、給与明細書、確定申告書、住民税決定通知書、課税証明書等の記載を画像解析、必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。また財務情報は、不動産購入予定者の実際の財務状態をベースとした実際の借入希望金額で表されるものであってもよい。
参照用不動産情報は、購入予定の不動産の将来性、収益性、立地、周囲の環境、築年数、空室リスク、家賃下落リスク等である。この参照用不動産情報は、購入予定の不動産の価格や当該価格に対する借入希望金額も含むようにしてもよい。また、参照用不動産情報は、空室リスクや家賃下落リスク等を数値化したもので構成されていてもよい。
参照用不動産情報における将来性、収益性は、投資用不動産融資であれば、物件の資産価値・担保評価、収益性、賃貸中のオーナーチェンジ物件であればその管理状況を示すものであってもよい。
参照用不動産情報は、不動産関連の書類(売買契約書(工事請求契約書など)、重要事項説明書 、登記事項証明書(登記簿謄本)、明細地図、建築確認通知書、土地公図、土地の図面、分譲案内のパンフレットや価格表、土地使用承諾書(借地の場合)、土地賃貸借契約書(借地の場合)等から抽出することができる。これらの不動産関連の書類の記載を画像解析、必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。
入力データとしては、このような参照用財務情報と、参照用不動産情報が並んでいる。このような入力データとしての、参照用財務情報に対して、参照用不動産情報が組み合わさったものが、図3に示す中間ノード61である。各中間ノード61は、更に出力に連結している。この出力においては、金融融資条件A〜Eが表示されている。この金融融資条件は、それぞれ金融融資するあらゆる条件を示すものであり、最大貸出可能金額、利息、返済年数、担保の条件等が含まれる。また、この最大貸出可能金額については、あくまで借入希望金額との関係において出力されるものであってもよい。
参照用財務情報と、参照用不動産情報との各組み合わせ(中間ノード)は、この出力解としての、融資条件に対して3段階以上の連関度を通じて互いに連関しあっている。参照用財務情報と、参照用不動産情報がこの連関度を介して左側に配列し、融資条件A、B、C、D、E、・・・が連関度を介して右側に配列している。連関度は、左側に配列された参照用財務情報と、参照用不動産情報に対して、何れの融資条件と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用財務情報と、参照用不動産情報が、いかなる融資条件に紐付けられる可能性が高いかを示す指標であり、各参照用財務情報と、参照用不動産情報から、融資先としての不動産の購入予定者にとって最も相応しい融資条件を選択する上での的確性を示すものである。図3の例では、連関度としてw13〜w22が示されている。このw13〜w22は以下の表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としての融資条件と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としての融資条件と互いに関連度合いが低いことを示している。
探索装置2は、このような図3に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で参照用財務情報と参照用不動産情報、並びにその場合の融資条件の何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図3に示す連関度を作り上げておく。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用財務情報P01で、参照用不動産情報P16である場合に、その融資条件を過去のデータから分析する。Aの事例が多い場合には、このAにつながる連関度をより高く設定し、B」の事例が多く、Aの事例が少ない場合には、Bにつながる連関度を高くし、Aにつながる連関度を低く設定する。例えば中間ノード61aの例では、融資条件AとBの出力にリンクしているが、以前の事例から融資条件Aにつながるw13の連関度を7点に、融資条件Bにつながるw14の連関度を2点に設定している。
また、この図3に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
図3に示す連関度の例で、ノード61bは、参照用財務情報P01に対して、参照用不動産情報P14の組み合わせのノードであり、融資条件Cの連関度がw15、融資条件Eの連関度がw16となっている。ノード61cは、参照用財務情報P02に対して、参照用不動産情報P15、P17の組み合わせのノードであり、融資条件Bの連関度がw17、融資条件Dの連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから融資条件提案のための探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、新たに融資条件の提案を行う個人又は法人から最近の財務情報に加え、購入予定の不動産に関する不動産情報を取得する。融資条件の提案を行う個人又は法人は、これから不動産の購入を予定している者であるが、既に不動産を購入し、その残額の支払いをしようとする法人や個人もこれに含まれる。このような財務情報に加え、購入予定者が購入予定の不動産情報の取得方法は、上述した参照用財務情報、参照用不動産情報と同様である。
このようにして新たに取得した財務情報、不動産情報に基づいて、最適な融資条件を探索する。かかる場合には、予め取得した図3(表1)に示す連関度を参照する。例えば、新たに取得した財務情報がP02と同一かこれに類似するものである場合であって、不動産情報がP17と同一かこれに類似する場合には、連関度を介してノード61dが関連付けられており、このノード61dは、融資条件Cがw19、融資条件Dが連関度w20で関連付けられている。かかる場合には、連関度の最も高い融資条件Cを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる融資条件Dを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
また、入力から伸びている連関度w1〜w12の例を以下の表2に示す。
この入力から伸びている連関度w1〜w12に基づいて中間ノード61が選択されていてもよい。つまり連関度w1〜w12が大きいほど、中間ノード61の選択における重みづけを重くしてもよい。しかし、この連関度w1〜w12は何れも同じ値としてもよく、中間ノード61の選択における重みづけは何れも全て同一とされていてもよい。
なお、上述した連関度を介した判断を行う上では、参照用不動産情報として、参照用財務情報を取得した購入予定者が購入予定の不動産の将来性、収益性、立地、周囲の環境、築年数、空室リスク、家賃下落リスクの何れか1以上を指標化したもの含めてもよい。かかる場合には、取得する不動産情報についても同様に、新たな購入予定者が購入予定の不動産の将来性、収益性、立地、周囲の環境、築年数、空室リスク、家賃下落リスクの何れか1以上を指標化したもの含めてもよい。このとき、参照用不動産情報と、不動産情報との間で、指標化する種類を互いに共通化させておくことが望ましい。
上述した連関度を介した判断を行う上では、参照用不動産情報として、参照用財務情報を取得した購入予定者が購入予定の不動産の価格を含むものであってもよい。かかる場合には、取得する不動産情報についても同様に購入予定の不動産の価格を含むことになる。
図4は、上述した参照用財務情報と、参照用不動産情報との組み合わせと、当該組み合わせに対する融資の可否判断との3段階以上の連関度が設定されている例を示している。この図4の連関度は、図3に示す連関度の出力解に対応する金融融資条件を、融資の可否判断に置換したものであり、他の構成は何れも図3と同様である。
ここでいう融資の可否判断は、不動産の購入予定者に対して融資をすることが可能か、不可能か、或いは条件付きで可能であればその条件を規定するものである。
このような図4に示す連関度を予め取得した上で、先ず新たに融資条件を提案する購入予定者の最近の財務情報と、当該購入予定者が購入予定の不動産に関する不動産情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した不動産情報に応じた参照用不動産情報とを有する組み合わせと、上記融資の可否判断との3段階以上の連関度に基づき、融資の可否を判断する。
図5は、上述した参照用財務情報と、参照用属性情報との組み合わせと、当該組み合わせに対する融資条件との3段階以上の連関度が設定されている例を示している。
参照用属性情報とは、参照用財務情報を取得した購入予定者のあらゆる属性を含む情報であり、例えば、現在の職業、職種、勤務先、勤務先の事業内容、勤続年数を含む。また参照用属性情報は、参照用財務情報を取得した購入予定者の年齢や健康状態も含む。この参照用属性情報は、過去に債務整理や自己破産歴があるか、また携帯電話やクレジットローンの延滞歴があるか等の情報も含まれる。
図5の例では、入力データとして例えば参照用財務情報P01〜P03、参照用属性情報P18〜21であるものとする。このような入力データとしての、参照用財務情報に対して、参照用属性情報が組み合わさったものが、図5に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、信用度が表示されている。
参照用財務情報と参照用属性情報との各組み合わせ(中間ノード)は、この出力解としての、融資条件に対して3段階以上の連関度を通じて互いに連関しあっている。参照用財務情報と参照用属性情報がこの連関度を介して左側に配列し、融資条件が連関度を介して右側に配列している。連関度は、左側に配列された参照用財務情報と参照用属性情報に対して、融資条件と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用財務情報と参照属性情報が、いかなる融資条件に紐付けられる可能性が高いかを示す指標であり、参照用財務情報と参照用属性情報から最も確からしい各融資条件を選択する上での的確性を示すものである。財務情報に加え、実際の融資先の属性がいかなる状態にあるのかに応じて、資金回収の可能性は変化する。このため、これらの参照用財務情報と参照用属性情報の組み合わせで、最適な信用度を探索していくこととなる。
図5の例では、連関度としてw13〜w22が示されている。このw13〜w22は表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。
探索装置2は、このような図5に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用財務情報と参照用属性情報、並びにその場合の融資条件が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図5に示す連関度を作り上げておく。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用財務情報P01で、参照用属性情報P20である場合に、その信用度を過去のデータから分析する。例えば中間ノード61aの例では、融資条件AとBの出力にリンクしているが、以前の事例から融資条件Aにつながるw13の連関度を7点に、融資条件Bにつながるw14の連関度を2点に設定している。
また、この図5に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
図5に示す連関度の例で、ノード61bは、参照用財務情報P01に対して、参照用属性情報P18の組み合わせのノードであり、融資条件Cの連関度がw15、融資条件Eの連関度がw16となっている。ノード61cは、参照用財務情報P02に対して、参照用属性情報P19、P21の組み合わせのノードであり、融資条件Bの連関度がw17、融資条件Dの連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した財務情報に加え、新たに融資条件を判定する融資先に関する属性情報を取得する。属性情報は、参照用属性情報に対応したものである。
このような参照用属性情報、属性情報の取り込み方法は、上述した属性情報が記述されている書類の記載を画像解析、必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。
このようにして新たに取得した財務情報、属性情報に基づいて、信用度を探索する。かかる場合には、予め取得した図5(表1)に示す連関度を参照する。例えば、新たに取得した財務情報がP02と同一かこれに類似するものである場合であって、属性情報がP21である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、融資条件Cがw19、融資条件Dが連関度w20で関連付けられている。かかる場合には、連関度の最も高い融資条件Cを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる融資条件Dを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
なお、参照用属性情報、属性情報は、購入予定者の過去の債務整理歴、過去の自己破産歴、携帯電話の通信料の納付延滞歴、クレジットローンの延滞歴の何れか1以上を指標化したものを利用してもよい。このとき、参照用属性情報と、属性情報との間で、指標化する種類を互いに共通化させておくことが望ましい。これらの指標は、例えば納付延滞歴の回数が多いほど、また延滞期間が長いほどマイナスになるようにし、逆にこれらの延滞歴がない場合にはプラスになるように設定してもよい。
なお、参照用属性情報、属性情報は、購入予定者の年齢及び健康状態を指標化してもよい。健康状態は、例えば購入予定者が実際に医療機関において受診した健康診断の結果や人間ドックの結果において、A〜Eの5段階で評価されており、Aになるほど良好であり、Eになるほど要注意、或いは実際に病気や欠陥が発見された場合であるとしたとき、このAの割合や数、C以下、D以下、或いはEの各割合や数等で指標化されていてもよい。年齢の指標化は高いほどマイナスになり、若いほどプラスになるように指標化されていてもよい。
図6は、上述した参照用財務情報と、参照用属性情報との組み合わせと、当該組み合わせに対する融資の可否判断との3段階以上の連関度が設定されている例を示している。この図6の連関度は、図5に示す連関度の出力解に対応する金融融資条件を、融資の可否判断に置換したものであり、他の構成は何れも図5と同様である。
このような図6に示す連関度を予め取得した上で、先ず新たに融資の可否を判断する購入予定者の最近の財務情報と、当該購入予定者の属性情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した属性情報に応じた参照用属性情報とを有する組み合わせと、上記融資の可否判断との3段階以上の連関度に基づき、融資の可否を判断する。
図7は、上述した参照用財務情報と、参照用属性情報との組み合わせと、当該組み合わせに対する融資先の信用度との3段階以上の連関度が設定されている例を示している。この図7の連関度は、図5に示す連関度の出力解に対応する金融融資条件を、融資先の信用度に置換したものであり、他の構成は何れも図5と同様である。
融資先の信用度は、「正常」、「要注意」、「破綻可能性有」、「実質破綻」、「破綻」等とランク付けするようにしてもよいし、百分率で表示し、100%が最も信用度が高く、0%が最も信用度が低いものとしてもよい。この信用度は、参照用財務情報等との間でのデータセットとして事前に収集される。この信用度は例えば以前金融機関において判断を行った記録などがあればそれをそのまま用いるようにしてもよい。また同一又は類似の参照用決算情報で、融資が認められた件数と、融資が下りなかった件数とから信用度を算出するようにしてもよい。ちなみに、この信用度は、参照用財務情報を提供した企業に対して付されたものである。このため、過去の審査において、参照用財務情報を提供してもらった企業と、その企業に対して付された信用度を取得することで、これらのデータセットを取得することができる。このような事例を数多く集めておく。
このような図7に示す連関度を予め取得した上で、先ず新たに信用度を判断する購入予定者の最近の財務情報と、当該購入予定者の属性情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した属性情報に応じた参照用属性情報とを有する組み合わせと、上記融資の可否判断との3段階以上の連関度に基づき、信用度を判断する。
図8は、上述した参照用財務情報と、参照用外部環境情報との組み合わせと、当該組み合わせに対する融資条件との3段階以上の連関度が設定されている例を示している。
参照用外部環境情報とは、外部環境情報に関する様々な情報である。ここでいう外部環境情報は、経済データ(GDP、雇用統計、鉱工業生産指数、設備投資、労働力調査等)、家計データ(家計消費状況調査、家計データ、1週間の平均就業時間、貯蓄額の統計データ、年収の統計データ等)、不動産データ(オフィス空室率、坪単価、賃料相場、地価、空き家データ等)、自然環境データ(災害データ、気温データ、降水量データ、風向きデータ、湿度データ等)に代表されるものである。外部環境情報は、これらのデータの一部、全部が反映されるもの以外に、その審査対象の企業の外部のあらゆる情報が含まれる。参照用外部環境情報は、外部環境自体を類型化しておくようにしてもよい。
図8の例では、入力データとして例えば参照用財務情報P01〜P03、参照用外部環境情報P18〜21であるものとする。このような入力データとしての、参照用財務情報に対して、参照用外部環境情報が組み合わさったものが、図8に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、信用度が表示されている。
参照用財務情報と参照用外部環境情報との各組み合わせ(中間ノード)は、この出力解としての、融資条件に対して3段階以上の連関度を通じて互いに連関しあっている。参照用財務情報と参照用外部環境情報がこの連関度を介して左側に配列し、融資条件が連関度を介して右側に配列している。連関度は、左側に配列された参照用財務情報と参照用外部環境情報に対して、融資条件と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用財務情報と参照外部環境情報が、いかなる融資条件に紐付けられる可能性が高いかを示す指標であり、参照用財務情報と参照用外部環境情報から最も確からしい各融資条件を選択する上での的確性を示すものである。財務情報に加え、実際の融資先の属性がいかなる状態にあるのかに応じて、資金回収の可能性は変化する。このため、これらの参照用財務情報と参照用外部環境情報の組み合わせで、最適な信用度を探索していくこととなる。
図8の例では、連関度としてw13〜w22が示されている。このw13〜w22は表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。
探索装置2は、このような図8に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用財務情報と参照用外部環境情報、並びにその場合の融資条件が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図8に示す連関度を作り上げておく。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用財務情報P01で、参照用外部環境情報P20である場合に、その信用度を過去のデータから分析する。例えば中間ノード61aの例では、融資条件AとBの出力にリンクしているが、以前の事例から融資条件Aにつながるw13の連関度を7点に、融資条件Bにつながるw14の連関度を2点に設定している。
また、この図8に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
図8に示す連関度の例で、ノード61bは、参照用財務情報P01に対して、参照用外部環境情報P18の組み合わせのノードであり、融資条件Cの連関度がw15、融資条件Eの連関度がw16となっている。ノード61cは、参照用財務情報P02に対して、参照用外部環境情報P19、P21の組み合わせのノードであり、融資条件Bの連関度がw17、融資条件Dの連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した財務情報に加え、新たに融資条件を判定する融資先に関する外部環境情報を取得する。外部環境情報は、参照用外部環境情報に対応したものである。
このような参照用外部環境情報、外部環境情報の取り込み方法は、上述した外部環境情報が記述されている書類の記載を画像解析、必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。
このようにして新たに取得した財務情報、外部環境情報に基づいて、信用度を探索する。かかる場合には、予め取得した図8(表1)に示す連関度を参照する。例えば、新たに取得した財務情報がP02と同一かこれに類似するものである場合であって、外部環境情報がP21である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、融資条件Cがw19、融資条件Dが連関度w20で関連付けられている。かかる場合には、連関度の最も高い融資条件Cを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる融資条件Dを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
なお、この参照用財務情報と参照用外部環境情報との組み合わせで連関度を形成する場合も同様に、出力解として融資の可否判断を探索するようにしてもよい。かかる場合には、図6に示すように、参照用財務情報と、参照用属性情報の代替として参照用外部環境情報との組み合わせと、当該組み合わせに対する融資の可否判断との3段階以上の連関度が設定されている例を示している。
このような図6に示す連関度を予め取得した上で、先ず新たに融資の可否を判断する購入予定者の最近の財務情報と、外部環境情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した外部環境情報に応じた参照用外部環境情報とを有する組み合わせと、上記融資の可否判断との3段階以上の連関度に基づき、融資の可否を判断する。
なお、この参照用財務情報と参照用外部環境情報との組み合わせで連関度を形成する場合も同様に、出力解として融資先の信用度を探索するようにしてもよい。かかる場合には、図7に示すように、参照用財務情報と、参照用属性情報の代替として参照用外部環境情報との組み合わせと、当該組み合わせに対する融資先の信用度との3段階以上の連関度が設定されている例を示している。
このような図7に示す連関度を予め取得した上で、先ず新たに融資の可否を判断する購入予定者の最近の財務情報と、外部環境情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した外部環境情報に応じた参照用外部環境情報とを有する組み合わせと、上記融資先の信用度との3段階以上の連関度に基づき、融資先の信用度を判断する。
なお、本発明においては、入力パラメータとして、参照用財務情報に加えて、参照用不動産情報、参照用属性情報、参照用外部環境情報を2種類以上を組み合わせて上述した連関度を形成するようにしてもよい。
また、図9に示すように、参照用情報Uとして、参照用財務情報、参照用不動産情報、参照用属性情報、参照用外部環境情報等で構成し、参照用情報Vとして、参照用情報Uと組み合わせて連関度を構成する参照用財務情報、参照用不動産情報、参照用属性情報、参照用外部環境情報とし、これらの組み合わせの連関度に基づいて判別するようにしてもよい。出力解は、上述した各栽培方法に該当する。
このとき、参照用情報Uについて得られた出力をそのまま入力データとして、参照用情報Vとの組み合わせの中間ノード61を介して出力と関連付けられていてもよい。例えば、参照用情報Uについて、出力解を出した後、これをそのまま入力として、他の参照用情報Vとの間での連関度を利用し、出力を探索するようにしてもよい。
第2実施形態
以下、第2実施形態について説明をする。この第2実施形態を実行する上では、第1実施形態において使用する不動産融資条件提案システム1、情報取得部9、探索装置2、データベース3を同様に使用する。これらの各構成の説明は、第1実施形態の説明を引用することで以下での説明を省略する。
以下、第2実施形態について説明をする。この第2実施形態を実行する上では、第1実施形態において使用する不動産融資条件提案システム1、情報取得部9、探索装置2、データベース3を同様に使用する。これらの各構成の説明は、第1実施形態の説明を引用することで以下での説明を省略する。
第2実施形態では、例えば図10に示すように、参照用財務情報と、参照用市況情報との組み合わせと、当該組み合わせに対する融資の可否判断との3段階以上の連関度が設定されている例を示している。
ここでいう参照用市況情報とは、市況に関する様々な情報である。この参照用市況情報の例としては、金利、為替、各銘柄の株価、原油、先物、貴金属、ビットコイン等の値動きを対象としたものである。この参照用市況情報は、オフィス空室率、坪単価、賃料相場、地価、空き家に関する統計的データ等、不動産に関するあらゆる市況情報を含むものであってもよい。この参照用市況情報は、これらの対象について時系列的なチャートや折れ線グラフ等で表示されていてもよい。またボリンジャーバンド、出来高、MACD、移動平均線等の情報が付されていてもよい。また、この市況情報は、各銘柄のチャート、ボリンジャーバンド、MACD、移動平均線等の情報が付されていてもよい。為替についても各通貨間における値動きを示すチャート、ボリンジャーバンド、MACD、移動平均線等の情報が付されていてもよい。
また参照用市況情報は、一企業、またその企業を含む業界全体、或いは日本全体、世界全体までいかなる範囲をターゲットにしてもよい。この参照用市況情報の例としては、各銘柄の企業のファンダメンタルな指標が盛り込まれていてもよく、年間の売り上げや利益、コストに加えて、PER(株価収益率)、PBR(株価純資産倍率)、ROE(株主資本利益率)等の指標が盛り込まれていてもよい。為替についても各通貨間における値動きを示すチャート、ボリンジャーバンド、MACD、移動平均線等の情報が付されていてもよい。参照用市況情報は、市場将来性自体を類型化しておくようにしてもよい。例えば、株価の伸び率が年〇%以上あるか否かにより区切ることで分類するようにしてもよい。また、パターン(例えば、株価の伸び率が急激が、あるいは徐々に増加するか等のパターン)等により類型化されていてもよい。
参照用市況情報は、家計消費状況調査、家計データ、1週間の平均就業時間、貯蓄額の統計データ、年収の統計データ、家計に関する等に関する様々な統計情報を含む。また、参照用統計情報及び統計情報は、オフィス空室率、坪単価、賃料相場、地価、空き家に関する統計的データ等、不動産に関するあらゆる統計情報も含まれる。また参照用統計情報及び統計情報は、経済に関する統計情報としてのGDP、景気動向指数、消費支出、新車販売台数、消費者物価指数等のデータが含まれる。参照用統計情報及び統計情報は、家計、不動作、経済の何れかに関する統計的な情報を含むものである。
図10の例では、入力データとして例えば参照用財務情報P01〜P03、参照用市況情報P18〜21であるものとする。このような入力データとしての、参照用財務情報に対して、参照用市況情報が組み合わさったものが、図10に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、金融融資条件が表示されている。
参照用財務情報と参照用市況情報との各組み合わせ(中間ノード)は、この出力解としての、融資条件に対して3段階以上の連関度を通じて互いに連関しあっている。参照用財務情報と参照用市況情報がこの連関度を介して左側に配列し、融資条件が連関度を介して右側に配列している。連関度は、左側に配列された参照用財務情報と参照用市況情報に対して、融資条件と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用財務情報と参照市況情報が、いかなる融資条件に紐付けられる可能性が高いかを示す指標であり、参照用財務情報と参照用市況情報から最も確からしい各融資条件を選択する上での的確性を示すものである。財務情報に加え、実際の市況がいかなる状態にあるのかに応じて、資金回収の可能性は変化する。このため、これらの参照用財務情報と参照用市況情報の組み合わせで、最適な信用度を探索していくこととなる。
図10の例では、連関度としてw13〜w22が示されている。このw13〜w22は表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。
探索装置2は、このような図10に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用財務情報と参照用市況情報、並びにその場合の融資条件が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図10に示す連関度を作り上げておく。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用財務情報P01で、参照用市況情報P20である場合に、その信用度を過去のデータから分析する。例えば中間ノード61aの例では、融資条件AとBの出力にリンクしているが、以前の事例から融資条件Aにつながるw13の連関度を7点に、融資条件Bにつながるw14の連関度を2点に設定している。
また、この図10に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
図10に示す連関度の例で、ノード61bは、参照用財務情報P01に対して、参照用市況情報P18の組み合わせのノードであり、融資条件Cの連関度がw15、融資条件Eの連関度がw16となっている。ノード61cは、参照用財務情報P02に対して、参照用市況情報P19、P21の組み合わせのノードであり、融資条件Bの連関度がw17、融資条件Dの連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。
このような図10に示す連関度を予め取得した上で、先ず新たに融資条件を提案する購入予定者の最近の財務情報と、この財務情報を取得する時期における市況情報を取得する。
次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した市況情報に応じた参照用市況情報とを有する組み合わせと、融資条件との3段階以上の連関度に基づき、その融資先にとって最適な融資条件を探索する。
このような図10に示す連関度を予め取得した上で、先ず新たに融資条件を提案する購入予定者の最近の財務情報と、この財務情報を取得する時期における市況情報を取得する。
次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した市況情報に応じた参照用市況情報とを有する組み合わせと、融資条件との3段階以上の連関度に基づき、その融資先にとって最適な融資条件を探索する。
このようにして新たに取得した財務情報、市況情報に基づいて、融資条件を探索する。かかる場合には、予め取得した図10(表1)に示す連関度を参照する。例えば、新たに取得した財務情報がP02と同一かこれに類似するものである場合であって、市況情報がP21である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、融資条件Cがw19、融資条件Dが連関度w20で関連付けられている。かかる場合には、連関度の最も高い融資条件Cを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる融資条件Dを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくもので あれば、その他いかなる優先順位で選択されるものであってもよい。
図11は、上述した参照用財務情報と、当該参照用財務情報を取得した時期における参照用市況情報との組み合わせと、当該組み合わせに対する融資の可否判断との3段階以上の連関度が設定されている例を示している。この図11の連関度は、図10に示す連関度の出力解に対応する金融融資条件を、融資の可否判断に置換したものであり、他の構成は何れも図10と同様である。
このような図11に示す連関度を予め取得した上で、先ず新たに融資を検討する購入予定者の最近の財務情報と、当該財務情報を取得した時期における市況情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した市況情報に応じた参照用市況情報とを有する組み合わせと、上記融資の可否判断との3段階以上の連関度に基づき、融資の可否を判断する。
図12は、上述した参照用財務情報と、当該参照用財務情報を取得した時期における参照用市況情報との組み合わせと、当該組み合わせに対する信用度との3段階以上の連関度が設定されている例を示している。この図12の連関度は、図10に示す連関度の出力解に対応する金融融資条件を、信用度に置換したものであり、他の構成は何れも図10と同様である。
このような図12に示す連関度を予め取得した上で、先ず新たに融資を検討する購入予定者の最近の財務情報と、当該財務情報を取得した時期における市況情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した市況情報に応じた参照用市況情報とを有する組み合わせと、信用度との3段階以上の連関度に基づき、信用度を判断する。
13は、上述した参照用財務情報と、参照用イベント情報との組み合わせと、当該組み合わせに対する融資条件との3段階以上の連関度が設定されている例を示している。
参照用イベント情報とは、国内又は国外において発生した様々な社会的なニュース、出来事、事件、祝い事、慶事等に加え、各企業について起きたニュース、出来事、事件、祝い事、慶事等を含む概念である。この参照用イベント情報は、各企業や社会全体に関するブログ、アナリストレポート、有価証券報告書、広告、プレスリリース、ニュース記事等から取得することができる。これらの参照用イベント情報は、ニュース記事をテキストマイニングを通じて分析した文字列や係り受け等を介して抽出されるものであってもよい。参照用イベント情報とは、国内又は国外において発生した様々な株価に影響与える行事日程に関する情報も含まれる。この参照用イベント情報の例としては、例えば、金曜日等のように週末を持ち越したくない日や、年末年始やゴールデンウィーク等の長期休日前の最後の営業日等は株の売却数が増える傾向があるが、このような行事日程を含むものである。また、この参照用イベント情報としては、配当権利落ち日や、様々な記念日、株主優待がもらえる日等も含む。更にこの参照用イベント情報としては、オリンピックや国体、祭り、万博、ワールドカップのようなスポーツイベントの開催日等、予め行事として日程が決まっているあらゆるものを含むものである。この参照用イベント情報報は、年月日で表されるが、これに対してそれぞれの行事内容が紐付けられてなるものであってもよい。これらの参照用イベント情報は、ニュース記事をテキストマイニングを通じて分析した文字列や係り受け等を介して抽出されるものであってもよいし、ユーザ側、システム側において更新入力がなされるものであってもよい。
図13の例では、入力データとして例えば参照用財務情報P01〜P03、参照用イベント情報P18〜21であるものとする。このような入力データとしての、参照用財務情報に対して、参照用イベント情報が組み合わさったものが、図13に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、融資条件が表示されている。
参照用財務情報と参照用イベント情報との各組み合わせ(中間ノード)は、この出力解としての、融資条件に対して3段階以上の連関度を通じて互いに連関しあっている。参照用財務情報と参照用イベント情報がこの連関度を介して左側に配列し、融資条件が連関度を介して右側に配列している。連関度は、左側に配列された参照用財務情報と参照用イベント情報に対して、融資条件と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用財務情報と参照用イベント情報が、いかなる融資条件に紐付けられる可能性が高いかを示す指標であり、参照用財務情報と参照用イベント情報から最も確からしい各融資条件を選択する上での的確性を示すものである。財務情報に加え、実際の融資先の属性がいかなる状態にあるのかに応じて、資金回収の可能性は変化する。このため、これらの参照用財務情報と参照用イベント情報の組み合わせで、最適な信用度を探索していくこととなる。
図13の例では、連関度としてw13〜w22が示されている。このw13〜w22は表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。
探索装置2は、このような図13に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用財務情報と参照用イベント情報、並びにその場合の融資条件が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図13に示す連関度を作り上げておく。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用財務情報P01で、参照用イベント情報P20である場合に、その信用度を過去のデータから分析する。例えば中間ノード61aの例では、融資条件AとBの出力にリンクしているが、以前の事例から融資条件Aにつながるw13の連関度を7点に、融資条件Bにつながるw14の連関度を2点に設定している。
また、この図13に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
図13に示す連関度の例で、ノード61bは、参照用財務情報P01に対して、参照用イベント情報P18の組み合わせのノードであり、融資条件Cの連関度がw15、融資条件Eの連関度がw16となっている。ノード61cは、参照用財務情報P02に対して、参照用イベント情報P19、P21の組み合わせのノードであり、融資条件Bの連関度がw17、融資条件Dの連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した財務情報に加え、新たにその財務情報を取得した時期に発生したイベントに関するイベント情報を取得する。イベント情報は、参照用イベント情報に対応したものである。
このような参照用イベント情報、イベント情報の取り込み方法は、上述したイベント情報が記述されている書類の記載を画像解析、必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。
このようにして新たに取得した財務情報、イベント情報に基づいて、信用度を探索する。かかる場合には、予め取得した図13(表1)に示す連関度を参照する。例えば、新たに取得した財務情報がP02と同一かこれに類似するものである場合であって、イベント情報がP21である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、融資条件Cがw19、融資条件Dが連関度w20で関連付けられている。かかる場合には、連関度の最も高い融資条件Cを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる融資条件Dを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
図14は、上述した参照用財務情報と、当該参照用財務情報を取得した時期における参照用イベント情報との組み合わせと、当該組み合わせに対する融資の可否判断との3段階以上の連関度が設定されている例を示している。この図14の連関度は、図13に示す連関度の出力解に対応する金融融資条件を、融資の可否判断に置換したものであり、他の構成は何れも図13と同様である。
このような図14に示す連関度を予め取得した上で、先ず新たに融資を検討する購入予定者の最近の財務情報と、当該財務情報を取得した時期におけるイベント情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得したイベント情報に応じた参照用イベント情報とを有する組み合わせと、上記融資の可否判断との3段階以上の連関度に基づき、融資の可否を判断する。
図15は、上述した参照用財務情報と、当該参照用財務情報を取得した時期における参照用イベント情報との組み合わせと、当該組み合わせに対する融資先の信用度との3段階以上の連関度が設定されている例を示している。この図15の連関度は、図13に示す連関度の出力解に対応する金融融資条件を、融資先の信用度に置換したものであり、他の構成は何れも図13と同様である。
このような図15に示す連関度を予め取得した上で、先ず新たに融資を検討する購入予定者の最近の財務情報と、当該財務情報を取得した時期におけるイベント情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得したイベント情報に応じた参照用イベント情報とを有する組み合わせと、上融資先の信用度との3段階以上の連関度に基づき、融資先の信用度を判断する。
図16は、上述した参照用財務情報と、参照用専門家意見情報との組み合わせと、当該組み合わせに対する融資条件との3段階以上の連関度が設定されている例を示している。
参照用専門家意見情報とは、上述した参照用市況情報を構成する市況に関する情報やデータについて、専門家による見解が示されたあらゆる情報を意味し、アナリストレポートや新聞記事等に掲載されている株価の予想や株の増減の理由に関する専門家のコメント、見解等も含む。
図16の例では、入力データとして例えば参照用財務情報P01〜P03、参照用専門家意見情報P18〜21であるものとする。このような入力データとしての、参照用財務情報に対して、参照用専門家意見情報が組み合わさったものが、図16に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、融資条件が表示されている。
参照用財務情報と参照用専門家意見情報との各組み合わせ(中間ノード)は、この出力解としての、融資条件に対して3段階以上の連関度を通じて互いに連関しあっている。参照用財務情報と参照用専門家意見情報がこの連関度を介して左側に配列し、融資条件が連関度を介して右側に配列している。連関度は、左側に配列された参照用財務情報と参照用専門家意見情報に対して、融資条件と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用財務情報と参照用専門家意見情報が、いかなる融資条件に紐付けられる可能性が高いかを示す指標であり、参照用財務情報と参照用専門家意見情報から最も確からしい各融資条件を選択する上での的確性を示すものである。財務情報に加え、実際の融資先の属性がいかなる状態にあるのかに応じて、資金回収の可能性は変化する。このため、これらの参照用財務情報と参照用専門家意見情報の組み合わせで、最適な信用度を探索していくこととなる。
図16の例では、連関度としてw13〜w22が示されている。このw13〜w22は表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。
探索装置2は、このような図16に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用財務情報と参照用専門家意見情報、並びにその場合の融資条件が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図16に示す連関度を作り上げておく。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用財務情報P01で、参照用専門家意見情報P20である場合に、その信用度を過去のデータから分析する。例えば中間ノード61aの例では、融資条件AとBの出力にリンクしているが、以前の事例から融資条件Aにつながるw13の連関度を7点に、融資条件Bにつながるw14の連関度を2点に設定している。
また、この図16に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
図16に示す連関度の例で、ノード61bは、参照用財務情報P01に対して、参照用専門家意見情報P18の組み合わせのノードであり、融資条件Cの連関度がw15、融資条件Eの連関度がw16となっている。ノード61cは、参照用財務情報P02に対して、参照用専門家意見情報P19、P21の組み合わせのノードであり、融資条件Bの連関度がw17、融資条件Dの連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した財務情報に加え、新たにその財務情報を取得した時期の市況に関する専門家意見情報を取得する。専門家意見情報は、参照用専門家意見情報に対応したものである。
このようにして新たに取得した財務情報、専門家意見情報に基づいて、信用度を探索する。かかる場合には、予め取得した図16(表1)に示す連関度を参照する。例えば、新たに取得した財務情報がP02と同一かこれに類似するものである場合であって、専門家意見情報がP21である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、融資条件Cがw19、融資条件Dが連関度w20で関連付けられている。かかる場合には、連関度の最も高い融資条件Cを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる融資条件Dを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
図17は、上述した参照用財務情報と、当該参照用財務情報を取得した時期における市況に関する参照用専門家意見情報との組み合わせと、当該組み合わせに対する融資の可否判断との3段階以上の連関度が設定されている例を示している。この図17の連関度は、図16に示す連関度の出力解に対応する金融融資条件を、融資の可否判断に置換したものであり、他の構成は何れも図16と同様である。
このような図17に示す連関度を予め取得した上で、先ず新たに融資を検討する購入予定者の最近の財務情報と、当該財務情報を取得した時期における市況における専門家意見情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した専門家意見情報に応じた参照用専門家意見情報とを有する組み合わせと、上記融資の可否判断との3段階以上の連関度に基づき、融資の可否を判断する。
図18は、上述した参照用財務情報と、当該参照用財務情報を取得した時期における市況に関する参照用専門家意見情報とを有する組み合わせと、当該組み合わせに対する融資先の信用度との3段階以上の連関度が設定されている例を示している。この図18の連関度は、図16に示す連関度の出力解に対応する金融融資条件を、融資先の信用度に置換したものであり、他の構成は何れも図16と同様である。
このような図18に示す連関度を予め取得した上で、先ず新たに融資を検討する購入予定者の最近の財務情報と、当該財務情報を取得した時期における市況に関する参照用専門家意見情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と、取得した専門家意見情報に応じた参照用専門家意見情報とを有する組み合わせと、上融資先の信用度との3段階以上の連関度に基づき、融資先の信用度を判断する。
なお、第2実施形態においても、同様に入力パラメータとして、参照用財務情報に加えて、参照用市況情報、参照用イベント情報、参照用専門家意見情報を2種類以上を組み合わせて上述した連関度を形成するようにしてもよい。
また第2実施形態においては、上述した連関度について、第1実施形態における参照用不動産情報、参照用属性情報、参照用外部環境情報の何れか1以上がその組み合わせに含まれていてもよい。かかる場合には、探索解を出すときに、その組み合わせに含まれている不動産情報、属性情報、外部環境情報を新たに取得することになる。
また、本発明においては、過去の不動産の購入予定者が購入予定の不動産に関する参照用不動産情報を上述した連関度に含めないようにしつつ、これを参照するようにしてもよい。かかる場合には、この参照用不動産情報の内容に応じて、上述した出力解の内容を修正してもよく、また連関度の重み付けを変化させるようにしてもよい。例えば融資条件のレベルを参照用不動産情報の内容に応じてどのように変化させるかを予め設定しておく。
その後、不動産情報が入力された場合に、これに対応する参照用不動産情報を介して、上述した参照を行い、出力解の内容を修正してもよく、また連関度の重み付けを変化させる。
上述した連関度においては、10段階評価で連関度を表現しているが、これに限定されるものではなく、3段階以上の連関度で表現されていればよく、逆に3段階以上であれば100段階でも1000段階でも構わない。一方、この連関度は、2段階、つまり互いに連関しているか否か、1又は0の何れかで表現されるものは含まれない。
上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に融資を検討している企業の信用度の探索を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能(ニューラルネットワーク等)で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。
なお、上述した入力データ、及び出力データは、学習させる過程で完全に同一のものが存在しない場合も多々あることから、これらの入力データと出力データを類型別に分類した情報であってもよい。つまり、入力データを構成する情報P01、P02、・・・・P15、16、・・・は、その情報の内容に応じて予めシステム側又はユーザ側において分類した基準で分類し、その分類した入力データと出力データとの間でデータセットを作り、学習させるようにしてもよい。
また、本発明によれば、3段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した10段階以外に、例えば0〜100%までの数値で記述することができるが、これに限定されるものではなく3段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。
このような3段階以上の数値で表される連関度に基づいてより信用度に関する信憑性が高く、誤認の低い信用度を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。
これに加えて、本発明によれば、連関度が1%のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。
更に本発明によれば、このような3段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が1%のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。
更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また市況情報に加え、イベント情報、外部環境情報、家計情報、不動産情報、専門家意見情報、自然環境情報に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。
つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。
また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。
また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。
1 不動産融資条件提案システム
2 探索装置
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 推定部
28 記憶部
61 ノード
2 探索装置
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 推定部
28 記憶部
61 ノード
Claims (10)
- 不動産の購入予定者に対する融資条件を提案する不動産融資条件提案プログラムにおいて、
新たに融資条件を提案する購入予定者の最近の財務情報と、当該財務情報を取得した時期における市況情報とを取得する情報取得ステップと、
予め取得した過去の不動産の購入予定者の参照用財務情報と、当該財務情報を取得した時期における参照用市況情報とを有する組み合わせと、当該購入予定者に対して提案された融資条件との3段階以上の連関度を利用し、上記情報取得ステップにおいて取得した財務情報に応じた参照用財務情報と取得した市況情報に応じた参照用市況情報とを有する組み合わせと、上記融資条件との3段階以上の連関度に基づき、融資条件を提案する提案ステップとをコンピュータに実行させること
を特徴とする不動産融資条件提案プログラム。 - 上記情報取得ステップでは、当該購入予定者が購入予定の不動産に関する不動産情報を更に取得し、
上記提案ステップでは、上記連関度を利用すると共に、過去の不動産の購入予定者が購入予定の不動産に関する参照用不動産情報を参照し、上記情報取得ステップにおいて取得した不動産情報に基づき、融資条件を提案すること
を特徴とする請求項1記載の不動産融資条件提案プログラム。 - 不動産の購入予定者に対する融資の可否を判断する不動産融資可否判断プログラムにおいて、
新たに融資条件を提案する購入予定者の最近の財務情報と、当該財務情報を取得した時期における市況情報とを取得する情報取得ステップと、
予め取得した過去の不動産の購入予定者の参照用財務情報と、当該財務情報を取得した時期における参照用市況情報とを有する組み合わせと、当該購入予定者に対して判断された融資の可否判断との3段階以上の連関度を利用し、上記情報取得ステップにおいて取得した財務情報に応じた参照用財務情報と取得した市況情報に応じた参照用市況情報とを有する組み合わせと、上記融資の可否判断との3段階以上の連関度に基づき、融資の可否を判断する判断ステップとをコンピュータに実行させること
を特徴とする不動産融資可否判断プログラム。 - 不動産の購入予定者に対する融資を行う上で信用度を判定する不動産融資先信用度判断プログラムにおいて、
新たに融資条件を提案する購入予定者の最近の財務情報と、当該財務情報を取得した時期における市況情報とを取得する情報取得ステップと、
予め取得した過去の不動産の購入予定者の参照用財務情報と、当該財務情報を取得した時期における参照用市況情報とを有する組み合わせと、当該購入予定者に対して判断された信用度との3段階以上の連関度を利用し、上記情報取得ステップにおいて取得した財務情報に応じた参照用財務情報と取得した市況情報に応じた参照用市況情報とを有する組み合わせと、上記信用度との3段階以上の連関度に基づき、信用度を判断する判断ステップとをコンピュータに実行させること
を特徴とする不動産融資先信用度判断プログラム。 - 不動産の購入予定者に対する融資条件を提案する不動産融資条件提案プログラムにおいて、
新たに融資条件を提案する購入予定者の最近の財務情報と、当該財務情報を取得した時期に発生したイベント情報とを取得する情報取得ステップと、
予め取得した過去の不動産の購入予定者の参照用財務情報と、当該財務情報を取得した時期に発生した参照用イベント情報とを有する組み合わせと、当該購入予定者に対して提案された融資条件との3段階以上の連関度を利用し、上記情報取得ステップにおいて取得した財務情報に応じた参照用財務情報と取得したイベント情報に応じた参照用イベント情報とを有する組み合わせと、上記融資条件との3段階以上の連関度に基づき、融資条件を提案する提案ステップとをコンピュータに実行させること
を特徴とする不動産融資条件提案プログラム。 - 不動産の購入予定者に対する融資の可否を判断する不動産融資可否判断プログラムにおいて、
新たに融資条件を提案する購入予定者の最近の財務情報と、当該財務情報を取得した時期に発生したイベント情報とを取得する情報取得ステップと、
予め取得した過去の不動産の購入予定者の参照用財務情報と、当該財務情報を取得した時期に発生した参照用イベント情報とを有する組み合わせと、当該購入予定者に対して判断された融資の可否判断との3段階以上の連関度を利用し、上記情報取得ステップにおいて取得した財務情報に応じた参照用財務情報と取得したイベント情報に応じた参照用イベント情報とを有する組み合わせと、上記融資の可否判断との3段階以上の連関度に基づき、融資の可否を判断する判断ステップとをコンピュータに実行させること
を特徴とする不動産融資可否判断プログラム。 - 不動産の購入予定者に対する融資を行う上で信用度を判定する不動産融資先信用度判断プログラムにおいて、
新たに融資条件を提案する購入予定者の最近の財務情報と、当該財務情報を取得した時期に発生したイベント情報とを取得する情報取得ステップと、
予め取得した過去の不動産の購入予定者の参照用財務情報と、当該財務情報を取得した時期に発生した参照用イベント情報とを有する組み合わせと、当該購入予定者に対して判断された信用度との3段階以上の連関度を利用し、上記情報取得ステップにおいて取得した財務情報に応じた参照用財務情報と取得したイベント情報に応じた参照用イベント情報とを有する組み合わせと、上記信用度との3段階以上の連関度に基づき、信用度を判断する判断ステップとをコンピュータに実行させること
を特徴とする不動産融資先信用度判断プログラム。 - 不動産の購入予定者に対する融資条件を提案する不動産融資条件提案プログラムにおいて、
新たに融資条件を提案する購入予定者の最近の財務情報と、当該財務情報を取得した時期に発表された専門家の意見が反映された専門家意見情報とを取得する情報取得ステップと、
予め取得した過去の不動産の購入予定者の参照用財務情報と、当該財務情報を取得した時期に発表された専門家の意見が反映された参照用専門家意見情報とを有する組み合わせと、当該購入予定者に対して提案された融資条件との3段階以上の連関度を利用し、上記情報取得ステップにおいて取得した財務情報に応じた参照用財務情報と取得した専門家意見情報に応じた参照用専門家意見情報とを有する組み合わせと、上記融資条件との3段階以上の連関度に基づき、融資条件を提案する提案ステップとをコンピュータに実行させること
を特徴とする不動産融資条件提案プログラム。 - 不動産の購入予定者に対する融資の可否を判断する不動産融資可否判断プログラムにおいて、
新たに融資条件を提案する購入予定者の最近の財務情報と、当該財務情報を取得した時期に発表された専門家の意見が反映された専門家意見情報とを取得する情報取得ステップと、
予め取得した過去の不動産の購入予定者の参照用財務情報と、当該財務情報を取得した時期に発表された専門家の意見が反映された参照用専門家意見情報とを有する組み合わせと、当該購入予定者に対して判断された融資の可否判断との3段階以上の連関度を利用し、上記情報取得ステップにおいて取得した財務情報に応じた参照用財務情報と取得した専門家意見情報に応じた参照用専門家意見情報とを有する組み合わせと、上記融資の可否判断との3段階以上の連関度に基づき、融資の可否を判断する判断ステップとをコンピュータに実行させること
を特徴とする不動産融資可否判断プログラム。 - 不動産の購入予定者に対する融資を行う上で信用度を判定する不動産融資先信用度判断プログラムにおいて、
新たに融資条件を提案する購入予定者の最近の財務情報と、当該財務情報を取得した時期に発表された専門家の意見が反映された専門家意見情報とを取得する情報取得ステップと、
予め取得した過去の不動産の購入予定者の参照用財務情報と、当該財務情報を取得した時期に発表された専門家の意見が反映された参照用専門家意見情報とを有する組み合わせと、当該購入予定者に対して判断された信用度との3段階以上の連関度を利用し、上記情報取得ステップにおいて取得した財務情報に応じた参照用財務情報と取得した専門家意見情報に応じた参照用専門家意見情報とを有する組み合わせと、上記信用度との3段階以上の連関度に基づき、信用度を判断する判断ステップとをコンピュータに実行させること
を特徴とする不動産融資先信用度判断プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020034533A JP2021140202A (ja) | 2020-02-29 | 2020-02-29 | 不動産融資条件提案プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020034533A JP2021140202A (ja) | 2020-02-29 | 2020-02-29 | 不動産融資条件提案プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021140202A true JP2021140202A (ja) | 2021-09-16 |
Family
ID=77669575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020034533A Pending JP2021140202A (ja) | 2020-02-29 | 2020-02-29 | 不動産融資条件提案プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021140202A (ja) |
-
2020
- 2020-02-29 JP JP2020034533A patent/JP2021140202A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021153548A1 (ja) | 先物取引情報表示プログラム | |
JP6955287B2 (ja) | 不正株取引検出プログラム | |
JP6912837B1 (ja) | 融資先信用度判定プログラム | |
JP2021144357A (ja) | 不動産ローン借り換え融資条件提案プログラム | |
WO2020226003A1 (ja) | 融資先信用度判定プログラム及びシステム | |
JP2021140212A (ja) | 不動産融資条件提案プログラム | |
JP2021140712A (ja) | 融資先信用度判定プログラム | |
JP2021144356A (ja) | 不正金融取引検知プログラム | |
JP2021163002A (ja) | 商品需要予測プログラム | |
JP2021140202A (ja) | 不動産融資条件提案プログラム | |
JP2021140800A (ja) | 不動産融資可否判断プログラム | |
JP7122768B2 (ja) | 物品購買タイミング提案プログラム | |
WO2020226004A1 (ja) | 株取引情報表示プログラム及びシステム | |
JP6955286B1 (ja) | 不正経費検出プログラム | |
WO2021153547A1 (ja) | 為替取引情報表示プログラム | |
WO2022065363A1 (ja) | 不正経費検出プログラム | |
JP2021144355A (ja) | 不正金融取引検知プログラム | |
JP2021140375A (ja) | 物品購買タイミング提案プログラム | |
JP2021140205A (ja) | 融資先信用度判定プログラム | |
JP2021140207A (ja) | 融資先信用度判定プログラム | |
JP2021140211A (ja) | 融資先信用度判定プログラム | |
JP2021140208A (ja) | 融資先信用度判定プログラム | |
JP2021140204A (ja) | 融資先信用度判定プログラム | |
JP2021140742A (ja) | 採用適格度判定プログラム | |
JP2021140209A (ja) | 融資先信用度判定プログラム |