JP2023506739A - 機械学習を用いたマージンコールの要因を検出するための方法及びシステム - Google Patents
機械学習を用いたマージンコールの要因を検出するための方法及びシステム Download PDFInfo
- Publication number
- JP2023506739A JP2023506739A JP2022535089A JP2022535089A JP2023506739A JP 2023506739 A JP2023506739 A JP 2023506739A JP 2022535089 A JP2022535089 A JP 2022535089A JP 2022535089 A JP2022535089 A JP 2022535089A JP 2023506739 A JP2023506739 A JP 2023506739A
- Authority
- JP
- Japan
- Prior art keywords
- feature
- margin call
- data
- securities
- processor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 212
- 238000010801 machine learning Methods 0.000 title claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 83
- 238000004891 communication Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000013480 data collection Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000012790 confirmation Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 241000251323 Matthiola oxyceras Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009420 retrofitting Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得するための方法が提供される。【解決手段】方法は、証券ポートフォリオに関係するデータを獲得することと、マージンコールのトリガーに関係するデータパターンと、マージンコールのトリガーに貢献する対応する特徴とを自動的に確定することと、データパターン及び特徴に基づいて、マージンコールモデルを自動的に生成することと、第1の証券ポートフォリオを、第1の証券ポートフォリオに対して第1のマージンコールをトリガーするかどうかに関係する情報を確定するために、マージンコールモデルを用いて評価することと、を含む。【選択図】図8
Description
本出願は、2019年12月10日に出願された米国仮特許出願第62/946、096号を基礎とする優先権を主張し、その開示のすべてをここに取り込む。
この技術は一般に、マージンコールの要因を検出するための方法及びシステムに関し、特に、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように、特定及び取得するための方法及びシステムに関する。
今日、投資家が維持証拠金内の信用取引状態にあることを確実にするために、多くの金融機関がマージンコールを利用している。歴史的には投資家へのマージンコールの決定は、投資リスクの軽減に対して変化する成功の程度に関して、事後的になされる。
マージンコールが投資家にとって必要かどうか判断するための、従来形式の分析を用いる欠点の1つは、多くの場合この分析はポートフォリオが任意の閾値を既に超えてしまってから、多数のシステム及び多数のデータ要素を用いて非効率に完了されるということである。更にこのプロセスは手作業であり、異なる領域にわたるデータが人間により解釈されるが故、その主観的な因子が存在するのである。結果として、マージンコールを発する金融機関は、リスクを非効率に緩和する、後事実情報のために多くのリソースを費やすのである。
そのため、投資家がいずれの不足も効率よく修正できるように、マージンコールへとつながった様々な因子に関係する情報を投資家に提供する、取引モデル化が必要とされている。更にまた、金融機関が不要なリスクエクスポージャーなしに不足を修正できるよう、マージンコールの見通しにおける情報を金融機関に提供する、取引モデル化が必要とされている。最終的には、人間の先入観が取り除かれた1つの一意的な解釈となるように、マージンコールの特徴量が、複数の領域及び場所にわたりどのように解釈されるかについて、マージンコールプロセスを標準化する必要がある。
本開示は特には、様々な態様、実施形態、及び/又は、特定の特徴若しくは副構成要素により、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得するための、様々なシステム、サーバ、装置、方法、媒体、プログラム、及びプラットフォームを提供する。
本開示の一つの態様によると、そのマージンコールプロセスに関わる全ての関連する特徴量を、その根本要因が自動的に特定できるように特定及び取得するための方法が提供される。前記方法は、少なくとも1つのプロセッサにより実装される。前記方法は、複数の証券ポートフォリオに関係する複数のデータを獲得することと、前記複数のデータを用いて、マージンコールのトリガーに関係する少なくとも1つのデータパターンと、前記マージンコールのトリガーに貢献する少なくとも1つの対応する特徴とを自動的に確定することと、前記少なくとも1つのデータパターン及び前記少なくとも1つの特徴に基づいて、少なくとも1つのマージンコールモデルを自動的に生成することと、第1の証券ポートフォリオを、前記第1の証券ポートフォリオに対して第1のマージンコールをトリガーするかどうかに関係する第1の情報を確定するために、前記少なくとも1つのマージンコールモデルを用いて評価することと、を含んでもよい。
例示的な実施形態によると、前記評価することは、前記少なくとも1つのプロセッサにより、前記少なくとも1つのデータパターンの第1のものと、前記第1の証券ポートフォリオに対する前記第1のマージンコールのトリガーに関係する前記少なくとも1つの対応する特徴の第1のものとを選択することと、前記少なくとも1つのプロセッサにより、ディスプレイを介して前記少なくとも1つのデータパターンの選択された前記第1のもの及び前記少なくとも1つの対応する特徴の選択された前記第1のものと一緒に、グラフィカルユーザインターフェースの前記第1の情報を表示することと、含んでもよい。
例示的な実施形態によると、前記少なくとも1つのマージンコールモデルは、前記複数のデータの機械学習分析を用いて自動的に生成されてもよい。
例示的な実施形態によると、前記少なくとも1つのマージンコールモデルは、データモデル、数学モデル、プロセスモデル、及び機械学習モデルの内、少なくとも1つを含んでもよい。
例示的な実施形態によると、前記方法は更に、第2の証券ポートフォリオを、前記第2の証券ポートフォリオに対して未来の第2のマージンコールをトリガーするかどうかに関係する第2の情報を確定するために、前記少なくとも1つのマージンコールモデルを用いて評価することと、ディスプレイを介してグラフィカルユーザインターフェースに前記第2の情報を表示することとを含んでもよい。
例示的な実施形態によると、前記グラフィカルユーザインターフェースは、前記第1の証券ポートフォリオに関係するモニタリング情報及び前記少なくとも1つの特徴に関係する分類情報の内、少なくとも1つを表示する少なくとも1つのダッシュボードを含んでもよい。
例示的な実施形態によると、前記少なくとも1つの特徴は、証券の増価特徴、証券の減価特徴、資産時価の相違特徴、証券時価の相違特徴、証券時価の買い特徴、エクスポージャーの相違特徴、現金時価の相違特徴、担保の相違特徴、現金時価の売り特徴、ヘアカットの相違特徴、証券時価の売り特徴、証券清算価格の買い特徴、現金時価の増価特徴、現金時価の減価特徴、質権時価のアウト特徴、質権時価の相違特徴、現金時価の買い特徴、デリバティブのエクスポージャーのデルタ特徴、デリバティブ当初証拠金のエクスポージャーのデルタ特徴、質権清算価格のイン特徴、経過利子の蓄積特徴、質権時価のイン特徴、質権時価の増価特徴、質権時価の減価特徴、デリバティブのネガティブな値洗い(mark-to-market)のデルタ特徴、及び無制限の質権の相違特徴の内、少なくとも1つを含んでもよい。
例示的な実施形態によると、前記方法は更に、グラフィカルユーザインターフェースを介して、少なくとも1人のユーザからフィードバック情報を受信することと、前記フィードバック情報に基づいて前記少なくとも1つのマージンコールモデルを更新することと、を含んでもよい。
例示的な実施形態によると、前記フィードバック情報は、第1の情報精度ランク、第2の情報精度ランク、及び特徴精度ランクの内、少なくとも1つを含む。
例示的な実施形態によると、前記方法は更に、前記複数のデータを解析することと、解析した前記複数のデータにおける、個人を特定できる情報を特定することと、特定された前記個人を特定できる情報を削除することにより前記複数のデータの匿名化を行うことと、を含んでもよい。
本開示の一つの態様によると、マージンコールプロセスに関わる全ての関連する特徴量を、その根本要因が自動的に特定できるように特定及び取得する方法の実行を実装するコンピューティングデバイスが開示される。前記コンピューティングデバイスは、プロセッサと、メモリと、前記プロセッサ及び前記メモリのそれぞれに接続された通信インターフェースとを含む。前記プロセッサは、複数の証券ポートフォリオに関係する複数のデータを獲得し、前記複数のデータを用いて、マージンコールのトリガーに関係する少なくとも1つのデータパターンと、前記マージンコールのトリガーに貢献する少なくとも1つの対応する特徴とを自動的に確定し、前記少なくとも1つのデータパターン及び前記少なくとも1つの特徴に基づいて、少なくとも1つのマージンコールモデルを自動的に生成し、第1の証券ポートフォリオを、前記第1の証券ポートフォリオに対して第1のマージンコールをトリガーするかどうかに関係する第1の情報を確定するために、前記少なくとも1つのマージンコールモデルを用いて評価するよう構成されてもよい。
例示的な実施形態によると、前記評価のために前記プロセッサは更に、前記少なくとも1つのデータパターンの第1のものと、前記第1の証券ポートフォリオに対する前記第1のマージンコールのトリガーに関係する前記少なくとも1つの対応する特徴の第1のものとを選択し、ディスプレイを介して、前記少なくとも1つのデータパターンの選択された前記第1のもの及び前記少なくとも1つの対応する特徴の選択された前記第1のものと一緒に、グラフィカルユーザインターフェースの前記第1の情報を表示するよう構成されてもよい。
例示的な実施形態によると、前記プロセッサは更に、前記複数のデータの機械学習分析を用いて、前記少なくとも1つのマージンコールモデルを自動的に生成するよう構成されてもよい。
例示的な実施形態によると、前記少なくとも1つのマージンコールモデルは、データモデル、数学モデル、プロセスモデル、及び機械学習モデルの内、少なくとも1つを含んでもよい。
例示的な実施形態によると、前記プロセッサは更に、第2の証券ポートフォリオを、前記第2の証券ポートフォリオに対して未来の第2のマージンコールをトリガーするかどうかに関係する第2の情報を確定するために、前記少なくとも1つのマージンコールモデルを用いて評価し、ディスプレイを介してグラフィカルユーザインターフェースに前記第2の情報を表示するよう構成されてよい。
例示的な実施形態によると、前記グラフィカルユーザインターフェースは、前記第1の証券ポートフォリオに関係するモニタリング情報及び前記少なくとも1つの特徴に関係する分類情報の内、少なくとも1つを表示する少なくとも1つのダッシュボードを含んでもよい。
例示的な実施形態によると、前記少なくとも1つの特徴は、証券の増価特徴、証券の減価特徴、資産時価の相違特徴、証券時価の相違特徴、証券時価の買い特徴、エクスポージャーの相違特徴、現金時価の相違特徴、担保の相違特徴、現金時価の売り特徴、ヘアカットの相違特徴、証券時価の売り特徴、証券清算価格の買い特徴、現金時価の増価特徴、現金時価の減価特徴、質権時価のアウト特徴、質権時価の相違特徴、現金時価の買い特徴、デリバティブのエクスポージャーのデルタ特徴、デリバティブ当初証拠金のエクスポージャーのデルタ特徴、質権清算価格のイン特徴、経過利子の蓄積特徴、質権時価のイン特徴、質権時価の増価特徴、質権時価の減価特徴、デリバティブのネガティブな値洗いのデルタ特徴、外国為替に起因する貸出額変動の動き特徴、プライベートエクイティコール又は将来価値で借方とされた経過利子の期日特徴、及び無制限の質権の相違特徴の内、少なくとも1つを含んでもよい。
例示的な実施形態によると、前記プロセッサは更に、グラフィカルユーザインターフェースを介して、少なくとも1人のユーザからフィードバック情報を受信し、前記フィードバック情報に基づいて前記少なくとも1つのマージンコールモデルを更新するよう構成されてもよい。
例示的な実施形態によると、前記フィードバック情報は、第1の情報精度ランク、第2の情報精度ランク、及び特徴精度ランクの内、少なくとも1つを含んでもよい。
例示的な実施形態によると、前記プロセッサは更に、前記複数のデータを解析し、解析した前記複数のデータにおける、個人を特定できる情報を特定し、特定された前記個人を特定できる情報を削除することにより前記複数のデータの匿名化を行うよう構成されてもよい。
本開示は、留意される複数の図面を参照し、本開示の好ましい実施形態の非限定的な例により詳細な説明において更に説明される。本開示において図面のいくつかでは、類似の符号は類似の要素を表す。
例示的なコンピュータシステムを示す。
ネットワーク環境の例示的な図を示す。
マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するための例示的なシステムを示す。
マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するための例示的なプロセスのフローチャートである。
例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能な、機械学習プロセスの図である。
例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法において特定された特徴の変数重要度を示すグラフィカルユーザインターフェースである。
例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能なグラフィカルユーザインターフェースを示すスクリーンショットである。
マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するための例示的なプロセスのフローチャートである。
マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するための例示的なプロセスのフローチャートである。
例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能な未分類チケットのグラフィカルユーザインターフェースを示すスクリーンショットである。
例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能な未分類チケットのダッシュボードのグラフィカルユーザインターフェースを示すスクリーンショットである。
例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能な分類確認のグラフィカルユーザインターフェースを示すスクリーンショットである。
例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能な分類されたチケットのグラフィカルユーザインターフェースを示すスクリーンショットである。
例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能な人工知能機能のグラフィカルユーザインターフェースを示すスクリーンショットである。
例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能なチケットの詳細のグラフィカルユーザインターフェースを示すスクリーンショットである。
例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能な分類されたチケットのダッシュボードのグラフィカルユーザインターフェースを示すスクリーンショットである。
例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能なモデル精度のグラフィカルユーザインターフェースを示すスクリーンショットである。
例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能な精度モニタリングのグラフィカルユーザインターフェースを示すスクリーンショットである。
例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能な特徴量の交互作用を示すショーモデル(show model)である。
例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能なユーザフィードバックフォームのグラフィカルユーザインターフェースを示すスクリーンショットである。
例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能なユーザフィードバックフォームにおけるユーザ入力に基づいて表示される拡張グラフィカルユーザインターフェースを示すスクリーンショットである。
本開示の実施形態及び/又は特定の特徴若しくは副構成要素は、様々な態様の1つ以上により、具体的に上記に記載され下記に言及されるような1つ以上の利点を明らかにすることが意図されている。
本例はまた、本明細書において例として記載及び図示されるような本技術の1つ以上の態様のための、命令が記憶される1つ以上の非一時的または非過渡的コンピュータ可読媒体として具現化されてもよい。いくつかの例における命令は、1つ以上のプロセッサにより実行されるときに、本明細書に記載及び図示される当該技術の例における方法を実装するのに必要なステップをプロセッサに実行させる、実行可能なコードを含む。
図1は、本明細書に記載の実施形態による、使用される例示的なシステムである。システム100は、全体が示されており、全体が示されているコンピュータシステム102を含んでもよい。
コンピュータシステム102は、単独で又は記載される他の装置と組み合わせて、本明細書に開示されるいずれか1つ以上の方法又はコンピュータベースの機能をコンピュータシステム102に行わせるために、実行可能な命令のセットを含んでもよい。コンピュータシステム102は、スタンドアロンデバイスとして動作してもよいし、又は他のシステム若しくは周辺機器に接続されてもよい。例えばコンピュータシステム102は、いずれか1つ以上のコンピュータ、サーバ、システム、通信ネットワーク、若しくはクラウド環境を含むか、又はこれに含まれてもよい。更にこの命令は、このようなクラウドベースコンピューティング環境で実行されてもよい。
ネットワークデプロイメントまたは、ネットワークにおける実装においてコンピュータシステム102は、サーバの能力の範囲で、又は、サーバ-クライアントユーザネットワーク環境のクライアントユーザコンピュータ、クラウドコンピューティング環境のクライアントユーザコンピュータ、若しくはピアツーピア(又は分散型)ネットワーク環境のピアコンピュータシステムとして動作してもよい。コンピュータシステム102又はその一部は、様々な装置として実装されるか、又はこれらに組み込まれてもよく、様々な装置とは例えば、パーソナルコンピュータ、タブレットコンピュータ、セット-トップボックス、パーソナルデジタルアシスタント、モバイル機器、パームトップコンピュータ、ラップトップコンピュータ、デスクトップコンピュータ、通信機器、ワイヤレススマートフォン、個人的な信頼できる機器、ウェアラブル機器、グローバルポジショニングサテライト(GPS)装置、ウェブ電化製品、又はマシンにより行われる動作を指定する命令のセットを(順次或いはその他の方法で)実行可能な他のいずれかのマシンである。更に、単一のコンピュータシステム102が示されているが、追加の実施形態が、個々又は一緒に命令を実行するか又は機能を果たす、システム又はサブシステムのいずれかのコレクションを含んでもよい。用語「システム」は、本開示全体にわたり、1つ以上のコンピュータ機能を果たす1セット又は複数セットの命令を個々に又はまとめて実行する、システム又はサブシステムのいずれかのコレクションを含むとみなされる。
図1に示すように、コンピュータシステム102は少なくとも1つのプロセッサ104を含んでもよい。プロセッサ104は、有形かつ非一時的である。本明細書で使用されるように用語「非一時的」は、状態の永遠に続く特徴としては解釈されず、一定期間続く状態の特徴と解釈される。用語「非一時的」は特には、いつでもどこでも一時的にのみ存在する、特定の搬送波もしくは信号、又は他の形の特徴のような一瞬の特徴は否定する。プロセッサ104は、製造物及び/又はマシン構成要素である。プロセッサ104は、本明細書に記載の様々な実施形態に記載されるような機能を果たすためにソフトウェア命令を実行するよう構成されている。プロセッサ104は汎用プロセッサ、又は特定用途向け集積回路(ASIC)の一部であってもよい。プロセッサ104はまた、マイクロプロセッサ、マイクロコンピュータ、プロセッサチップ、コントローラ、マイクロコントローラ、デジタル信号プロセッサ(DSP)、ステートマシン、又はプログラム可能論理回路であってもよい。プロセッサ104はまた、フィールドプログラマブルゲートアレイ(FPGA)等のプログラマブルゲートアレイ(PGA)を含む論理回路、又は、離散ゲート及び/若しくはトランジスタ論理を含む他のタイプの回路であってもよい。プロセッサ104は、中央処理装置(CPU)、グラフィックスプロセッシングユニット(GPU)、又はその両方であってもよい。加えて、本明細書に記載のプロセッサはいずれも、マルチプロセッサ、パラレルプロセッサ、又はその両方を含んでもよい。マルチプロセッサは、単一の装置又は複数の装置に含まれるか、接続していてもよい。
コンピュータシステム102はまた、コンピュータメモリ106を含んでもよい。コンピュータメモリ106は、スタティックメモリ、ダイナミックメモリ、又は通信状態にあるその両方を含んでもよい。本明細書に記載のメモリは、実行可能な命令だけでなくデータを記憶することもでき、命令が内部に記憶されている間、非一時的である、有形の記憶媒体である。再度、本明細書で使用されるように用語「非一時的」は、状態の永遠に続く特徴としては解釈されず、一定期間続く状態の特徴と解釈される。用語「非一時的」は特には、いつでもどこでも一時的にのみ存在する、特定の搬送波若しくは信号、又は他の形の特徴等の一瞬の特徴は否定する。メモリは、製造物の品及び/又はマシン構成要素である。本明細書に記載のメモリは、コンピュータによってデータ及び実行可能な命令が読み出されることができるコンピュータ可読媒体である。本明細書に記載のメモリは、ランダムアクセスメモリ(RAM)、読み出し専用メモリ(ROM)、フラッシュメモリ、電気的にプログラミング可能な読み出し専用メモリ(EPROM)、電気的に消去可能なEPROM(EEPROM)、レジスタ、ハードディスク、キャッシュ、リムーバブルディスク、テープ、コンパクトディスク読み出し専用メモリ(CD-ROM)、デジタル多用途ディスク(DVD)、フロッピーディスク、ブルーレイディスク、又は当該技術分野で既知の他の形式の記憶媒体であってもよい。メモリは、揮発性又は不揮発性、セキュア及び/又は暗号化、アンセキュア及び/又は非暗号化のものであってもよい。当然のことながら、コンピュータメモリ106は、メモリ又は単一の記憶装置のいずれの組み合わせを含んでもよい。
コンピュータシステム102は更に、ディスプレイ108を含んでもよく、ディスプレイ108は例えば、液晶ディスプレイ(LCD)、有機発光ダイオード(OLED)、フラットパネルディスプレイ、固体ディスプレイ、ブラウン管(CRT)、プラズマディスプレイ、又は、他のタイプのディスプレイであり、これらの例は当業者に周知である。
コンピュータシステム102はまた、少なくとも1つの入力装置110を含んでもよく、入力装置110は例えば、キーボード、接触感知式入力スクリーン若しくはパッド、音声入力、マウス、ワイヤレスキーパッドを有するリモートコントロールデバイス、音声認識エンジンに接続されたマイクロフォン、ビデオカメラやスチルカメラ等のカメラ、カーソル制御装置、グローバルポジショニングシステム(GPS)装置、高度測量器、ジャイロスコープ、加速度計、近接センサ、又はこれらのいずれかの組み合わせ等である。当業者は、コンピュータシステム102の様々な実施形態が複数の入力装置110を含んでもよいと理解する。そのうえ、当業者は更に、上記リストアップした例示的な入力装置110は網羅的であることを意図しておらず、コンピュータシステム102はいずれの追加の、又は別の入力装置110を含んでもよい、と理解する。
コンピュータシステム102はまた、本明細書に記載のメモリのいずれかから、命令のいずれか1つ以上のセット、例えばソフトウェアを読み取るよう構成される媒体読み取り装置112を含んでもよい。命令がプロセッサにより実行されるとき、本明細書に記載の方法及びプロセスの1つ以上を実行するために使用されることが可能である。特定の実施形態において命令は、完全に、又は少なくとも部分的に、コンピュータシステム102による実行の間は、メモリ106、媒体読み取り装112、及び/又はプロセッサ110内にある。
更にコンピュータシステム102は、いずれの追加の装置、構成要素、部品、周辺機器、ハードウェア、ソフトウェア、又はこれらのいずれかの組み合わせを含んでもよく、上記は、これに限定されないが、ネットワークインターフェース114及び出力装置116等のコンピュータシステムと共に又はその中に含まれるとよく知られかつ理解されている。出力装置116は、これに限定されないが、スピーカ、音声出力、映像出力、リモート制御出力、プリンタ、又はこれらのいずれかの組み合わせであってもよい。
コンピュータシステム102の各構成要素は、バス118又は他の通信リンクを介して相互接続され通信してよい。図1に示すように、構成要素は内部バスを介してそれぞれ相互接続され通信してよい。しかし当業者は、いずれの構成要素も拡張バスを介して接続されてもよいと理解する。そのうえ、バス118は、いずれの標準の仕様、又はよく知られかつ理解される他の仕様を介して通信が可能であってもよく、この仕様とは、限定はされないが、周辺構成要素相互接続(PCI)、周辺構成要素相互接続(PCI)エクスプレス、パラレルアドバンスドテクノロジーアタッチメント、シリアルアドバンスドテクノロジーアタッチメント、他である。
コンピュータシステム102は、ネットワーク122を介して、1つ以上の追加のコンピュータデバイス120と通信してもよい。ネットワーク122は、ローカルエリアネットワーク(LAN)、広域ネットワーク(WAN)、インターネット、電話網、近距離ネットワーク、又は当該技術分野でよく知られかつ理解されるその他いずれかのネットワークであってもよい。近距離ネットワークは、例えば、ブルートゥース(登録商標)、ジグビー、赤外線、近距離無線通信、超広帯域無線、又はこれらのいずれかの組み合わせを含んでもよい。当業者は、既知かつ理解される追加のネットワーク122が追加で又はその代わりに使用されてもよいと、そして、例示的なネットワーク122は限定的又は網羅的ではないと理解する。またネットワーク122は、図1で無線ネットワークとして示されているが、当業者は、ネットワーク122は有線ネットワークであってもよいと理解する。
追加のコンピュータデバイス120は、パーソナルコンピュータとして図1に示されている。しかし当業者は、本願の別の実施形態では、コンピュータデバイス120は、ラップトップコンピュータ、タブレットPC、携帯情報端末(PDA)、モバイル機器、パームトップコンピュータ、デスクトップコンピュータ、通信機器、無線電話、個人的な信頼できる機器、ウェブ電化製品、サーバ、又は装置によって行われる操作を指定する命令のセットを順次或いはその他の方法で実行可能な他のいずれかの装置であってもよいと理解する。当然のことながら当業者は、上記リストアップした装置は単なる例示的な装置であって、装置120は、本願の範囲から逸脱することなく、当該技術分野でよく知られかつ理解されるいずれの追加的なデバイス又は装置であってもよいと理解する。例えばコンピュータデバイス120は、コンピュータシステム102と同一又は類似であってもよい。更に当業者は、このデバイスは、デバイスと装置のいずれの組み合わせであってもよいと理解する。
当然のことながら当業者は、コンピュータシステム102の上記リストアップした構成要素は単に例示的であることを意味しており、網羅的及び/又は包括的であることを意図していないと理解する。更にまた、上記リストアップした構成要素の例は例示的であり、同様に、網羅的及び/又は包括的であるとは意味しない。
本開示の様々な実施形態によると、本明細書に記載の方法は、ソフトウェアプログラムを実行するハードウェアコンピュータシステムを用いて実装されてもよい。更に、例示的な非限定的な実施形態において、実装は、分散処理、コンポーネント/オブジェクト分散処理、及び並列処理を含むことができる。仮想コンピュータシステム処理は、本明細書に記載の方法又は機能の1つ以上を実装するよう構築することができ、本明細書に記載のプロセッサは、仮想処理環境をサポートするよう用いられてもよい。
本明細書に記載のように、様々な実施形態により、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得するための最適化された方法及びシステムが提供される。
図2は、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するための例示的なネットワーク環境200の概略図である。例示的な実施形態において、この方法は、例えばパーソナルコンピュータ(PC)等の、いずれかのネットワークコンピュータプラットフォームにおいて実行可能である。
マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法は、マージンコールデータ収集及び分析(Margin Call Data Collection and Analysis:MCDCA)装置202によって実装されてもよい。MCDCA装置202は、図1に関して記載されるようなコンピュータシステム102と同一又は類似していてもよい。MCDCA装置202は、実行可能な命令を含むことができる、1つ以上のアプリケーションを格納してもよい。実行可能な命令は、MCDCA装置202により実行されるとき、MCDCA装置202に、例えば、ネットワークメッセージの送信、受信、或いはその他の処理を行わせ、そして、図を参照して以下に記載及び図示される他の動作を行わせる。この1つ又は複数のアプリケーションは、他のアプリケーションのモジュール又はコンポーネントとして実装されてもよい。更にこの1つ又は複数のアプリケーションは、オペレーティングシステムの拡張、モジュール、プラグイン等として実装されることができる。
更にこの1つ又は複数のアプリケーションは、クラウドベースコンピューティング環境で作動してもよい。この1つ又は複数のアプリケーションは、クラウドベースコンピューティング環境で管理され得る仮想マシン又は仮想サーバ内で、又は仮想マシン又は仮想サーバとして、実行されてもよい。また、この1つ又は複数のアプリケーション、及びMCDCA装置202自体さえ、1つ以上の特定の物理ネットワークコンピューティングデバイスに結び付けられるのではなく、クラウドベースコンピューティング環境で動作する1つ又は複数の仮想サーバに位置していてもよい。また、この1つ又は複数のアプリケーションは、MCDCA装置202で実行される1つ以上の仮想マシン(VM)で動作していてもよい。加えて本技術の1つ以上の実施形態において、MCDCA装置202で動作する1つ又は複数の仮想マシンは、ハイパーバイザにより、管理又は監視されてもよい。
図2のネットワーク環境200において、MCDCA装置202は、複数のデータベース206(1)-206(n)のホストとなる複数のサーバ装置204(1)-204(n)に、そしてまた、1つ又は複数の通信ネットワーク210を介して、複数のクライアント装置208(1)-208(n)に接続される。図1のコンピュータシステム102のネットワークインターフェース114等の、MCDCA装置202の通信インターフェースは、MCDCA装置202、サーバ装置204(1)-204(n)、及び/又はクライアント装置208(1)-208(n)間で動作可能なように接続しており通信する。MCDCA装置202、サーバ装置204(1)-204(n)、及び/又はクライアント装置208(1)-208(n)は、1つ又は複数の通信ネットワーク210によって全て接続されている。しかし、他の装置及び/又は要素に対して、他のタイプ及び/又は数の接続及び/又は構成を備えた他のタイプ及び/又は数の通信ネットワーク又はシステムが用いられてもよい。
MCDCA装置202、サーバ装置204(1)-204(n)、及び/又はクライアント装置208(1)-208(n)は、他のトポロジーを介して接続されてもよい。しかし、1つ又は複数の通信ネットワーク210は、図1に関して記載されるようなネットワーク112と同一又は類似していてもよい。加えて、ネットワーク環境200は、例えば当該技術で周知であるので本明細書で記載されない、1つ以上のルーター及び/又はスイッチ等の、他のネットワーク装置を含んでもよい。この技術は、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を効果的に実装する、方法、非一時的コンピュータ可読媒体、及びMCDCA装置を含んだ、多くの利点を提供する。
例としてのみ示すが、1つ又は複数の通信ネットワーク210は、1つ又は複数のローカルエリアネットワーク(LAN)又は広域ネットワーク(WAN)を含んでもよく、イーサネットを介したTCP/IP、及び業界標準のプロトコルを使用することができる。しかし、他のタイプ及び/又は数のプロトコル及び/又は通信ネットワークを用いてもよい。この例における1つ又は複数の通信ネットワーク210は、いずれの適切なインターフェース機構及びネットワーク通信技術を採用してもよく、例えば、いずれかの適切な形態(例えば、音声、モデム、等)の通信トラフィック、公衆交換電話網(Public Switched Telephone Network:PSTN)、イーサネットベースのパケットデータ網(Ethernet-based Packet Data Network:PDN)、それらの組み合わせ等を含む。
MCDCA装置202はスタンドアロンデバイスであってもよいし、又は1つ以上の他のデバイス又は装置と一体型であってもよい。1つ以上の他のデバイス又は装置とは、例えばサーバ装置204(1)-204(n)の1つ以上である。1つの具体的な例では、MCDCA装置202は、サーバ装置204(1)-204(n)の1つを含むか、又はこれらのサーバ装置がホストとなっていてもよく、他の構成もまた可能である。更にMCDCA装置202の装置の内1つ以上が、例えば1つ以上のパブリック、プライベート、又はクラウドネットワークを含む同一又は異なる通信ネットワークにあってもよい。
複数のサーバ装置204(1)-204(n)は、図1に関して記載されるようなコンピュータシステム102又はコンピュータデバイス120と同一又は類似であってもよく、図1に関して記載されるいずれの特徴又はその特徴の組み合わせを含む。例えば、サーバ装置204(1)-204(n)のいずれかは、幾つかある特徴の中で、1つ以上のプロセッサ、メモリ、及び通信インターフェースを含んでもよく、これらは、バス又は他の通信リンクで一緒に接続される。しかし、他の数及び/又はタイプのネットワーク装置が使用されてもよい。この例のサーバ装置204(1)-204(n)は例えば、HTTPベース及び/又はJavaScript Object Notation (JSON)プロトコルによる、1つ又は複数の通信ネットワーク210を介して、MCDCA装置202から受信したリクエストを処理してもよい。しかし、他のプロトコルが使用されてもよい。
サーバ装置204(1)-204(n)は、ハードウェア若しくはソフトウェアであってもよく、又は内部又は外部ネットワークを含み得るプールの、多数のサーバを備えたシステムを表していてもよい。サーバ装置204(1)-204(n)は、マージンコール、データパターン、特徴、及びマージンコールモデルに関係するデータを記憶するよう構成されるデータベース206(1)-206(n)のホストとなる。
サーバ装置204(1)-204(n)は単一の装置として示されているが、各サーバ装置204(1)-204(n)の1つ以上の動作は、サーバ装置204(1)-204(n)の1つ以上を一緒に備える1つ以上の別個のネットワークコンピューティングデバイスにわたり分散していてもよい。更にサーバ装置204(1)-204(n)は、特定の構成に限定されない。そのためサーバ装置204(1)-204(n)は、マスタ/スレーブアプローチを用いて動作する複数のネットワークコンピューティングデバイスを含んでもよく、これにより、サーバ装置204(1)-204(n)のネットワークコンピューティングデバイスの1つが他のネットワークコンピューティングデバイスの動作を管理、或いはこれと連動するように動作する。
サーバ装置204(1)-204(n)は例えば、クラスタアーキテクチャ、ピアツーピアアーキテクチャ、仮想マシン、又はクラウドアーキテクチャ内で、複数のネットワークコンピューティングデバイスとして動作してもよい。そのため、本明細書に開示される技術は、単一環境に限定されるように解釈されず、他の構成及びアーキテクチャも想定される。
複数のクライアント装置208(1)-208(n)は、図1に関して記載されるようなコンピュータシステム102又はコンピュータデバイス120と同一又は類似であってもよく、図1に関して記載されるいずれかの特徴又はその特徴の組み合わせを含む。例えばこの例のクライアント装置208(1)-208(n)は、1つ又は複数の通信ネットワーク210を介して、MCDCA装置202と対話することができるいずれかのタイプのコンピューティングデバイスを含んでもよい。したがって、クライアント装置208(1)-208(n)は例えば、チャット、電子メール、又は音声-テキストアプリケーションのホストとなる、モバイルコンピューティングデバイス、デスクトップコンピューティングデバイス、ラップトップコンピューティングデバイス、タブレットコンピューティングデバイス、仮想マシン(クラウドベースコンピュータを含む)等であってもよい。例示的な実施形態において、少なくとも1つのクライアント装置208は、無線移動通信機、例えばスマートフォンである。
クライアント装置208(1)-208(n)は、標準ウェブブラウザ又はスタンドアロンクライアントアプリケーション等のインターフェースアプリケーションを実行し、このインターフェースアプリケーションが、ユーザリクエスト及び情報を伝達するために、1つ又は複数の通信ネットワーク210を介してMCDCA装置202と通信するためのインターフェースを提供してもよい。クライアント装置208(1)-208(n)は更に、幾つかある特徴の中で、例えば、表示スクリーン又はタッチスクリーン等の表示装置及び/又はキーボード等の入力装置を含んでもよい。
MCDCA装置202、サーバ装置204(1)-204(n)、クライアント装置208(1)-208(n)、及び1つ又は複数の通信ネットワーク210を備えた例示的なネットワーク環境200が本明細書に記載及び図示されるが、他のトポロジーにおける他のタイプ及び/又は数のシステム、装置、構成要素、及び/又は要素が用いられてもよい。当業者により理解されるように、これらの例を実装するのに用いられる特定のハードウェア及びソフトウェアの多くの変形例が可能であるので、本明細書に記載の例におけるシステムは、例示的な目的のためにあると理解される。
例えばMCDCA装置202、サーバ装置204(1)-204(n)、又はクライアント装置208(1)-208(n)等の、ネットワーク環境200に描写されている装置の1つ以上は、同一の物理マシン上の仮想インスタンスとして動作するように構成されてもよい。つまりは、MCDCA装置202、サーバ装置204(1)-204(n)、又はクライアント装置208(1)-208(n)の1つ以上は、1つ又は複数の通信ネットワーク210を介して通信する別々の装置ではなく、同じ物理的な装置で動作してもよい。加えて、図2に示されるより多い又はより少ないMCDCA装置202、サーバ装置204(1)-204(n)、又はクライアント装置208(1)-208(n)があってもよい。
更に、2つ以上のコンピューティングシステム又は装置は、いずれかの例におけるシステム又は装置のいずれとも置き換え可能であってもよい。したがって、冗長性及び反復等の、分散型のプロセスの原理及び利点はまた、これら例における装置及びシステムのロバスト性及びパフォーマンスを増大させるために、所望するように実装されてもよい。これら例はまた、いずれかの適切なインターフェース機構及びトラフィック技術を用いていずれかの適切なネットワークにわたる1つ又は複数のコンピュータシステムに実装されてもよく、例としてのみ示すが、いずれかの適切な形態(例えば、音声及びモデム)の通信トラフィック、無線交通ネットワーク、セルラー交通ネットワーク、パケットデータネットワーク(PDN)、インターネット、イントラネット、及びそれらの組み合わせを含む。
MCDCA装置202は、マージンコールデータ収集及び分析(MCDCA)モジュール302を含むように図3に記載及び図示されている。しかし、例えば他のルール、ポリシー、モジュール、データベース、又はアプリケーションを含んでもよい。以下に記載されるように、MCDCAモジュール302は、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するように構成される。
図2のネットワーク環境を利用することにより、マージンコールプロセスに関わる全ての関連する特徴量を、その根本要因が自動的に特定できるように特定及び取得するためのメカニズムを実装するための例示的なプロセス300が、図3で実行されるように示されている。具体的には、第1のクライアント装置208(1)及び第2のクライアント装置208(2)は、MCDCA装置202と通信しているように示されている。この点に関して、第1のクライアント装置208(1)及び第2のクライアント装置208(2)は、MCDCA装置202の「クライアント」であってよく、そのように本明細書に記載される。それでもなお、第1のクライアント装置208(1)及び/又は第2のクライアント装置208(2)は、必ずしもMCDCA装置202の「クライアント」である必要はなく、又は本明細書に関連して記載されるいずれかの実体である必要はないと既知かつ理解される。いずれかの追加又は別の関係が、第1のクライアント装置208(1)及び第2のクライアント装置208(2)並びにMCDCA装置202のいずれか又は両方に存在してもよいし、関係が存在しなくてもよい。
更にMCDCA装置202は、マージンコールデータリポジトリ206(1)、並びに、データパターン、特徴、及びマージンコールモデルデータベース206(2)にアクセス可能であるように示されている。MCDCAモジュール302は、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するためのこれらデータベースにアクセスするよう構成されてもよい。
第1のクライアント装置208(1)は例えばスマートフォンであってもよい。当然のことながら第1のクライアント装置208(1)は、本明細書に記載のいずれかの追加装置であってもよい。第2のクライアント装置208(2)は例えばパーソナルコンピュータ(PC)であってもよい。当然のことながら第2のクライアント装置208(2)はまた、本明細書に記載のいずれかの追加装置であってもよい。
このプロセスは、上記のような複数のネットワークを備え得る、1つ又は複数の通信ネットワーク210を介して実行されてもよい。例えば例示的な実施形態において、第1のクライアント装置208(1)及び第2のクライアント装置208(2)のいずれか又は両方は、ブロードバンド又はセルラー通信を介して、MCDCA装置202と通信してもよい。当然のことながらこれらの実施形態は単なる例示であり、限定的又は網羅的ではない。
起動されると、MCDCAモジュール302は、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得するためのプロセスが実行される。マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得するための例示的なプロセス全体が図4のフローチャート400に示される。
図4のプロセス400においてステップS402では、複数の証券ポートフォリオに関連するデータが獲得されてもよい。例示的な実施形態においてこのデータは、複数の投資家の証券ポートフォリオに関係する情報を含んでもよい。また別の例示的な実施形態では、この複数の投資家には、関連のない機関及び/又は関連機関(すなわち、子会社)が含まれていてもよく、この複数の投資家にはまた、個人投資家及び/又は機関投資家(すなわち、ヘッジファンド)が含まれていてもよい。
また別の例示的な実施形態では、このデータは、複数の投資家に対応する個人の特定情報を削除するために解析及び匿名化されてもよい。また別の例示的な実施形態では証券ポートフォリオは、例えば、株、債券、商品、通貨、現金同等物、ミューチュアルファンド、上場投資信託、及びクローズドファンド等のいずれかの金融資産のグループを含んでもよい。定期預金、受領質権、及び保証等の、他のタイプの取引を行わない商品もまた、ポートフォリオの一部としてもよい。加えて証券ポートフォリオはまた、例えば、不動産、美術作品、及び民間投資等の非公開取扱証券を含んでもよい。
また別の例示的な実施形態では、データは、いずれの公的にアクセス可能なソース(例えば、取引所からの株式市場データ)及び個人的に保持されるソース(例えば、銀行からの口座データ)から取得されてもよい。また別の例示的な実施形態では、データは例えば、取引区分データ、株価データ、資産額データ、及び証券ポートフォリオ内の各金融資産に関係する債券利回りデータ等のいずれかの情報を含んでもよい。
また別の例示的な実施形態では、取引区分データは、例えば、成行注文、指値注文、逆指値注文(すなわち、損切り注文)、及び買いの指値注文等、いずれの売買注文であってもよい。また別の例示的な実施形態では、取引区分データは、例えば、投資家の証券ポートフォリオに関係する、連邦証拠金請求(federal margin call)、維持証拠金請求(maintenance margin call)、及び為替証拠金請求(exchange margin call)等の、金融機関による投資家に対するいずれかの要求であってもよい。当業者に理解されるように取引区分データは、証券ポートフォリオ内の各証券に関係する、いずれかの取引、及び対応する取引情報であってもよい。
ステップS404において、マージンコールのトリガーに関係するデータパターン及び、マージンコールのトリガーに貢献する対応する特徴が、このデータを用いて自動的に確定されてもよい。例示的な実施形態においてマージンコールは、獲得したデータの分析から導き出された一般化されたマージンコールシナリオを含んでもよい。また別の例示的な実施形態ではマージンコールは、マージンコールのための標準トリガーとして、組織が確立した所定のシナリオを含んでいてもよい。
また別の例示的な実施形態では、データパターン及び特徴を自動的に確定するためにデータを分析することは、事前に開発した分析モデルと、このデータとを比較することを含んでいてもよい。また別の例示的な実施形態では、データパターン及び特徴を自動的に確定するためにデータを分析することは、このデータに対して機械学習分析技術を利用することを含んでもよい。また別の例示的な実施形態では、機械学習分析技術は、例えば、回帰分析、決定木解析、ランダムフォレスト分析、k近傍法分析、ロジスティック回帰分析等の、教師付き学習アルゴリズムを含んでもよい。また別の例示的な実施形態では、機械学習分析技術は、例えば、演繹分析、K平均法分析等の、教師なし学習アルゴリズムを含んでもよい。また別の例示的な実施形態では、機械学習分析技術は、例えば、マルコフ決定プロセス等の強化学習アルゴリズムを含んでもよい。
また別の例示的な実施形態では、データパターンは、過去データパターン認識技術(すなわち、過去データにある既知のデータパターンとの比較)及び統計認識パターン技術(すなわち、データにおけるパターン及び規則性の認識に関係する機械学習及び人工知能)を用いて確定されてもよい。例えば、過去データパターン認識技術において第1のデータが受信され、このデータと、過去にマージンコールがトリガーされたと知られている証券ポートフォリオに対して事前に開発されたデータパターンとが比較されてもよい。あるいは、例えば統計認識パターン技術において過去のマージンコールのデータは、コンピューティングシステムにデータパターンを認識できるようにするアルゴリズムを用いることにより、コンピューティングシステムにより分析されてもよい。そして、特定されたデータパターンは、第1の証券ポートフォリオに対するマージンコールの確率を予測するために、第1の証券ポートフォリオに適用されてもよい。
例示的な実施形態では、特徴は、データパターンに基づいて上記された機械学習分析技術を用いて自動的に確定されてもよい。また別の例示的な実施形態では、特徴は、マージンコールに対する要因及び/又は影響の程度に基づいたマージンコールの根本要因を含んでもよい。例えば、債券Aの価値の下降は、株Bの値下がりにより、既に有効なマージンコールの一因となってもよい。また別の例示的な実施形態では、各特徴の影響の程度は、マージンコールへの実際の貢献度のパーセンテージ、及びマージンコールへの貢献度の確率パーセンテージとして表現されてもよい。
また別の例示的な実施形態では、特徴は、証券の増価特徴、証券の減価特徴、資産時価の相違特徴、証券時価の相違特徴、証券時価の買い特徴、エクスポージャーの相違特徴、現金時価の相違特徴、担保の相違特徴、現金時価の売り特徴、ヘアカットの相違特徴、証券時価の売り特徴、証券清算価格の買い特徴、現金時価の増価特徴、現金時価の減価特徴、質権時価のアウト特徴、質権時価の相違特徴、現金時価の買い特徴、デリバティブのエクスポージャーのデルタ特徴、デリバティブ当初証拠金のエクスポージャーのデルタ特徴、質権清算価格のイン特徴、経過利子の蓄積特徴、質権時価のイン特徴、質権時価の増価特徴、質権時価の減価特徴、デリバティブのネガティブな値洗いのデルタ特徴、外国為替に起因する貸出額変動の動き特徴、プライベートエクイティコール又は将来価値で借方とされた経過利子の期日特徴、及び無制限の質権の相違特徴の内、少なくとも1つを含んでもよい。
ステップS406において、データパターン及び特徴に基づいたマージンコールモデルが自動的に生成されてもよい。例示的な実施形態において、マージンコールモデルは、現実世界における財政状況を表すようデザインされた金融モデル等の数学モデルを含んでもよい。また別の例示的な実施形態ではマージンコールモデルは、いずれかの所与の証券ポートフォリオに対するマージンコールの見込みを表す数学モデルを含んでもよい。また別の例示的な実施形態ではマージンコールモデルは、上記取引区分のいずれかのために生成されてもよい。また別の例示的な実施形態ではマージンコールモデルは、例えば、予期されるリスク分析及び予期される成果分析等の特定の分析を示すために自動的に生成されてもよい。また別の例示的な実施形態ではマージンコールモデルは、データパターン及び特徴のいずれかの組み合わせを用いて生成されてもよい。
また別の例示的な実施形態においてマージンコールモデルは、追加データで更にトレーニングを行うために生成される機械学習モデル等のトレーニングモデルを含んでもよい。トレーニングモデルに対して十分なトレーニングが行われるとそのトレーニングモデルは、接続されている様々なシステムにデプロイされ、利用される。また別の例示的な実施形態では、例えばホールドアウト法、K-分割交差検証法、及びブートストラップ法等のモデル評価方法により、モデルの真陽性率、真陰性率、偽陽性率、及び偽陰性率が所定の範囲に対応すると確定されるとき、トレーニングモデルのトレーニングは十分かもしれない。また別の例示的な実施形態においてトレーニングモデルは、新しいデータを使用してトレーニングを継続しながら、使用可能(すなわち、組織により積極的に利用可能)であってもよい。また別の例示的な実施形態においてマージンコールモデルは、人工ニューラルネットワーク技術、決定木技術、サポートベクトルマシン技術、ベイジアンネットワーク技術、及び遺伝的アルゴリズム技術の内、少なくとも1つを用いて生成されてもよい。
また別の例示的な実施形態においてマージンコールモデルは、少なくとも1つの属性に基づいてトレーニングされてもよい。この属性は、内部で獲得可能なデータならびに外部から検索したデータに対応していてもよい。この属性は、チケットの額、プラットフォームの額、期日の額、利用可能な担保の今日の額、利用可能な担保の昨日の額、貸出額の今日の合計額、貸出額の昨日の合計額、ヘアカットの今日の合計額、ヘアカットの昨日の合計額、経過利子の今日の額、経過利子の昨日の額、デリバティブ当初証拠金(initial margin:IM)の今日のエクスポージャー額、デリバティブの値洗い(market-to-market:MTM)の今日のエクスポージャー額、デリバティブIMの昨日のエクスポージャー額、デリバティブのMTMの昨日のエクスポージャー額、今日のエクスポージャー合計額、昨日のエクスポージャーの合計額、証券清算価格(liquidation value:LV)の今日の額、証券LVの昨日の値、無制限のクロス質権(cross pledge)の今日の額、無制限のクロス質権の昨日の額、制限付クロス質権LVの今日の額、制限付クロス質権LVの昨日の額、抵当財産価値のLVの額、抵当のエクスポージャー額、時価(market value:MV)の購入した証券の額、貸出額の購入した証券の額、貸出額の売却証券の額、貸出額の購入資産の額、マージンコール閾値(額)、借方現金の将来価値、ローンの借方現金の将来価値、LVに起因する担保のデルタ額、価格に起因する担保のデルタ額、外国為替(foreign exchange:FX)に起因する担保のデルタ額、FXに起因する現金のデルタ額、現金貸出額の変更額、人工知能によるマージンコール要因の額、及びマージンコール要因の額の内、少なくとも1つを含んでもよい。
ステップS408では、対象とされる個人の証券ポートフォリオは、対象の証券ポートフォリオに対してマージンコールをトリガーするかどうかに関係する情報の第1セットを確定するために、マージンコールモデルを用いて評価されてもよい。例示的な実施形態においてユーザは、グラフィカルユーザインターフェースへの入力を介して、この評価のために、MCDCAモジュール302に対して第1の証券ポートフォリオを特定してもよい。また別の例示的な実施形態では、マージンコールをトリガーするかどうかに関係する情報の第1セットは、第1の証券ポートフォリオに対して第1のマージンコールをトリガーするための実際の要件の確率メトリック及び情報として、マージンコールの予測情報を含んでもよい。また別の例示的な実施形態においてこの評価はまた、第1データパターン、関連パラメータの分類、及び第1の証券ポートフォリオの第1の特徴を確定することを含んでもよい。第1データパターン及び第1の特徴は、第1の証券ポートフォリオに対応していてもよく、第1のマージンコールのトリガーに関係していてもよい。
次にステップS410において、MCDCAモジュール302はディスプレイを介して、グラフィカルユーザインターフェースに情報の第1セットを表示してもよい。また別の例示的な実施形態において第1の情報は、第1データパターン、第1の特徴、及び第1の証券ポートフォリオに関係する他のいずれかのデータを含んでもよい。また別の例示的な実施形態において第1の情報は、例えば、コンピュータ、ラップトップ、スマートフォン、及びスマートウォッチ等の、接続されたいずれかのコンピューティングデバイスに表示されてもよい。情報の表示は、例えば、マージンコールを実行するかどうか決定するために分析者が使用可能な情報及び/又はマージンコールを実行するかどうかに関する特定の助言を提供する情報を含んでいてもよい。また別の例示的な実施形態において情報の表示は、例えば間近に迫ったマージンコールのアラート通知等のアラートを含んでいてもよい。
また別の例示的な実施形態において第1の証券ポートフォリオは、まとめられた証券ポートフォリオ(すなわち、多数の証券ポートフォリオを含む1つのファイル)で受け取られても、各証券ポートフォリオが単一の、別のエントリで受け取られてもよい。また別の例示的な実施形態において第1の証券ポートフォリオは、接続されたシステムに記憶され、ユーザリクエストにより検索されてもよい(すなわち、第1の証券ポートフォリオを分析するために、ユーザはグラフィカルユーザインターフェースに第1の顧客番号を入力してもよい)。
また別の例示的な実施形態において、マージンコールのトリガーに関係する情報は、所与の証券ポートフォリオに対するマージンコールの確率を含んでもよい。また別の例示的な実施形態においてこの情報は、所与の証券ポートフォリオに対して予想されるマージンコールに関係かつ貢献する少なくとも1つの特徴を含んでもよい。
また別の例示的な実施形態においてユーザは、グラフィカルユーザインターフェースから特定のデータパターン及び対応する特徴を選択してもよい。選択されたデータパターン及び対応する特徴は、目下分析された証券ポートフォリオに対するマージンコールのトリガーに関係していてもよい。ユーザがデータパターン及び対応する特徴を選択した後、グラフィカルユーザインターフェースはこの選択に基づいて、対象であるマージンコール情報を表示してもよい。
また別の例示的な実施形態においてグラフィカルユーザインターフェースは、例えば、ダッシュボード等、様々なフォーマットでマージンコール情報を表示してもよい。ダッシュボードは、例えば証券ポートフォリオに関係するモニタリング情報及び確定された特徴に関係する分類情報ならびにマージンコール情報等の、証券ポートフォリオに関係する追加情報を表示してもよい。
また別の例示的な実施形態においてグラフィカルユーザインターフェースは、ユーザからフィードバック情報を受信するために、例えば、テキストボックス、選択面、及びフラギング機能等の、グラフィカル要素を含んでもよい。このフィードバック情報は、例えば第1の情報精度ランク、第2の情報精度ランク、及び特徴精度ランクといったデータを含んでもよい。フィードバック情報はまた、特定のデータパターンに対応する予測された情報の精度を含んでもよい。また別の例示的な実施形態においてフィードバック情報は、マージンコールモデルの予測精度及び分析精度を増大させる目的で、マージンコールモデルを更新するために利用されてもよい。当業者によって理解されるように、マージンコールモデルは、例えばフィードバック情報に基づいたマージンコールモデルのトレーニング等の機械学習技術に基づいて更新されてもよい。
図5は、例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するために使用可能な機械学習プロセスの図500である。図5は、機械学習プロセスにおける様々なステップの相互関連性について示す。例示的な実施形態においてこのステップには、「データ収集」502、「クリーン/変換」504、「調査/視覚化」506、「モデル」508、「評価」510、及び「デプロイ」512が含まれていてもよく、ここでは、以前のマージンコールから更なるデータが利用可能なので、精度を改善するために、定期的に異なるステップが実行可能である。以前のマージンコールから学習するために、新しいデータがシステムにレトロフィットされる。
図5に示すように、機械学習プロセスはデータ収集ステップ502から始まってもよい。次いで、収集されたデータはクリーン/変換ステップ504で、不要な情報を削除するためにクリーン化され、処理可能なデータフォーマットに変換されてもよい。次に、クリーン/変換後データは、調査/視覚化ステップ506へ移され、そこで、例えばデータパターン及び特徴等の使用可能な情報が確定される。プロセスにおいてこのステップでは、収集されたデータが使用可能な情報を確定するのに不十分であり得るなら、プロセスは追加データを獲得するためにデータ収集ステップ502に戻されてもよい。しかし、使用可能な情報が確定されているなら、モデルステップ508でモデルが生成されてもよい。
一旦モデルが生成されるとプロセスは、データを更に集めるためにデータ収集ステップ502に戻るか、既に収集されたデータの精度を更に高めるためにクリーン/変換ステップ504に戻るか、又は評価ステップ510へと進む。評価ステップ510では、モデルの精度を判定するために、開発されたモデルのテストが行われてもよい。モデルが所定の基準に基づいて十分に正確であるなら、プロセスはデプロイステップ512へとそのまま進んでもよい。しかし追加で精度向上が必要であるなら、プロセスはデータ収集ステップ502又はクリーン/変換ステップ504へと戻されてもよい。デプロイステップ512では、モデルは、ユーザ入力に対する成果を分析及び予測するために用いられてもよい。デプロイされた後、機械学習プロセスは、追加で収集されたデータ、追加の使用可能な情報、及び追加のモデルを用いて連続的に精度が高められる。
図6は、例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法において特定された、特徴の変数重要度を示すグラフィカルユーザインターフェース600である。図6に示されるグラフィカルユーザインターフェースは、ヘッダ「変数重要度」を有する。グラフィカルユーザインターフェースはまた、数字で重要度のパーセンテージを示すx軸と、テキストで貢献特徴を示すy軸とを有する棒グラフを含んでもよい。例示的な実施形態において貢献特徴は、相対的重要度により昇順及び降順で配置される。相対的重要度について、例えば最も重要な特徴は、棒グラフの一番上、又はその反対で、最も重要な特徴は棒グラフの底部に配置されてもよい。また別の例示的な実施形態において相対的重要度は、例えばマージンコール等の取引区分への各特徴の貢献度のパーセンテージを含んでもよい。
また別の例示的な実施形態において、示されたグラフは例えば、折れ線グラフ、円グラフ、モザイクチャート、スパイダーチャート、積層棒グラフ他等、データのいずれかの視覚表現を含んでもよい。また別の例示的な実施形態において貢献特徴は、証券の増価特徴、証券の減価特徴、資産時価の相違特徴、証券時価の相違特徴、証券時価の買い特徴、エクスポージャーの相違特徴、現金時価の相違特徴、担保の相違特徴、現金時価の売り特徴、ヘアカットの相違特徴、証券時価の売り特徴、証券清算価格の買い特徴、現金時価の増価特徴、現金時価の減価特徴、質権時価のアウト特徴、質権時価の相違特徴、現金時価の買い特徴、デリバティブのエクスポージャーのデルタ特徴、デリバティブ当初証拠金のエクスポージャーのデルタ特徴、質権清算価格のイン特徴、経過利子の蓄積特徴、質権時価のイン特徴、質権時価の増価特徴、質権時価の減価特徴、デリバティブのネガティブな値洗いのデルタ特徴、外国為替に起因する貸出額変動の動き特徴、プライベートエクイティコール又は将来価値で借方とされた経過利子の期日特徴、及び無制限の質権の相違特徴の内、少なくとも1つを含んでもよい。
図7は、例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能なグラフィカルユーザインターフェース700を示すスクリーンショットである。グラフィカルユーザインターフェース700は、ユーザと、自動的に生成された様々なマージンコールモデルとの間の相互作用を促進する例示的なグラフィカルユーザインターフェースを含んでもよい。図示するように、グラフィカルユーザインターフェース700は、多数の投資家及び対応する証券ポートフォリオのソート可能なテーブルを含んでもよい。例示的な実施形態においてこのテーブルは、処理された証券ポートフォリオの集約図を提供する。グラフィカルユーザインターフェース700においてこのテーブルは、「チケットID」、「顧客名」、「年齢」、「エイジングバケット」、「顧客ID」「キャピタルアドバイザ」、「クレジットエグゼクティブ」、「マージンコール額USD」、「マージンコールの要因」、及び「マージンコールの予測された要因」というタイトルのカテゴリによりソートされてもよい。グラフィカルユーザインターフェース700はまた、表示情報の精度を更に高めるために、例えばフィルタボタン及びリフレッシュボタン等のユーザが選択可能なボタンを含んでもよい。
例示的な実施形態においてグラフィカルユーザインターフェース700の情報は、文字、単語、及び数字のいずれの組み合わせで表示されてもよい。また別の例示的な実施形態では、エイジングバケットのカテゴリは日にちの範囲として情報を表示してもよい。また別の例示的な実施形態では、マージンコール額のカテゴリは、ユーザが選択可能な法的に認められているいずれかの法定通貨の額を表示してもよい。また別の例示的な実施形態では、マージンコールの要因のカテゴリは、収集されたデータにおいてマージンコールの要因となったことが知られている、特徴を表示してもよい。また別の例示的な実施形態では、マージンコールの予測された要因のカテゴリは、将来のマージンコールに貢献するために予測された特徴を表示してもよい。また別の例示的な実施形態では、特定の証券ポートフォリオに対する、マージンコールの予測された要因のカテゴリと、マージンコールの要因のカテゴリとの比較が、マージンコールモデルを検証するために利用されてもよい。また別の例示的な実施形態では、データの予測された要因は、例えばSPLUNK等のデータ管理ソフトウェアによって、例えば、Representational State Transfer(REST)API等のアプリケーションプログラミングインターフェース(API)を介して、グラフィカルユーザインターフェース700へ送信されてもよい。
図8は、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するための例示的なプロセスのフローチャート800である。図示するように、フローチャート800は「システム1」、「システム2」、「システム3」及び「システムn」というラベルが付けられた様々なユーザ端末で動作可能なユーザインターフェースを含んでもよい。ユーザ端末は、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するよう構成されるシステムに接続されてもよい。
フローチャート800における例示的なプロセスは、マージンコールの共有特徴に関係する特徴量の収集を含むステップS802から始まる。収集された特徴量は例えば、経過利子FXレート変動及び市場価格変動を含んでもよい。次いで、ステップS804においてマージンコールモデルは、収集された特徴量を用いて、人工知能(AI)又は機械学習(ML)技術によりトレーニングされてもよい。ステップS806ではマージンコールの要因が、トレーニング済みのマージンコールモデルを用いて予測されてもよい。次いで、マージンコールの予測された要因は、開発されたマージンコールモデルの精度を更に高めるために、既知の成果を用いてステップS808で検証されてもよい。最後にステップS810において、開発されたマージンコールモデルを更にトレーニングするために追加の収集された特徴量を用いたステップを繰り返すことによって、モデルのレトロフィットが達成されてもよい。
図9は、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するための例示的なプロセスのフローチャート900である。図示するようにフローチャート900は、機械学習技術を用いて解決され得る、ビジネス上の問題から始まる。機械学習による問題の組立方法を用いてビジネス上の問題を組み立てて、当該ビジネス上の問題を解決するために用いられ得る、機械学習技術に関係する可能な技術的解決策を特定してもよい。一旦ビジネス上の問題が組み立てられると、ビジネス上の問題に関連するデータの収集から機械学習技術の実装を始めてもよい。収集されたデータは、データ視覚化及び分析のために、他の関連するデータと統合され、クリーン化され、準備がなされてもよい。分析され視覚化されたデータの特徴量エンジニアリングでは、ビジネス上の問題の属性又はプロパティに関係する特徴量を作り出すためにデータのドメイン知識が用いられる。
エンジニアリングされた特徴量は、次いで、開発されたモデルをトレーニングし、パラメータを調整するために用いられてもよい。そして、トレーニングされたモデルは既知の成果を用いて評価され、ビジネス上の問題に対する解決策に関係するビジネス目標が満たされているかの判定が行われてもよい。ビジネス目標が満たされていないという判定はエンジニアリングされた特徴量の再検討という結果となり、データ収集から始まる機械学習技術の再実装という結果となるかもしれない。しかし、ビジネス目標が満たされていないと判定された場合は、ビジネス上の問題を予測及び解決するために、開発されたモデルをデプロイしてもよい。このモデルは、デプロイ後、新しく収集されたデータを用いてモデルが継続して再トレーニングされ得るモニタリング及びデバッギング技術を用いて維持されてもよい。
図10は、例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能な未分類チケットのグラフィカルユーザインターフェースを示すスクリーンショット1000である。図10に示すように、未分類チケットは本願の実施形態と合致するマージンコールツールに表示される。マージンコールツールは、複数の未分類チケットを含むテーブルと、その未分類チケットの数を数える「再検討なし」というタイトルのカウンタとを含んでもよい。
図11は、例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能な未分類チケットのダッシュボードのグラフィカルユーザインターフェースを示すスクリーンショット1100である。図11に示すように、未分類チケットのダッシュボードは複数のチケットに対する情報を提供する。例示的な実施形態において、未分類チケットのダッシュボードは、人工知能による分類が行われていないチケットを示し、また、以前に分類された過去のマージンコールを含んでもよい。
図12は、例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能な分類確認のグラフィカルユーザインターフェースを示すスクリーンショット1200である。図12に示すように、確認の電子メールが一定時間の内に受信され、選択されたデータに対する分類の成功が確認されてもよい。確認の電子メールは、選択された分類データに対応する情報を含んでいてもよい。当業者に理解されるように確認の電子メールは、例えば所有者の電子メールクライアント及び第3者が開発した電子メールクライアント等のいずれかの電子メールクライアントにより受信されてもよい。
図13は、例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能な分類されたチケットのグラフィカルユーザインターフェースを示すスクリーンショット1300である。図13に示すように、分類されたチケットは本願の実施形態と合致するマージンコールツールに表示される。人工知能による分類が成功したチケットがマージンコールツールに表示される。
図14Aは、例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能な人工知能機能のグラフィカルユーザインターフェースを示すスクリーンショット1400Aである。図14Aに示すように、分類されたチケットは本願の実施形態と合致するマージンコールツールに表示される。マージンコールツールはまた、人工知能の分類機能及び属性を含む利用可能なチケットの詳細を提供してもよい。
図14Bは、例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能なチケットの詳細を示すグラフィカルユーザインターフェースのスクリーンショット1400Bである。図14Bに示すように、分類されたチケットは本願の実施形態と合致するマージンコールツールに表示される。マージンコールツールはまた、例えばチケット識別子、チケットのマージンコールの確定要因、及びマージンコールの要因の確定に用いられた関連する属性値等の、特定のチケットについての利用可能なチケットの詳細を提供してもよい。
図15は、例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能な分類されたチケットのダッシュボードのグラフィカルユーザインターフェースを示すスクリーンショット1500である。図15に示すように、分類されたチケットは本願の実施形態と合致するダッシュボードに表示される。ダッシュボードは、分析に対応しているデータと一緒に人工知能が分類したチケットを表示してもよい。データは、有効なマージンコールの数、無効なマージンコールの数、及びマージンコールの合計数を含んでいてもよい。ダッシュボードはまた、例えば領域ごとのマージンコールの要因について棒グラフ等のグラフィカル要素でデータを提示してもよい。
図16は、例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能なモデル精度のグラフィカルユーザインターフェースを示すスクリーンショット1600である。図16に示すように、モデル分析データは本願の実施形態と合致するダッシュボードに表示される。ダッシュボードは例えば、経過利子の要因等のマージンコールの所与の要因における現在のモデルに対する人工知能分析精度を示してもよい。モデル分析データは、有効なマージンコールの数、無効なマージンコールの数、及びマージンコールの合計数を含んでいてもよい。ダッシュボードはまた、例えば領域ごとのマージンコールの要因について棒グラフ等のグラフィカル要素でデータを提示してもよい。
図17は、例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能な精度モニタリングのグラフィカルユーザインターフェースを示すスクリーンショット1700である。図17に示すように、過去のモデルデータは本願の実施形態と合致するダッシュボードに表示される。ダッシュボードは、より多くのデータがモデルによるトレーニングに利用されているときは、時間の関数として精度改善のモニタリングを表すグラフィカルイラストレーションを示してもよい。このグラフィカルイラストレーションは、例えば線グラフ及び棒グラフ等のグラフを含んでもよく、グラフは時間の関数として、このモデルに対する精度の増大をたどる。
図18は、例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能な特徴量の交互作用を示すショーモデル1800である。図18に示すように、変数と特徴との間の交互作用は、チャート形式でハイライトされていてもよい。当業者が理解するように変数及び特徴は、交差するマス目が特定の変数と特定の特徴との間の交互作用を示すように、チャートのX軸又はY軸のいずれかに提示されていてもよい。
図19Aは、例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能なユーザフィードバックフォームのグラフィカルユーザインターフェースを示すスクリーンショット1900Aである。スクリーンショット1900Aは例えば、メニュー、又はユーザに提示される他のユーティリティウインドウ等のグラフィカルユーザ要素を提供する。
図19Aに示すように、グラフィカルユーザ要素は、人工知能による分類の成果に関係するユーザフィードバックフォームを含んでもよい。例示的な実施形態において、ユーザフィードバックフォームから集められたデータは、分類精度を改善するために、本願の実施形態と合致する技術を用いて、マージンコールモデルを更にトレーニングするために用いられてもよい。ユーザフィードバックフォームは、特定のチケットに対応する情報ならびにユーザ入力を受けるためのユーザが選択可能なグラフィカル要素を含んでもよい。
図19Bは、例示的な実施形態による、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得する方法を実装するのに使用可能な、ユーザフィードバックフォームにおけるユーザ入力に基づいて表示される拡張グラフィカルユーザインターフェースを示すスクリーンショット1900Bである。スクリーンショット1900Bは例えば、メニュー、又はユーザに提示される他のユーティリティウインドウ等の拡張グラフィカルユーザ要素を提供する。拡張グラフィカルユーザ要素は、図19Aのグラフィカルユーザ要素から受けるユーザ入力に基づいてユーザに提示されてもよい。
図19Bに示すように、グラフィカルユーザ要素は、人工知能による分類の成果に関係する拡張ユーザフィードバックフォームを含んでもよい。例示的な実施形態において、拡張ユーザフィードバックフォームから集められたデータは、分類精度を改善するために、本願の実施形態と合致する技術を用いてマージンコールモデルを更にトレーニングするために用いられてもよい。拡張ユーザフィードバックフォームは、以前のグラフィカルユーザ要素でのユーザ選択に基づいた情報を表示してもよい。拡張ユーザフィードバックフォームは、特定のチケットに対応する追加情報ならびにユーザ入力を受けるためのユーザが選択可能な追加のグラフィカル要素を含んでもよい。
したがって、この技術により、マージンコールプロセスに関わる全ての関連する特徴量を、機械学習を用いてその根本要因が自動的に特定できるように特定及び取得するための最適化されたプロセスが提供される。
いくつかの例示的な実施形態を参照し本発明について記載したが、使用される用語は、限定するための用語ではなく、説明及び図示のための用語である。ここで記載され修正されるように、本態様における本開示の範囲及び趣旨から逸脱することなく、添付の請求項の範囲内で変更が行われてもよい。本発明は、特定の方法、材料、及び実施形態を参照し記載されたが、本発明は特定の開示に限定されることは意図されておらず、本発明は、例えば添付の請求項の範囲内の、全ての機能的に同等な構造、方法、及び使用にまで及ぶ。
例えば、コンピュータ可読媒体は単一の媒体として記載され得る一方で、用語「コンピュータ可読媒体」は、集中型又は分散型データベース等の、単一の媒体又は複数の媒体、及び/又は命令の1つ以上のセットを記憶する、関連づけられたキャッシュ及びサーバを含む。用語「コンピュータ可読媒体」はまた、プロセッサによる実行のための命令のセットを記憶、コード化、又は実行することが可能ないずれかの媒体、又は、本明細書に開示されるいずれか1つ以上の実施形態をコンピュータシステムに実行させるいずれかの媒体を含むものとする。
コンピュータ可読媒体は、1つ又は複数の非一時的コンピュータ可読媒体を備えてもよく、及び/又は1つ又は複数の一時的なコンピュータ可読媒体を備えてもよい。特定の非限定的である例示的な実施形態において、コンピュータ可読媒体は、メモリカード等の固体メモリ、又は、1つ以上の不揮発性読み取り専用メモリを収納する他のパッケージを含むことができる。更にコンピュータ可読媒体は、ランダムアクセスメモリ又は他の揮発性の書き換え可能なメモリであってもよい。加えてコンピュータ可読媒体は、ディスク又はテープ等の光磁気又は光媒体、又は、伝送媒体を介し通信される信号等の搬送波信号を捕捉する他の記憶装置を含むことができる。したがって本開示は、その内部にデータ又は命令が記録され得る、いずれかのコンピュータ可読媒体又は他の同等物、及び後継媒体を含むと考えられる。
本願は、コンピュータ可読媒体のコンピュータプログラム又はコードセグメントとして実装され得る特定の実施形態について記載しているが、特定用途向け集積回路、プログラマブル論理アレイ、及び他のハードウェア装置等の専用のハードウェア実装が本明細書に記載の1つ以上の実施形態を実装するよう構成されることができると理解される。本明細書に記載の様々な実施形態を含むアプリケーションは、様々な電子及びコンピュータシステムを広く含み得る。したがって本願は、ソフトウェア、ファームウェア、及びハードウェア実装、又はその組み合わせを包含してもよい。本願におけるいずれも、ソフトウェアのみによって実装されるか又は実装可能であり、ハードウェアでは実装されないと解釈されるべきでない。
本明細書は、特定の規格及びプロトコルを参照し特定の実施形態において実装され得る構成要素及び機能について記載しているが、本開示はこのような規格及びプロトコルに限定されない。このような規格は、本質的に同一の機能を有するより速い又はより効率的な同等物により定期的に置き替えられる。したがって、同一又は類似の機能を有する、代替の規格及びプロトコルがその同等物であるとみなされる。
本明細書に記載の実施形態の例示では、様々な実施形態の一般的な理解を提供することが意図されている。本例示は、本明細書に記載される構造又は方法を利用する装置及びシステムの全ての要素及び特徴の完全な記載であるとは意図されていない。本開示を考察することにより、多くの他の実施形態が当業者に明らかである。他の実施形態は、本開示から利用及び引き出され得る。結果、構造上及び論理上の置き換え及び変更が本開示の範囲を逸脱せずになされ得る。加えてこの例示は、単なる表現であり、正確な縮尺で描かれていない場合もあり得る。例示における一定の比率は誇張されている場合もあり、一方で他の比率が最小限となっている場合もある。したがって本開示及び図は、制限的ではなく、例証的であるとみなされるべきである。
本開示の1つ以上の実施形態は、単なる便宜上、用語「発明」により、そして、本願の範囲を特定のいずれかの発明又は発明概念に任意で限定することを意図することなしに、個々に及び/又は集合的に本明細書において言及され得る。更に、特定の実施形態が本明細書に図示及び記載されているが、同一又は類似の目的を達成するために設計されたいずれのそれに続く構成も、示された特定の実施形態と置き換えが可能であると理解されるべきである。本開示は、様々な実施形態のいずれか及び全てのそれに続く改造又は変形例まで及ぶよう意図されている。上記実施形態の組み合わせ、及び本明細書に具体的には記載されていない他の実施形態も、本記載を考察することにより当業者に明らかとなる。
要約書は、請求項の範囲又は意味を解釈又は限定するよう用いられないとの理解の上で提出される。更に前述の詳細な説明において、様々な特徴が本開示を合理化する目的で、単一の実施形態にまとめられ又は記載され得る。本開示は、クレームされる実施形態が、各請求項で明示的に記載されるより、多くの特徴を必要とする意図を示すように解釈されない。むしろ、以下の請求項が示すように発明の主題は、開示された実施形態のいずれかの特徴の全てより、少ないものに向けられ得る。よって、以下の請求項は詳細な説明に組み込まれ、各請求項は独自にクレームされる主題をそれぞれ定義している。
上記に開示される主題は、例示であるとみなされ、制限的であるとはみなされない。添付の請求項は、このような全ての変形、増強、及び本開示の本来の趣旨及び範囲内となる他の実施形態にまで及ぶよう意図される。よって、法により許される最大限まで、本開示の範囲は以下の請求項及びその同等物の許容される最も広い解釈により確定されることとなり、上述の詳細な説明により、制限も限定もされない。
Claims (20)
- 第1の証券ポートフォリオに対するマージンコールのトリガーに関係する情報を提供する方法であって、
前記方法は、少なくとも1つのプロセッサにより実装され、
前記方法は、
前記少なくとも1つのプロセッサにより、複数の証券ポートフォリオに関係する複数のデータを獲得することと、
前記少なくとも1つのプロセッサにより、前記複数のデータを用いて、マージンコールのトリガーに関係する少なくとも1つのデータパターンと、前記マージンコールのトリガーに貢献する少なくとも1つの対応する特徴とを自動的に確定することと、
前記少なくとも1つのプロセッサにより、前記少なくとも1つのデータパターン及び前記少なくとも1つの特徴に基づいて、少なくとも1つのマージンコールモデルを自動的に生成することと、
前記少なくとも1つのプロセッサにより、前記第1の証券ポートフォリオを、前記第1の証券ポートフォリオに対して第1のマージンコールをトリガーするかどうかに関係する第1の情報を確定するために、前記少なくとも1つのマージンコールモデルを用いて評価することと、
を含む方法。 - 請求項1に記載の方法において、
前記評価することは、
前記少なくとも1つのプロセッサにより、前記少なくとも1つのデータパターンの第1のものと、前記第1の証券ポートフォリオに対する前記第1のマージンコールのトリガーに関係する前記少なくとも1つの対応する特徴の第1のものとを選択することと、
前記少なくとも1つのプロセッサにより、ディスプレイを介して前記少なくとも1つのデータパターンの選択された前記第1のもの及び前記少なくとも1つの対応する特徴の選択された前記第1のものと一緒に、グラフィカルユーザインターフェースの前記第1の情報を表示することと、
を更に含む方法。 - 請求項1に記載の方法において、
前記少なくとも1つのマージンコールモデルは、前記複数のデータの機械学習分析を用いて自動的に生成される、方法。 - 請求項1に記載の方法において、
前記少なくとも1つのマージンコールモデルは、データモデル、数学モデル、プロセスモデル、及び機械学習モデルの内、少なくとも1つを含む、方法。 - 請求項1に記載の方法において、
前記少なくとも1つのプロセッサにより、第2の証券ポートフォリオを、前記第2の証券ポートフォリオに対して未来の第2のマージンコールをトリガーするかどうかに関係する第2の情報を確定するために、前記少なくとも1つのマージンコールモデルを用いて評価することと、
前記少なくとも1つのプロセッサにより、ディスプレイを介してグラフィカルユーザインターフェースに前記第2の情報を表示することと、
を更に含む、方法。 - 請求項5に記載の方法において、
前記グラフィカルユーザインターフェースは、前記第1の証券ポートフォリオに関係するモニタリング情報及び前記少なくとも1つの特徴に関係する分類情報の内、少なくとも1つを表示する少なくとも1つのダッシュボードを含む、方法。 - 請求項1に記載の方法において、
前記少なくとも1つの特徴は、証券の増価特徴、証券の減価特徴、資産時価の相違特徴、証券時価の相違特徴、証券時価の買い特徴、エクスポージャーの相違特徴、現金時価の相違特徴、担保の相違特徴、現金時価の売り特徴、ヘアカットの相違特徴、証券時価の売り特徴、証券清算価格の買い特徴、現金時価の増価特徴、現金時価の減価特徴、質権時価のアウト特徴、質権時価の相違特徴、現金時価の買い特徴、デリバティブのエクスポージャーのデルタ特徴、デリバティブ当初証拠金のエクスポージャーのデルタ特徴、質権清算価格のイン特徴、経過利子の蓄積特徴、質権時価のイン特徴、質権時価の増価特徴、質権時価の減価特徴、デリバティブのネガティブな値洗いのデルタ特徴、外国為替に起因する貸出額変動の動き特徴、プライベートエクイティコール又は将来価値で借方とされた経過利子の期日特徴、及び無制限の質権の相違特徴の内、少なくとも1つを含む、方法。 - 請求項1に記載の方法において、
前記少なくとも1つのプロセッサにより、グラフィカルユーザインターフェースを介して、少なくとも1人のユーザからフィードバック情報を受信することと、
前記少なくとも1つのプロセッサにより、前記フィードバック情報に基づいて前記少なくとも1つのマージンコールモデルを更新することと、
を更に含む、方法。 - 請求項8に記載の方法において、
前記フィードバック情報は、第1の情報精度ランク、第2の情報精度ランク、及び特徴精度ランクの内、少なくとも1つを含む、方法。 - 請求項1に記載の方法において、
前記少なくとも1つのプロセッサにより、前記複数のデータを解析することと、
前記少なくとも1つのプロセッサにより、解析した前記複数のデータにおける、個人を特定できる情報を特定することと、
前記少なくとも1つのプロセッサにより、特定された前記個人を特定できる情報を削除することにより前記複数のデータの匿名化を行うことと、
を更に含む、方法。 - 第1の証券ポートフォリオに対するマージンコールのトリガーに関係する情報を提供する方法の実行を実装するコンピューティングデバイスであって、
前記コンピューティングデバイスは、
プロセッサと、
メモリと、
前記プロセッサ及び前記メモリのそれぞれに接続された通信インターフェースと、
を備え、
前記プロセッサは、
複数の証券ポートフォリオに関係する複数のデータを獲得し、
前記複数のデータを用いて、マージンコールのトリガーに関係する少なくとも1つのデータパターンと、前記マージンコールのトリガーに貢献する少なくとも1つの対応する特徴とを自動的に確定し、
前記少なくとも1つのデータパターン及び前記少なくとも1つの特徴に基づいて、少なくとも1つのマージンコールモデルを自動的に生成し、
前記第1の証券ポートフォリオを、前記第1の証券ポートフォリオに対して第1のマージンコールをトリガーするかどうかに関係する第1の情報を確定するために、前記少なくとも1つのマージンコールモデルを用いて評価するよう構成される、
コンピューティングデバイス。 - 請求項11に記載のコンピューティングデバイスにおいて、
前記評価のために前記プロセッサは更に、
前記少なくとも1つのデータパターンの第1のものと、前記第1の証券ポートフォリオに対する前記第1のマージンコールのトリガーに関係する前記少なくとも1つの対応する特徴の第1のものとを選択し、
ディスプレイを介して、前記少なくとも1つのデータパターンの選択された前記第1のもの及び前記少なくとも1つの対応する特徴の選択された前記第1のものと一緒に、グラフィカルユーザインターフェースの前記第1の情報を表示するよう構成される、
コンピューティングデバイス。 - 請求項11に記載のコンピューティングデバイスにおいて、
前記プロセッサは更に、前記複数のデータの機械学習分析を用いて、前記少なくとも1つのマージンコールモデルを自動的に生成するよう構成される、コンピューティングデバイス。 - 請求項11に記載のコンピューティングデバイスにおいて、
前記少なくとも1つのマージンコールモデルは、データモデル、数学モデル、プロセスモデル、及び機械学習モデルの内、少なくとも1つを含む、コンピューティングデバイス。 - 請求項11に記載のコンピューティングデバイスにおいて、
前記プロセッサは更に、
第2の証券ポートフォリオを、前記第2の証券ポートフォリオに対して未来の第2のマージンコールをトリガーするかどうかに関係する第2の情報を確定するために、前記少なくとも1つのマージンコールモデルを用いて評価し、
ディスプレイを介してグラフィカルユーザインターフェースに前記第2の情報を表示するよう構成される、
コンピューティングデバイス。 - 請求項15に記載のコンピューティングデバイスにおいて、
前記グラフィカルユーザインターフェースは、前記第1の証券ポートフォリオに関係するモニタリング情報及び前記少なくとも1つの特徴に関係する分類情報の内、少なくとも1つを表示する少なくとも1つのダッシュボードを含む、コンピューティングデバイス。 - 請求項11に記載のコンピューティングデバイスにおいて、
前記少なくとも1つの特徴は、証券の増価特徴、証券の減価特徴、資産時価の相違特徴、証券時価の相違特徴、証券時価の買い特徴、エクスポージャーの相違特徴、現金時価の相違特徴、担保の相違特徴、現金時価の売り特徴、ヘアカットの相違特徴、証券時価の売り特徴、証券清算価格の買い特徴、現金時価の増価特徴、現金時価の減価特徴、質権時価のアウト特徴、質権時価の相違特徴、現金時価の買い特徴、デリバティブのエクスポージャーのデルタ特徴、デリバティブ当初証拠金のエクスポージャーのデルタ特徴、質権清算価格のイン特徴、経過利子の蓄積特徴、質権時価のイン特徴、質権時価の増価特徴、質権時価の減価特徴、デリバティブのネガティブな値洗いのデルタ特徴、外国為替に起因する貸出額変動の動き特徴、プライベートエクイティコール又は将来価値で借方とされた経過利子の期日特徴、及び無制限の質権の相違特徴の内、少なくとも1つを含む、コンピューティングデバイス。 - 請求項11に記載のコンピューティングデバイスにおいて、
前記プロセッサは更に、
グラフィカルユーザインターフェースを介して、少なくとも1人のユーザからフィードバック情報を受信し、
前記フィードバック情報に基づいて前記少なくとも1つのマージンコールモデルを更新するよう構成される、
コンピューティングデバイス。 - 請求項18に記載のコンピューティングデバイスにおいて、
前記フィードバック情報は、第1の情報精度ランク、第2の情報精度ランク、及び特徴精度ランクの内、少なくとも1つを含む、コンピューティングデバイス。 - 請求項11に記載のコンピューティングデバイスにおいて、
前記プロセッサは更に、
前記複数のデータを解析し、
解析した前記複数のデータにおける、個人を特定できる情報を特定し、
特定された前記個人を特定できる情報を削除することにより前記複数のデータの匿名化を行うよう構成される、
コンピューティングデバイス。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962946096P | 2019-12-10 | 2019-12-10 | |
US62/946,096 | 2019-12-10 | ||
PCT/US2020/064019 WO2021119133A1 (en) | 2019-12-10 | 2020-12-09 | Method and system for detecting causes of margin call using machine learning |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023506739A true JP2023506739A (ja) | 2023-02-20 |
JPWO2021119133A5 JPWO2021119133A5 (ja) | 2023-11-16 |
Family
ID=76210597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022535089A Pending JP2023506739A (ja) | 2019-12-10 | 2020-12-09 | 機械学習を用いたマージンコールの要因を検出するための方法及びシステム |
Country Status (7)
Country | Link |
---|---|
US (1) | US11798086B2 (ja) |
EP (1) | EP4062355A4 (ja) |
JP (1) | JP2023506739A (ja) |
CN (1) | CN114830164A (ja) |
AU (1) | AU2020401138A1 (ja) |
CA (1) | CA3159432A1 (ja) |
WO (1) | WO2021119133A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
USD1032625S1 (en) * | 2022-03-01 | 2024-06-25 | Aquatic Informatics Ulc | Portion of a monitor displayed with a graphical user interface |
USD1032626S1 (en) * | 2022-03-01 | 2024-06-25 | Aquatic Informatics Ulc | Portion of a monitor displayed with a graphical user interface |
USD1025094S1 (en) * | 2022-03-01 | 2024-04-30 | Aquatic Informatics Ulc | Portion of a monitor displayed with a graphical user interface |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8478765B2 (en) | 2008-12-29 | 2013-07-02 | Plutopian Corporation | Method and system for compiling a multi-source database of composite investor-specific data records with no disclosure of investor identity |
US8131634B1 (en) | 2009-09-15 | 2012-03-06 | Chicago Mercantile Exchange Inc. | System and method for determining the market risk margin requirements associated with a credit default swap |
US20130211990A1 (en) | 2012-02-09 | 2013-08-15 | Cinnober Financial Technology Ab | Risk Assessment |
US10643278B2 (en) * | 2016-01-20 | 2020-05-05 | Chicago Mercantile Exchange Inc. | Futures margin modeling system |
US10311517B1 (en) * | 2016-06-09 | 2019-06-04 | William Stanley Berliner | Exchange-traded TBA options |
US11625569B2 (en) * | 2017-03-23 | 2023-04-11 | Chicago Mercantile Exchange Inc. | Deep learning for credit controls |
US10977293B2 (en) * | 2018-05-10 | 2021-04-13 | Royal Bank Of Canada | Technology incident management platform |
-
2020
- 2020-12-09 JP JP2022535089A patent/JP2023506739A/ja active Pending
- 2020-12-09 CA CA3159432A patent/CA3159432A1/en active Pending
- 2020-12-09 US US17/116,425 patent/US11798086B2/en active Active
- 2020-12-09 EP EP20898087.0A patent/EP4062355A4/en active Pending
- 2020-12-09 AU AU2020401138A patent/AU2020401138A1/en active Pending
- 2020-12-09 WO PCT/US2020/064019 patent/WO2021119133A1/en unknown
- 2020-12-09 CN CN202080085786.5A patent/CN114830164A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
AU2020401138A1 (en) | 2022-06-09 |
WO2021119133A1 (en) | 2021-06-17 |
EP4062355A4 (en) | 2023-12-13 |
CN114830164A (zh) | 2022-07-29 |
EP4062355A1 (en) | 2022-09-28 |
CA3159432A1 (en) | 2021-06-17 |
US11798086B2 (en) | 2023-10-24 |
US20210174450A1 (en) | 2021-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khedr et al. | Cryptocurrency price prediction using traditional statistical and machine‐learning techniques: A survey | |
Jones | Corporate bankruptcy prediction: a high dimensional analysis | |
Cong et al. | AlphaPortfolio: Direct construction through deep reinforcement learning and interpretable AI | |
Sun et al. | Predicting credit card delinquencies: An application of deep neural networks | |
Olorunnimbe et al. | Deep learning in the stock market—a systematic survey of practice, backtesting, and applications | |
Byanjankar et al. | Predicting credit risk in peer-to-peer lending: A neural network approach | |
Ogwueleka et al. | Neural network and classification approach in identifying customer behavior in the banking sector: A case study of an international bank | |
KR20210116439A (ko) | 자금 세탁 방지 분석을 위한 시스템 및 방법 | |
JP2023506739A (ja) | 機械学習を用いたマージンコールの要因を検出するための方法及びシステム | |
Zou et al. | Stock market prediction via deep learning techniques: A survey | |
Kambal et al. | Credit scoring using data mining techniques with particular reference to Sudanese banks | |
Azevedo et al. | Enhancing stock market anomalies with machine learning | |
Cong et al. | AlphaPortfolio: Direct construction through reinforcement learning and interpretable AI | |
Gao et al. | Efficient simulation of financial stress testing scenarios with suppes-bayes causal networks | |
Wang et al. | Leveraging Multisource Heterogeneous Data for Financial Risk Prediction: A Novel Hybrid-Strategy-Based Self-Adaptive Method. | |
Roy Choudhury et al. | Enhancing profit from stock transactions using neural networks | |
Sharma et al. | Stock market prediction techniques: a review paper | |
Lorenzo et al. | Online risk-based portfolio allocation on subsets of crypto assets applying a prototype-based clustering algorithm | |
Semiu et al. | A boosted decision tree model for predicting loan default in P2P lending communities | |
Arundina et al. | Artificial intelligence for Islamic sukuk rating predictions | |
dos Reis | Evaluating classical and artificial intelligence methods for credit risk analysis | |
Wang et al. | Cost-sensitive stacking ensemble learning for company financial distress prediction | |
Zang | Construction of Mobile Internet Financial Risk Cautioning Framework Based on BP Neural Network | |
US20210082049A1 (en) | Method for optimizing a hedging strategy for portfolio management | |
Qian et al. | A novel deep learning approach to enhance creditworthiness evaluation and ethical lending practices in the economy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231107 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231107 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240820 |