JP4989254B2 - 信用リスク計算装置、および、信用リスク計算方法 - Google Patents

Description

本発明は、信用リスク計算装置、および、信用リスク計算方法に関する。

銀行などの金融業をはじめ、企業にとって取引先の信用リスクを正確に推定することが重要である。信用リスクは取引先の当期売上高などの財務値から推定する。企業や個人などが債務不履行に陥ることを「デフォルト」とよび、デフォルトとなる確率をデフォルト率という。信用リスクとして、取引先のデフォルト率を用いる場合が多い。特許文献１に記載された発明は、信用リスクを計算する一例である。
特開２００４−３３４７３７号公報

特許文献１に記載された発明は、デフォルト率を計算するために使用する変数値について、財務値など用意された変数値を全て使用している。しかし、財務値によっては、デフォルト率と相関が低く、計算に使用することでかえってデフォルト率の推定精度が低くなってしまう。換言すると、ノイズとなる財務値の影響で、低信頼のデフォルト率が計算されてしまう。そこで、本発明は、前記した問題を解決し、推定精度の高いデフォルト率を信用リスクの一つとして計算することを主な目的とする。

前記課題を解決するため、本発明は、取引先の財務値をもとに、取引先のデフォルト率を信用リスクの一つとして計算する信用リスク計算装置であって、
前記財務値を導出式に代入して導出値を計算する導出値計算部と、
前記財務値および前記導出値から選択用フラグ列に基づいて、２項ロジットモデルにおける説明変数値を選択する説明変数選択部と、
選択された過去の前記説明変数値および過去の取引先のデフォルト結果値から、２項ロジットモデルにおける前記説明変数値にかかる前記係数を計算する係数計算部と、
選択された推定時の前記説明変数値および２項ロジットモデルにおける前記説明変数値にかかる係数から、前記デフォルト率を計算するデフォルト率推定部と、
前記デフォルト率推定部により計算された前記デフォルト率および過去の取引先の前記デフォルト結果値を比較することで、前記デフォルト率の精度を評価する推定精度評価部と、
前記説明変数選択部が選択に使用する前記選択用フラグ列の候補を個体とする遺伝的アルゴリズムを実行し、前記推定精度評価部の評価結果をもとに遺伝子を選択することで、前記選択用フラグ列を決定する選択用フラグ列最適化部と、を有することを特徴とする。その他の手段は、後記する。

本発明により、説明変数値の選択を行うことで、推定精度の高いデフォルト率を信用リスクの一つとして計算することが可能となる。

以下に、本発明が適用される信用リスク計算装置の一実施形態について、図面を参照して詳細に説明する。まず、本実施形態の信用リスク計算装置の構成について、図１および図２を参照して説明する。

図１は、信用リスク計算装置の構成図である。なお、信用リスク計算装置は、演算処理を行う際に用いられる記憶部としてのメモリと、前記演算処理を行う演算処理装置とを少なくとも備えるコンピュータとして構成される。なお、メモリは、ＲＡＭ（Random Access Memory）などにより構成される。演算処理は、ＣＰＵ（Central Processing Unit）によって構成される演算処理装置が、メモリ上のプログラムを実行することで、実現される。

信用リスク計算装置は、財務値１２、導出値１４、導出式１６、導出式候補１８、選択用フラグ列２０、選択用フラグ列候補２２、説明変数値２４、係数２６、デフォルト率２８、および、デフォルト結果値３０を、それぞれ記憶部に格納する。なお、デフォルト率２８は、信用リスクを示す指標であり、デフォルト率２８の値が高いほど、信用が低い。以下、各データの詳細について、説明する。

一般化線型モデル（generalized linear model）とは、個体が反応を起こす確率ｐを、ｎ個の説明変数とその説明変数にかかる係数２６とを含む式により定義する回帰モデルである。一般化線型モデルは、例えば、文献「木島正明、小守林克哉著、“信用リスク評価の数理モデル”、朝倉書店」に、詳細が記載されている。

この文献によると、一般化線型モデルの式は、例えば、以下のものが挙げられる。
・線型モデル（linear model）
・２項ロジットモデル（binomial logit model）
・２項プロビットモデル（binomial probit model）
・対数モデル（logarithm model）

一般化線型モデルにおける個体が反応を起こす確率ｐを、デフォルトが発生するデフォルト率ｐの推定に活用する。以下、一般化線型モデルの一例として、以下の（式１）に示すロジットモデルをもとに説明する。なお、（式１）において、ｘ_１，…，ｘ_ｎは説明変数値２４であり、ｂ_０，…，ｂ_ｎは説明変数値２４の係数２６である。説明変数値２４は、財務値１２または導出値１４である。

表１は、取引先ごとのデフォルト結果値３０を示す表である。例えば、デフォルトが発生していない「○○商事」には正常を示す値「０」が、デフォルトが発生してしまった「××商事」にはデフォルトを示す値「１」が、それぞれ設定されている。このデータは、ユーザにより入力される。表１は、２００４年までのデフォルト結果値３０を示している。

表２は、取引先ごとの財務値１２を示す表であり、デフォルト結果値３０が確定した過去のデータを示している。まず、財務値１２とは、取引先に関する財務データであり、例えば、流動資産額、当期売上高などが挙げられる。この財務値１２は、例えば、公開された有価証券報告書、貸借対照表、損益計算書、キャッシュフロー計算書から入手できる。このデータは、ユーザにより入力される。

表３は、取引先ごとの財務値１２を示す表であり、デフォルト結果値３０が未確定である推定時のデータを示している。表２との違いは、既にデフォルトが発生してしまった「××商事」、「××製作所」のレコードが存在しないことである。また、表２と表３との共通点は、データの個数Ｎであり、例えば、１０年分の財務データをもとに作成される。例えば、表２は１９９５年から２００４年までの１０年分のデータであり、表３は、１９９６年から２００５年までの１０年分のデータである。このデータは、ユーザにより入力される。

表４は、導出式１６を示す。導出式１６は、複数の財務値１２を代入することにより、導出値１４を計算するための式である。例えば、導出式「１」は、財務値「１」（表２における１９９５年の流動負債、表３における１９９６年の流動負債）と財務値「２」（表２における１９９５年の流動資産、表３における１９９６年の流動資産）との和を、財務値「３」（表２における１９９５年の当期売上、表３における１９９６年の当期売上）で除算する旨を示している。

表５は、導出値１４を示す。導出値１４は、複数の財務値１２を導出式１６によって演算することにより得られた計算結果である。例えば、取引先「○○商事」の導出値「１」は、導出式「１」を用いた計算結果である。

表６は、Ｋ個の導出式候補１８を示す表である。１行が１つの候補である。各導出式候補１８はそれぞれＭ個の導出式１６を持つ。なお、Ｋ個の導出式候補１８それぞれについて、後記する推定精度の評価が計算される。この計算結果により、最も高評価となる１つの導出式候補１８が選択される。

１つの導出式１６は、７つの導出式要素で表される。導出式要素は、Ｈ（１，２，３，４のいずれかの値であり、導出式種別を示す）、Ｘ１〜Ｘ４（財務値１２の項目番号）、および、Ｐ１〜Ｐ２（加減算符号）である。定数Ｋ（導出式候補１８の個数）、および、定数Ｍ（導出式候補１８ごとの導出式１６の個数）は、あらかじめユーザが設定する。また、導出式候補１８の初期化とは、全ての導出式要素について、取りうる値の範囲内でランダムな値を設定することである。

表７は、導出式種別と、導出式１６との対応表である。例えば、表６の候補番号「１」の導出式「１」は、導出式要素「Ｈ＝２、Ｘ１＝１、Ｘ２＝２、Ｘ３＝３、Ｘ４＝５、Ｐ１＝＋、Ｐ２＝＋」である。Ｈ＝２なので、表７を参照することにより、導出式「（Ｘ１ Ｐ１ Ｘ２）÷Ｘ３」となる。この導出式１６に導出式要素を代入すると、「（[１]＋[２]）÷[３]」となる。各財務値１２について、[１]は流動負債、[２]は流動資産、[３]は当期売上なので、表６の候補番号「１」の導出式「１」は、「（流動負債＋流動資産）÷当期売上」となる。

このように、本実施形態は、４つ以下の財務値１２を使った比率（商）をもとに、導出値１４を計算する。この導出式１６は単純であるが、信用リスクの計算には必要十分な導出式１６を作成できる。

また、導出式種別により選択される導出式１６のテンプレートは、どれも１回の除算、および、２回以下の加減算で構成されている簡単な式である。このテンプレートは、専門家やコンサルタントの経験や試行錯誤によって決定される導出式１６をもとに作成されている。よって、冗長性のある計算をするような非効率な式とはならず、人間が直感的に理解できる導出式１６が作成できる。

また、導出式１６は、経済状況の変化などにより変更を頻繁に行う必要がある。専門家やコンサルタントなどの人手で導出式１６を変更することに比べ、計算機によって容易に導出式１６を変更することができる。

なお、説明変数値２４となりうる財務値１２と導出値１４をあわせると、推定に用いる説明変数値２４の数は非常に多くなる。よって、説明変数値２４を全て用いるのではなく、説明変数値２４を選択して用いるほうが、デフォルト率の推定精度を低めるためにノイズとなる説明変数値２４が計算に使用されないため、推定精度が高まる。

表８は、各説明変数値２４について選択または未選択を示す選択用フラグ列２０を示す表である。値「１」が選択を、値「０」が未選択をそれぞれ示す。この場合、財務値１２の項目番号「１，３」および導出値１４の項目番号「１，２」が選択されている。そして、Ｎ個の財務値１２とＭ個の導出値１４とから選択された値が説明変数値２４としてデフォルト率２８の計算に使用される。

表９は、Ｊ個の選択用フラグ列候補２２を示す表である。１行が１つの候補である。なお、Ｊ個の選択用フラグ列候補２２それぞれについて、後記する推定精度の評価が計算される。この計算結果により、最も高評価となる１つの選択用フラグ列候補２２が表８の選択用フラグ列２０として選択される。選択用フラグ列候補２２の初期化とは、全ての説明変数値２４の選択「１」または未選択「０」をランダムに設定することである。

表１０は、表８の選択用フラグ列２０によって説明変数値２４が選択された取引先ごとの説明変数値２４である、財務値１２は表２から、導出値１４は表５から、それぞれ選択されている。

表１１は、係数２６を示す表である。係数２６は、デフォルトしたか否かが既に確定された過去の情報（過去の説明変数値２４、過去のデフォルト結果値３０）をもとに、計算される。この計算は、例えば最小２乗法や、最尤推定法により行われる。

なお、最小２乗法よりも、最尤推定法を用いるほうが望ましい。最小２乗法では、２項ロジットモデルを用いる場合などに、デフォルト率２８が０や１に近い場合には、大きな誤差が発生することが知られているからである。最尤推定法は、例えば文献「「信用リスク評価の数理モデル」木島正明、小守林克哉著、朝倉書店」などに記載されているように大きな誤差を発生しない。

表１２は、取引先ごとのデフォルト率２８の計算結果を示す表である。デフォルト率２８は、推定時の説明変数値２４（表１０参照）および計算した係数２６（表１１参照）をもとに、（式１）に示すロジットモデルによって計算される被説明変数の値である。

なお、計算されたデフォルト率２８は、推定時のデフォルト結果値３０が存在するときには、互いに比較することにより、その推定精度の評価が行われる。例えば、デフォルト率２８が０（デフォルトが発生しない）であるにもかかわらず、デフォルト結果値３０が１のとき（デフォルトが発生した）には、推定精度が低評価となる。

図１は、信用リスク計算装置を導出式１６、選択用フラグ列２０、および、係数２６の計算に活用する際に動作する処理部を記載する構成図である。入力されるデータは、表２に示す財務値１２、および、デフォルト結果値３０である。これらのデータは現在の経済状況に適した信用リスク計算を実現するために、直近の過去のデータを用いる。

導出式最適化部３２は、遺伝的アルゴリズム（ＧＡ：Genetic Algorithm）または遺伝的プログラミング（ＧＰ：Genetic Programming）により、導出式候補１８の評価と更新を所定回数Ｔ回（ユーザが指定）繰り返し、最も評価の高い導出式候補１８を、導出式１６として出力する。導出値計算部３６は、導出式１６に財務値１２を代入することで、導出値１４を計算する。

選択用フラグ列最適化部３４は、導出値計算部３６が計算した導出値１４を採用したときに、遺伝的アルゴリズム（ＧＡ：Genetic Algorithm）または遺伝的プログラミング（ＧＰ：Genetic Programming）により、導出式候補１８の評価と更新を所定回数Ｓ回（ユーザが指定）繰り返し、最も評価の高い選択用フラグ列候補２２を、選択用フラグ列２０として出力する。説明変数選択部３８は、選択用フラグ列２０をもとに、財務値１２および導出値１４から説明変数値２４を選択する。

係数計算部４０は、選択された説明変数値２４、および、デフォルト結果値３０から、係数２６を計算する。デフォルト率推定部４２は、説明変数値２４、および、係数２６からデフォルト率２８を計算する。推定精度評価部４４は、デフォルト結果値３０およびデフォルト率２８から、推定精度を評価する。

図２は、信用リスク計算装置をデフォルト率２８の計算に活用する際に動作する処理部を記載する構成図である。入力されるデータは、表３に示す財務値１２である。

導出値計算部３６は、導出式１６に財務値１２を代入することで、導出値１４を計算する。説明変数選択部３８は、選択用フラグ列２０をもとに、財務値１２および導出値１４から説明変数値２４を選択する。係数計算部４０は、選択された説明変数値２４、および、デフォルト結果値３０から、係数２６を計算する。デフォルト率推定部４２は、説明変数値２４、および、係数２６からデフォルト率２８を計算する。

図３は、導出値１４の最適化処理を示すフローチャートである。導出式候補１８の初期化する（Ｓ１０１）。ループ変数ｔを１からＴまで１つずつ増やす（Ｓ１０２）。サブルーチン「導出式候補１８の評価」を呼び出す（Ｓ１０３）。サブルーチン「導出式候補１８の更新」を呼び出す（Ｓ１０４）。評価の値が最大となる導出式候補１８を、導出式１６に設定する（Ｓ１０５）。

図４は、導出式候補１８の評価を示すフローチャートである。このフローチャートは、図３のＳ１０３の詳細を示す。ループ変数ｉを１からＫまで１つずつ増やす（Ｓ２０１）。導出式候補１８の候補ｉの情報を、導出式１６に設定する（Ｓ２０２）。財務値１２を導出式候補ｉの導出式１６に代入し、導出値１４を計算する（Ｓ２０３）。計算された導出値１４を用いた場合について、サブルーチン「選択用フラグ列２０の最適化処理」を呼び出す（Ｓ２０４）。選択用フラグ列候補２２で最大の評価の値を、導出式候補１８の候補ｉの評価の欄に設定する（Ｓ２０５）。

図５は、導出式候補１８の更新を示すフローチャートである。このフローチャートは、図３のＳ１０４の詳細を示す。導出式候補１８の本体からコピーを一時的に作成する（Ｓ３０１）。導出式候補１８の本体を全て初期化する（Ｓ３０２）。

ループ変数ｉを１からＫまで１つずつ増やす（Ｓ３０３）。導出式候補１８の本体の候補ｉを子と呼ぶ（Ｓ３０４）。導出式候補１８のコピーから、ランダムに二つの候補を選択し、評価の値の大きい候補を第１親とする。（Ｓ３０５）。導出式候補１８のコピーから、ランダムに二つの候補を選択し、評価の値の大きい候補を第２親とする。（Ｓ３０６）。

ここで、乱数を発生させて、その乱数が所定値以上なら「交叉」（Ｓ３０８）、所定値未満なら「突然変異」（Ｓ３０９）を行うように、遺伝操作を選択する（Ｓ３０７）。まず、交叉では、各データ要素（７×Ｍ個）について、確率１／２ずつで、第１親または第２親から子にコピーする。一方、突然変異では、第１親のデータを全て子にコピーした後、各データ要素（７×Ｍ個）について、所定確率で値をランダムに設定する。

図６は、選択用フラグ列２０の最適化処理を示すフローチャートである。このフローチャートは、図４のＳ２０４の詳細を示す。選択用フラグ列候補２２の初期化する（Ｓ４０１）。ループ変数ｔを１からＳまで１つずつ増やす（Ｓ４０２）。サブルーチン「選択用フラグ列候補２２の評価」を呼び出す（Ｓ４０３）。サブルーチン「選択用フラグ列候補２２の更新」を呼び出す（Ｓ４０４）。評価の値が最大となる選択用フラグ列候補２２を、選択用フラグ列２０に設定する（Ｓ４０５）。

図７は、選択用フラグ列候補２２の評価を示すフローチャートである。このフローチャートは、図６のＳ４０３の詳細を示す。ループ変数ｉを１からＪまで１つずつ増やす（Ｓ５０１）。選択用フラグ列候補２２の候補ｉの情報を、選択用フラグ列２０に設定する（Ｓ５０２）。

選択用フラグ列２０により選択された説明変数値２４およびデフォルト結果値３０をもとに、係数２６を計算する（Ｓ５０３）。係数２６の計算処理の詳細を説明する。まず、選択された説明変数値２４のｊ番目の取引先のｉ番目のデータをｘ_ｉｊとし、ｊ番目の取引先のデフォルト結果値３０をｄ_ｊとする。次に、係数ｂ_０，…，ｂ_Ｌをランダムな値に初期化する。そして、（式２）に示す対数尤度関数を最大化するように、ニュートンラプソン法により、係数ｂ_０，…，ｂ_Ｌを計算する。なお、（式２）におけるｐ_ｊは、（式３）で示される。

説明変数値２４、および、計算された係数２６から、デフォルト率２８を計算する（Ｓ５０４）。デフォルト率２８の計算処理の詳細を説明する。まず、選択された説明変数値２４のｊ番目の取引先のｉ番目のデータをｘ_ｉｊとし、ｊ番目の取引先のデフォルト結果値３０をｄ_ｊとする。次に、係数ｂ_０，…，ｂ_Ｌを読み込み、項目ｉの係数２６をｂ_ｉとする。そして、変数ｊを１から取引先数まで１ずつ増やしながら、ｊ番目の取引先のデフォルト率２８を、（式３）で示されるｐ_ｊとして計算する。

計算されたデフォルト率２８、および、デフォルト結果値３０から、推定精度を評価する（Ｓ５０５）。デフォルト率２８の精度評価処理の詳細を説明する。まず、選択された説明変数値２４のｊ番目の取引先のｉ番目のデータをｘ_ｉｊとし、ｊ番目の取引先のデフォルト結果値３０をｄ_ｊとする。次に、係数ｂ_０，…，ｂ_Ｌを読み込み、項目ｉの係数２６をｂ_ｉとする。そして、（式２）に示す評価値を計算する。なお、（式２）におけるｐ_ｊは、（式３）で示される。

推定精度の評価値を、選択用フラグ列候補２２の候補ｉの評価の欄に設定する（Ｓ５０６）。

図８は、選択用フラグ列候補２２の更新を示すフローチャートである。このフローチャートは、図６のＳ４０４の詳細を示す。このフローチャートでは、本体の一時的なコピーを作成し、このコピーを親の集団とし、本体を空白で初期化してから、これを子の集団とし、親から子を作成し、子が全て完成したら、親は破棄する処理を行う。以下、処理の詳細を説明する。選択用フラグ列候補２２の本体からコピーを一時的に作成する（Ｓ６０１）。選択用フラグ列候補２２の本体を全て空白で初期化する（Ｓ６０２）。

ループ変数ｉを１からＪまで１つずつ増やす（Ｓ６０３）。選択用フラグ列候補２２の本体の候補ｉを子と呼ぶ（Ｓ６０４）。選択用フラグ列候補２２のコピーから、ランダムに二つの候補を選択し、評価の値の大きい候補を第１親とする。（Ｓ６０５）。選択用フラグ列候補２２のコピーから、ランダムに二つの候補を選択し、評価の値の大きい候補を第２親とする。（Ｓ６０６）。

ここで、乱数を発生させて、その乱数が所定値以上なら「交叉」（Ｓ６０８）、所定値未満なら「突然変異」（Ｓ６０９）を行うように、遺伝操作を選択する（Ｓ６０７）。まず、交叉では、各データ要素（Ｎ＋Ｍ個）について、確率１／２ずつで、第１親または第２親から子にコピーする。一方、突然変異では、第１親のデータを全て子にコピーした後、各データ要素（Ｎ＋Ｍ個）について、所定確率で値をランダムに設定する。

以上説明した本実施形態によれば、遺伝的アルゴリズムにより、導出式１６および選択用フラグ列２０を適宜より適したものにする。これにより、経済状況の変化に即した高精度なデフォルト率を計算することができる。

本発明の一実施形態に関する信用リスク計算装置を示す構成図である。 本発明の一実施形態に関する信用リスク計算装置を示す構成図である。 本発明の一実施形態に関する導出値の最適化処理を示すフローチャートである。 本発明の一実施形態に関する導出式候補の評価を示すフローチャートである。 本発明の一実施形態に関する導出式候補の更新を示すフローチャートである。 本発明の一実施形態に関する選択用フラグ列の最適化処理を示すフローチャートである。 本発明の一実施形態に関する選択用フラグ列候補の評価を示すフローチャートである。 本発明の一実施形態に関する選択用フラグ列候補の更新を示すフローチャートである。

符号の説明

１２ 財務値
１４ 導出値
１６ 導出式
１８ 導出式候補
２０ 選択用フラグ列
２２ 選択用フラグ列候補
２４ 説明変数値
２６ 係数
２８ デフォルト率
３０ デフォルト結果値
３２ 導出式最適化部
３４ 選択用フラグ列最適化部
３６ 導出値計算部
３８ 説明変数選択部
４０ 係数計算部
４２ デフォルト率推定部
４４ 推定精度評価部

Claims (5)

1. 取引先の財務値をもとに、取引先のデフォルト率を信用リスクの一つとして計算する信用リスク計算装置であって、
   前記財務値を導出式に代入して導出値を計算する導出値計算部と、
   前記財務値および前記導出値から選択用フラグ列に基づいて、２項ロジットモデルにおける説明変数値を選択する説明変数選択部と、
   選択された過去の前記説明変数値および過去の取引先のデフォルト結果値から、２項ロジットモデルにおける前記説明変数値にかかる前記係数を計算する係数計算部と、
   選択された推定時の前記説明変数値および２項ロジットモデルにおける前記説明変数値にかかる係数から、前記デフォルト率を計算するデフォルト率推定部と、
   前記デフォルト率推定部により計算された前記デフォルト率および過去の取引先の前記デフォルト結果値を比較することで、前記デフォルト率の精度を評価する推定精度評価部と、
   前記説明変数選択部が選択に使用する前記選択用フラグ列の候補を個体とする遺伝的アルゴリズムを実行し、前記推定精度評価部の評価結果をもとに遺伝子を選択することで、前記選択用フラグ列を決定する選択用フラグ列最適化部と、を有することを特徴とする
   信用リスク計算装置。
2. 前記導出値計算部が計算に使用する前記導出式の候補を個体とする遺伝的アルゴリズムを実行し、前記推定精度評価部の評価結果をもとに遺伝子を選択することで、前記導出式を決定する導出式最適化部をさらに有し、
   前記個体は、４つ以下の前記財務値、１回の除算、および、２回以下の加減算をもとに構成された前記導出式のテンプレートに沿って作成されることを特徴とする
   請求項１に記載の信用リスク計算装置。
3. 前記係数計算部は、最尤推定法により前記係数を計算することを特徴とする
   請求項１または請求項２に記載の信用リスク計算装置。
4. 取引先の財務値をもとに、取引先のデフォルト率を信用リスクの一つとして計算するコンピュータを用いる信用リスク計算方法であって、
   前記コンピュータが、
   財務値を導出式に代入して導出値を計算する手順と、
   財務値および導出値から選択用フラグ列に基づいて、２項ロジットモデルにおける説明変数値を選択する手順と、
   選択された過去の前記説明変数値および過去の取引先のデフォルト結果値から、２項ロジットモデルにおける前記説明変数値にかかる前記係数を計算する手順と、
   選択された推定時の前記説明変数値および２項ロジットモデルにおける前記説明変数値にかかる係数から、前記デフォルト率を計算する手順と、
   前記計算された前記デフォルト率および過去の取引先の前記デフォルト結果値を比較することで、前記デフォルト率の精度を評価する手順と、
   前記説明変数値を選択する手順に使用される前記選択用フラグ列の候補を個体とする遺伝的アルゴリズムを実行し、前記デフォルト率の精度の評価結果をもとに遺伝子を選択することで、前記選択用フラグ列を決定する手順と、を実行することを特徴とする
   信用リスク計算方法。
5. 前記コンピュータが、前記導出値の計算に使用される前記導出式の候補を個体とする遺伝的アルゴリズムを実行し、前記デフォルト率の精度の評価結果をもとに遺伝子を選択することで、前記導出式を決定する手順をさらに追加し、
   前記個体は、４つ以下の前記財務値、１回の除算、および、２回以下の加減算をもとに構成された前記導出式のテンプレートに沿って作成されることを特徴とする
   請求項４に記載の信用リスク計算方法。

Images