JP5484968B2 - 情報処理装置、情報処理方法、及びプログラム - Google Patents
情報処理装置、情報処理方法、及びプログラム Download PDFInfo
- Publication number
- JP5484968B2 JP5484968B2 JP2010056005A JP2010056005A JP5484968B2 JP 5484968 B2 JP5484968 B2 JP 5484968B2 JP 2010056005 A JP2010056005 A JP 2010056005A JP 2010056005 A JP2010056005 A JP 2010056005A JP 5484968 B2 JP5484968 B2 JP 5484968B2
- Authority
- JP
- Japan
- Prior art keywords
- rating
- transition
- risk amount
- amount
- storage unit
- 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.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims description 35
- 238000003672 processing method Methods 0.000 title claims description 6
- 230000007704 transition Effects 0.000 claims description 100
- 238000004364 calculation method Methods 0.000 claims description 52
- 238000000034 method Methods 0.000 claims description 42
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 241001589086 Bellapiscis medius Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012795 verification 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Description
例えば、特許文献1では、社内スコア(自社内で予め定められた格付)に応じたクレジットライン(与信限度額)を、調査機関から入手可能な売上高、総資産、自己資本等の情報により得られる取引先の企業規模毎に設定しておき、社内スコア及び企業規模が決定されれば自動的にクレジットラインが設定される金融取引システムが開示されている。
ここでの与信限度額は、債務者の財務的な返済能力についての視点から求められる値ではなく、債務者に仮に財務状況の観点から融資可能と判断された場合であっても、当該金融機関の与信ポートフォリオ管理として一の債務者への与信集中を許容できる限度の視点から求められるものである。なお、一の債務者とは、単に法人格等の本人名寄せによるものだけでなく、信用リスクの観点から同じ企業グループ等に属する債務者をひとまとめにして一者(一社)とみなしたものでもよい。
すなわち、高格付の債務者であっても、少数の債務者へ与信集中の度合いを高くしていくと、当該金融機関が抱えるリスク量(確率的に被りうる最大的な損失であり、経済的価値の変動を基に計算される。)は大きくなる。
そこで、本実施形態では、与信限度額を一定の値として特定の債務者への集中を制限することで、ポートフォリオのリスク量が一定以下となるような与信限度額を定量的に求める。
なお、与信限度額には、その金額以上に融資等を行うことを制限するハード・リミットだけでなく、ソフト・リミット、アラーム・ラインのように通常とは異なる取引条件や業務運用等を適用する基準となるものも含まれる。
全資産をA社の株など特定の銘柄に一点張りするとリスクが大きい(即ち、損失が大きくなる確率が高い。)。そこで、ポートフォリオ理論により、複数の銘柄に分散投資することでリスクを軽減できるが、リスクを一定以下にするためには一銘柄当たりの投資額をいくら以下にすべきか、という限度額を考える。
例えば、東証一部上場の銘柄である場合は、幾つの銘柄に分散投資した方がよいといった目安が提言されることがあるが、見方を変えると、「限度額=全資産/最小分散銘柄数」と考えられる。一銘柄当たりの投資額を上記限度額以下にすると、結果としてポートフォリオの銘柄数は、最小分散銘柄数以上となることがわかる。すなわち、単純に銘柄数だけを満たしても、特定の銘柄に偏っていては実質的な銘柄数は増えることにはならないので、限度額をもとに投資を行うようにする。
また、上記と同じ計算を、東証二部や新興株について行うと、上記のNよりも大きくなるかもしれない。つまり、投資対象を同じようなリスク特性を有するものにカテゴリーに分けて考えると、カテゴリーごとに異なる計算結果となることが予想される。
その条件を満たすNを最小分散社数(Nmin)とすると、与信限度額=与信総額/Nminとなる。一債務者当たりのEAD(与信額)を上記与信限度額以下にすると、結果としてポートフォリオの実質的な債務者数(実質債務者数)は、Nmin以上となることがわかる。すなわち、単純に債務者数だけを満たしても、特定の債務者に偏っていては実質的な債務者数は増えることにはならないので、与信限度額をもとに与信を行う必要がある。ここで、EADは、デフォルト時エクスポージャー(EAD:Exposure at Default)である。
参考文献1:家田明・丸茂幸平・吉羽要直、「与信ポートフォリオにおける信用リスクの簡便な算出方法」、『金融研究』 2000.9、日本銀行 金融研究所。
より具体的には、図1Aに示すように、景気にともなって債務者の格付も変動するため、そういったリスク指標を判断基準として貸出等を行ったとき、景気による貸出姿勢の変化を激しくする結果となることが懸念される。なお、景気に影響されにくいTTC(Through The Cycle)の格付モデルへの取り組みはあるものの、毎年ある程度の割合で格付が推移しているのが実態である。
そこで、本実施形態では、モンテカルロ法、準モンテカルロ法等を用いて推移後の格付をシミュレーションし(後述の格付推移行列を使用し)、推移後の格付によりリスク量を計算する。この構成によれば、上述した平均回帰(mean reversion)の性質を織り込むことができるようになる。なお、不景気時においても常に下落の傾向の格付推移を想定するようなストレス・シナリオとしての用い方や、現状維持を想定した使用も可能である。
よって、リスク量に見合う分だけの自己資本等を充実させる必要のある金融機関のおいては、特に、上記のように格付推移を織り込んだリスク量を用いることで、長期的な自己資本等の充実、経営基盤の安定性の確保を図ることができるようになる。
以下では、推移後の格付に基づくリスク量をシミュレーションし、格付別の与信限度額を求める方法を説明する。
情報処理装置は、CPU(Central Processing Unit)10、記憶デバイス20、入力デバイス30、及び出力デバイス40を含んで構成される。CPU10、記憶デバイス20、入力デバイス30、及び出力デバイス40は、バス50を介して通信可能に接続されている。
CPU10は、必要に応じて、記憶デバイス20よりプログラムを読み出して、プログラムを実行する。プログラムが実行されることで、情報処理装置における後述の機能、及び後述のフローチャートに係る処理が実現される。
記憶デバイス20は、ROM(Read Only Memory)、RAM(Random Access Memory)、HD(Hard Disk)等で構成され、各種の情報を記憶する。記憶デバイス20(例えば、ROM)は、情報処理装置の電源投入時に最初に読み込まれるプログラム等を記憶する。また、記憶デバイス20(例えば、RAM)は、情報処理装置のメインメモリとして機能する。また、記憶デバイス20(例えば、HD)は、プログラム以外にCPU10により算出された数値データ等を記憶する。
なお、情報処理装置は、自装置(すなわち、情報処理装置)を外部記憶デバイス(例えば、CD−ROMドライブ)、ネットワーク等に接続するインターフェースを備えてもよい。すなわち、情報処理装置は、記憶デバイス20に記憶される各種の情報を、CD−ROM等の記録媒体から取得してもよいし、ネットワーク等を通じてダウンロードしてもよい。
仮想データ作成部100は、実質債務者数Nの仮想データ(例えば、後述の仮想ポートフォリオ・データ)を、設定情報(例えば、後述の各種のパラメータ)を基に作成する。
推移後格付決定部110は、記憶部の一例である記憶デバイス20に記憶されている格付毎の推移を表す格付推移データ(例えば、後述の格付推移行列)に従って、複数のシナリオについて、仮想データの推移後の格付(例えば、後述の格付推移シナリオ)を決定する。
分散対象数設定部130は、記憶部に記憶されている許容リスク量よりも小さくなるNのうち最小のものを分散対象数(例えば、後述の最小分散社数Nmin)として設定する。
与信限度額算出部140は、分散対象数設定部130で設定された分散対象数と記憶部に記憶されている与信総額とに基づいて与信限度額を算出する。
まず、CPU10は、計算対象とする格付(k)を決定する(ステップS10)。より具体的には、CPU10は、計算対象とする格付を記憶デバイス20から読み出す。計算対象とする格付は、例えば画面を介したユーザ操作により、格付別パラメータとして格付ごとに予め設定されている(例えば、図5A参照のこと。)。
なお、二分法について、より具体的に説明すれば、以下の(a)〜(b)のとおりである。
(a)実質債務者数NをN探索区間の上限値としたときの予測リスク量と許容リスク量の大小関係(+−)と、同様にNを下限値としたときの大小関係が同じであるときはエラーとする。
(b)Nを、上限値と下限値の中間値(整数)としたときの大小関係が、下限値と同じであれば、下限値を中間値で置換し再度(b)を行う。上限値と同じときは上限値を中間値で置換し再度(b)を行う。
(c)(b)を下限値と上限値の差が1以下となるまで繰り返し、そのときの上限値を最小分散社数とする。
ここで、格付推移行列は、例えば画面を介したユーザ操作により、予め設定されている(例えば、図5D参照のこと。)。格付推移行列は、今期の格付が来期ではどの格付にあるか、すなわち今期の格付がどの様に推移するかを示している。なお、本実施形態では、格付は、「S」が最も高い格付であり、「A」、「B」、・・・の順に、低い格付となり、デフォルトは、債務不履行となることを表す。
また、PD及び相関は、例えば画面を介したユーザ操作により、格付別パラメータとして格付ごとに予め設定されている(例えば、図5A参照のこと。)。
次に、CPU10は、試行回数分のステップS25及びステップS30の処理を行う(ステップS35)。換言するならば、CPU10は、試行回数分の処理を行ったかを判定する。このとき、CPU10は、試行回数分の処理を行ったと判定した場合は、ステップS40の処理を行い、試行回数分の処理を行っていないと判定した場合は、ステップS25の処理を行う。
次に、CPU10は、作成した分布の100α%点(なお、αは、図5Cに示す格付推移時の信頼水準の値である。)を求めることで、確率αで起こりうる最悪時のリスク量(Wα)とする(ステップS45)。
次に、CPU10は、最悪時のリスク量と許容リスク量の大小関係(言い換えると、解を含む区間)を判定する(ステップS50)。
次に、CPU10は、最悪時のリスク量<許容リスク量となる最小の実質債務者数(最小分散社数Nmin)を求める(ステップS55)。換言するならば、CPU10は、解を求めることができたか否かを判定する。このとき、CPU10は、最小の実質債務者数を求めたと判定した場合、ステップS60の処理を行い、求めていないと判定した場合、ステップS15の処理を行う。
次に、CPU10は、計算対象の格付の全ての与信限度額を求めたか否かを判定する(ステップS65)。このとき、CPU10は、全ての与信限度額を求めたと判定した場合は、与信限度額算出処理を終了し、与信限度額を求めていないものがあると判定した場合は、ステップS10の処理を行う。
なお、CPU10は、上述の与信限度額算出処理を終了すると、計算結果として、格付ごとの与信限度額を出力デバイスに表示する(例えば、図5E参照のこと。)。
また、上述のとおり、本実施形態では、CPU10は、図5Aに示す格付けを順次読み出し、各格付についてステップS10〜ステップS65の処理を繰り返し実行する。ここでは、ステップS10でCPU10によって記憶デバイス20から読み出された格付が「C」(以下では、C格と称する。)の場合について説明する。
また、上述のとおり、本実施の形態では、CPU10は、二分法によって所定の条件を満たすNが求まるまでは、Nを変化させながらS15〜S55を繰り返し実行する。図5Bに示す例では、Nの最小値は10であり、Nの最大値は1000であることを示しているが、ここでは、ステップS15で実質債務者数が100として定められた場合について説明する。
なお、本実施の形態では、二分法によりNを変化させていくが、例えば最小値から1ずつ順番にNの値を増加させていきながら、所定の条件を満たすN(すなわち、最悪時のリスク量Wα<許容リスク量となる最小のN)を求める構成であってもよく、特に限定はされない。
まず、CPU10は、仮想ポートフォリオ・データを作成する(ステップS20)。仮想ポートフォリオ・データは、図6に示すように、債務者(債務者i)に対応して、現在の格付(現在格付Ri)および、EAD(EADi)を含んで構成される。EADは、与信総額を実質債務者数(N)で除することにより算出され、この例では、EADは、1兆五千(億円)/100(人)=150(億円)となる。付言するならば、この例では、Nは100であり、N−1は99であり、N−2は98である。
より詳細に説明すると、CPU10は、処理手順(1)〜(3)を行うことで推移後格付を求める。なお、処理手順1〜2における計算式では、s、rは、格付記号に対応する整数符号(低格付から順番に1〜としたもの)とする。図5Dに示す例では、格付記号のデフォルト、G、F、E、D、C、B、A、Sの順に、それぞれ、整数符号1、2、3、4、5、6、7、8、9に対応する。また、Riは債務者iの現在格付であり、Rijは債務者iの格付推移シナリオjにおける推移後格付であるが、明細書や図面では、格付記号または格付記号に対応する整数符号のいずれかによって、具体的な格付を示している。
以下では、図7および図8を用いて、推移後格付を算出する処理手順(1)〜(3)について説明する。図7は、格付閾値と債務者の企業価値の確率分布(標準正規分布の確率密度関数n(x))との関係の一例を示す図である。また、図8は、複数の格付推移シナリオを示す図であり、CPU10により求められた格付推移シナリオごとの推移後格付の一例を示している。また、ここでは、モンテカルロ法での試行回数が10000回の場合を例に説明する。
はじめに、CPU10は、記憶デバイス20に記憶されている図5Dに示す格付推移行列のうち、ステップS10で読み出した計算対象の格付(ここでは、C格)に対応する行の値を読み出し、式(1)及び式(2)を用いて、図7の横軸に示す格付閾値θrを算出する。格付閾値θrとは、格付sから格付r以下へ推移するときの企業価値の閾値である。ここで、図7は、格付閾値と債務者の企業価値の確率分布(標準正規分布の確率密度関数n(x))との関係の一例を示す図であり、横軸は企業価値、縦軸は各企業価値となる確率を示している。なお、図7に示す企業価値の分布を表す曲線は、格付閾値θ0〜θ9を説明するために模式的に示すものであって、債務者ごとに個別に算出するものではない。
また、PSsrは、現在の格付(Ri=s)からrに対応する格付以下へ推移する確率である。例えば、現在のC格からr(=1〜9)に対応する格付以下へ推移する確率はPS6rのように表される。より具体的には、例えば現在のC格からD格以下へ推移する確率は、D格が整数符号5に対応しており、PS65=P61+P62+P63+P64+P65のように表される。
また、N(x)は、標準正規分布の累積確率関数であり、N-1(x)は、N(x)の逆関数である。なお、上述のθ0およびθ9については図示していないが、θ0=−∞、θ9=∞である。これは、例えば、現在の格付をC格とすると、PS60=0%およびPS69=100%を式(2)に代入することによって、θ0およびθ9がそれぞれ求まる。
次に、CPU10は、債務者(債務者i)の企業価値(xi)を表す乱数を生成する。例えばメルセンヌ・ツイスターを用いて、標準正規乱数を生成するが、他の乱数の生成法を用いてもよく特に限定されない。そして、CPU10は、発生した乱数が式(3)の関係を満たすとき、推移後格付Rijをrとする。
より具体的には、CPU10は、生成した乱数と図7の横軸に示す格付閾値θ0〜θ9の各値とを比較して、式(3)を満たすようなr(=1〜9)を特定する。そして、CPU10は、特定したrに対応する格付を、図8に示す推移後格付Rijとして決定し、記憶デバイス20に記憶する。例えば、CPU10は、債務者1について、現在格付がC格の場合に格付推移シナリオ1において生成した乱数xiが、θ4<xi<θ5を満たす値であれば、D格であると判定し、記憶デバイス20に記憶する。
CPU10は、処理手順(2)を全ての債務者及び格付推移シナリオについて繰り返し行う。すなわち、この例では、処理手順(2)が、100(人)×10000(回)=1000000(回)行われる。
より具体的には、はじめに、CPU10は、図8に示す全ての債務者i(i=1〜100)について、格付推移シナリオ1における乱数(x1〜x100)を生成し、全てのxi(i=1〜100)について、処理手順(2)のとおり、式(3)を満たすrを特定する。これにより、CPU10は、格付推移シナリオ1における各債務者i(i=1〜100)の推移後格付Ri1(図8の格付推移シナリオj=1の列)を決定する。次に、CPU10は、同様にして、格付推移シナリオ2における各債務者i(i=1〜100)の推移後格付Ri2を決定する。さらに、CPU10は、格付推移シナリオ10000まで、同様の処理を繰り返す。
参考文献2:安藤美孝、「与信ポートフォリオの信用リスクの解析的な評価方法:極限損失分布およびグラニュラリティ調整を軸に」、『金融研究』 2005.7、日本銀行 金融研究所
参考文献3:菊池健太郎、「与信ポートフォリオVaRの解析的な評価法:条件付鞍点法による近似計算の理論と数値検証」、『金融研究』第26巻別冊第2号、日本銀行金融研究所、2007年
参考文献4:肥後秀明、「信用リスク計量モデルの基礎と応用」、日本銀行 金融機構局 金融高度化センター、2006年7月10日
まず、CPU10は、図9に示すように、ステップS25において生成した各格付推移シナリオについて、リスク量の計算に用いるパラメータ(リスク量計算用パラメータ)を生成する。リスク量計算用パラメータは、債務者毎に、格付推移シナリオ、PD、相関、デフォルト時の損失率(LGD:Loss Given Default)、及びEADを含んで構成される。
つまり、CPU10は、全ての格付推移シナリオj(j=1〜10000)について、図5Aに示す格付別パラメータおよび図5Cに示す基本パラメータから、各債務者i(i=1〜100)の推移後格付に対応するPD、相関、デフォルト時の損失率(LGD:Loss Given Default)、及びEADを取得し、図9に示すような構成のデータを記憶デバイス20に記憶させ、リスク量計算用パラメータとして用意する。ここで、図9は、格付推移シナリオ1についてのリスク量計算用パラメータを示す図である。
より具体的には、図9に示すPD(PDi)は、図5Aに示す格付別パラメータのPDのうち、推移後格付に対応する値である。例えば、図9に示すように、格付推移シナリオ1については、債務者1の推移後格付はD格であるので、D格に対応する0.50%がCPU10により記憶デバイス20に記憶された格付別パラメータから取得される。
また、図9に示すLGD(LGDi)は、図5Cに示す基本パラメータのLGDであり、この例では、45%であり、CPU10によって、記憶デバイス20に記憶された格付パラメータから取得される。
また、図9に示すEAD(EADi)は、図6に示す仮想ポートフォリオ・データの各債務者のEADであり、この例では、150億である。各債務者のEAD(EADi)は、CPU10によって、ステップS20において生成された仮想ポートフォリオ・データを記憶している記憶デバイス20から取得される。
続いて、CPU10は、必要に応じて実質債務者数Nを変更し、上記と同様に最悪時のリスク量を決定する。これにより、例えば図11に示すように、実質債務者数Nごとに最悪時のリスク量のデータが生成される。そして、CPU10は、実質債務者数Nごとの最悪時のリスク量について、許容リスク量との大小関係を判定し、最悪時のリスク量が許容リスク量よりも小さくなる最小の実質債務者数、すなわち、最小分散社数Nminを決定し、与信限度額(=与信総額/最小の実質債務者数)を求める。なお、図11に示す例では、説明のため、Nを1つずつ増加させた場合の最悪時のリスク量についての計算結果のイメージを示しているが、二分法を用いた場合には、Nは1つずつ増加する訳ではない。
以上のとおり、CPU10は、ステップS15において二分法によって決定した各実質債務者数Nについて、ステップS20〜ステップS45によって最悪時のリスク量を算出し、ステップS50において許容リスク量との大小関係を判定するという一連の処理を繰り返し、最終的にステップS55において、許容リスク量よりも小さい最悪のリスク量が特定された際の実質債務者数Nのうち、最小となる実質債務者数Nを最小分散社数Nminとして決定し、ステップS60において与信限度額を算出する。なお、実質債務者数Nが最小のときには、最悪時のリスク量は最大となるため、許容リスク量よりも小さい最悪時のリスク量のうち、最大となる最悪時のリスク量が特定されたときの実質債務者数Nを最小分散社数Nminとして決定することもできる。そして、最小分散社数Nminを決定するステップS15〜ステップS60までの一連の処理は、ステップS10において選択された格付ごとに繰り返され、最終的に図5Eに示すように、格付ごとの与信限度額のデータが生成されることになる。
本実施形態によれば、期待損失だけでなくVaRやULなどの確率的な最大損失を考慮したリスク指標の値に基づいて与信限度額を算出することができる。しかも、推移後格付に基づいて算出されたリスク指標の値を用いて与信限度額を算出することになるため、与信限度額に平均回帰の性質を織り込むことができ、プロシクリカリティを解決することが可能となる。したがって、景気の現況のみに左右されることのない適切な与信限度額を設定することができるようになる。
これにより、リスク量に見合う分だけの自己資本等を充実させる必要のある金融機関においては、特に、格付の推移を織り込んだリスク量を用いることで、長期的な自己資本等の充実、経営基盤の安定性の確保を図ることができるようになる。
推移後格付決定部200は、格付推移データを記憶部から取得し、対象数N(例えば、実質債務者数N)からなる複数のシナリオ(例えば、格付推移シナリオ)の推移後の格付を、乱数を用いて決定する。リスク量算出部210は、推移後格付決定部200で決定された推移後の格付に対応する相関及びデフォルト率、デフォルト時の損失率、並びに与信総額に基づいて、シナリオ毎にリスク量を算出する。
予測リスク量特定部220は、リスク量算出部210で算出されたリスク量から予測リスク量を特定する。分散対象数設定部230は、記憶部に記憶されている許容リスク量よりも小さくなるNのうち最小のものを分散対象数として設定する。与信限度額算出部240は、分散対象数設定部230で設定された分散対象数と記憶部に記憶されている与信総額とに基づいて与信限度額を算出する。
また、格付推移行列については、過去実績により求めたもの以外に、ストレスをかけた値を採用してもよい。1年間の推移確率以外に、数年間もしくは1年未満の推移確率を採用してもよい。
また、与信総額、許容リスク量については、格付毎に異なる値を採用してもよい。
また、以上のように求めた与信限度額に対して、例えば実務上は、きりのよい数字を採用してもよいし、一定の掛目を掛けたものをアラーム・ラインとして採用してもよい。
上述した実施形態によれば、与信限度額をより適切に設定することができるようになる。
20 記憶デバイス
30 入力デバイス
40 出力デバイス
50 バス
Claims (8)
- 実質債務者数Nの仮想データを、記憶部に記憶されている設定情報を基に作成する仮想データ作成手段と、
前記記憶部に記憶されている格付毎の推移を表す格付推移データに従って、複数のシナリオについて、前記仮想データの推移後の格付を決定する推移後格付決定手段と、
前記仮想データの推移後の格付に基づいてシナリオ毎にリスク量を計算し、前記記憶部に記憶されている信頼水準に対応するリスク量を前記仮想データの予測リスク量として特定する予測リスク量特定手段と、
前記記憶部に記憶されている許容リスク量よりも小さい予測リスク量が前記予測リスク量特定手段で特定された際の前記実質債務者数Nのうち、最小となる実質債務者数Nを分散対象数として設定する分散対象数設定手段と、
前記分散対象数設定手段で設定された分散対象数と前記記憶部に記憶されている与信総額とに基づいて与信限度額を算出する与信限度額算出手段と、
を有する情報処理装置。 - 前記推移後格付決定手段は、モンテカルロ法又は準モンテカルロ法を適用して推移後の格付を決定し、
前記予測リスク量特定手段は、モンテカルロ法、準モンテカルロ法、及び解析的近似法の何れか1つを適用してリスク量を算出する請求項1に記載の情報処理装置。 - 前記推移後格付決定手段は、CPUが提供するSIMD機能を利用して推移後の格付を決定し、
前記予測リスク量特定手段は、CPUが提供するSIMD機能を利用してリスク量を算出する請求項1又は2に記載の情報処理装置。 - 格付毎の推移を表す格付推移データを記憶部から取得し、対象数Nからなる複数のシナリオの推移後の格付を、乱数を用いて決定する推移後格付決定手段と、
前記推移後格付決定手段で決定された推移後の格付に対応する相関及びデフォルト率、予め設定されたデフォルト時の損失率、並びに予め設定された与信総額を記憶部から取得し、取得した前記相関、前記デフォルト率、前記損失率、及び前記与信総額に基づいて、シナリオ毎にリスク量を算出するリスク量算出手段と、
前記リスク量算出手段で算出されたリスク量から、前記記憶部に記憶されている信頼水準に対応するリスク量を前記対象数Nの予測リスク量として特定する予測リスク量特定手段と、
前記記憶部に記憶されている許容リスク量よりも小さい予測リスク量が前記予測リスク量特定手段で特定された際の前記対象数Nのうち、最小となる対象数Nを分散対象数として設定する分散対象数設定手段と、
前記分散対象数設定手段で設定された分散対象数と前記与信総額とに基づいて与信限度額を算出する与信限度額算出手段と、
を有する情報処理装置。 - 情報処理装置が実行する情報処理方法であって、
実質債務者数Nの仮想データを、記憶部に記憶されている設定情報を基に作成する仮想データ作成工程と、
前記記憶部に記憶されている格付毎の推移を表す格付推移データに従って、複数のシナリオについて、前記仮想データの推移後の格付を決定する推移後格付決定工程と、
前記仮想データの推移後の格付に基づいてシナリオ毎にリスク量を計算し、前記記憶部に記憶されている信頼水準に対応するリスク量を前記仮想データの予測リスク量として特定する予測リスク量特定工程と、
前記記憶部に記憶されている許容リスク量よりも小さい予測リスク量が前記予測リスク量特定工程で特定された際の前記実質債務者数Nのうち、最小となる実質債務者数Nを分散対象数として設定する分散対象数設定工程と、
前記分散対象数設定工程で設定された分散対象数と前記記憶部に記憶されている与信総額とに基づいて与信限度額を算出する与信限度額算出工程と、
を有する情報処理方法。 - 情報処理装置が実行する情報処理方法であって、
格付毎の推移を表す格付推移データを記憶部から取得し、対象数Nからなる複数のシナリオの推移後の格付を、乱数を用いて決定する推移後格付決定工程と、
前記推移後格付決定工程で決定された推移後の格付に対応する相関及びデフォルト率、予め設定されたデフォルト時の損失率、並びに予め設定された与信総額を記憶部から取得し、取得した前記相関、前記デフォルト率、前記損失率、及び前記与信総額に基づいて、シナリオ毎にリスク量を算出するリスク量算出工程と、
前記リスク量算出工程で算出されたリスク量から、前記記憶部に記憶されている信頼水準に対応するリスク量を前記対象数Nの予測リスク量として特定する予測リスク量特定工程と、
前記記憶部に記憶されている許容リスク量よりも小さい予測リスク量が前記予測リスク量特定工程で特定された際の前記対象数Nのうち、最小となる対象数Nを分散対象数として設定する分散対象数設定工程と、
前記分散対象数設定工程で設定された分散対象数と前記与信総額とに基づいて与信限度額を算出する与信限度額算出工程と、
を有する情報処理方法。 - コンピュータを、
実質債務者数Nの仮想データを、記憶部に記憶されている設定情報を基に作成する仮想データ作成手段と、
前記記憶部に記憶されている格付毎の推移を表す格付推移データに従って、複数のシナリオについて、前記仮想データの推移後の格付を決定する推移後格付決定手段と、
前記仮想データの推移後の格付に基づいてシナリオ毎にリスク量を計算し、前記記憶部に記憶されている信頼水準に対応するリスク量を前記仮想データの予測リスク量として特定する予測リスク量特定手段と、
前記記憶部に記憶されている許容リスク量よりも小さい予測リスク量が前記予測リスク量特定手段で特定された際の前記実質債務者数Nのうち、最小となる実質債務者数Nを分散対象数として設定する分散対象数設定手段と、
前記分散対象数設定手段で設定された分散対象数と前記記憶部に記憶されている与信総額とに基づいて与信限度額を算出する与信限度額算出手段と、
して機能させるプログラム。 - コンピュータを、
格付毎の推移を表す格付推移データを記憶部から取得し、対象数Nからなる複数のシナリオの推移後の格付を、乱数を用いて決定する推移後格付決定手段と、
前記推移後格付決定手段で決定された推移後の格付に対応する相関及びデフォルト率、予め設定されたデフォルト時の損失率、並びに予め設定された与信総額を記憶部から取得し、取得した前記相関、前記デフォルト率、前記損失率、及び前記与信総額に基づいて、シナリオ毎にリスク量を算出するリスク量算出手段と、
前記リスク量算出手段で算出されたリスク量から、前記記憶部に記憶されている信頼水準に対応するリスク量を前記対象数Nの予測リスク量として特定する予測リスク量特定手段と、
前記記憶部に記憶されている許容リスク量よりも小さい予測リスク量が前記予測リスク量特定手段で特定された際の前記対象数Nのうち、最小となる対象数Nを分散対象数として設定する分散対象数設定手段と、
前記分散対象数設定手段で設定された分散対象数と前記与信総額とに基づいて与信限度額を算出する与信限度額算出手段と、
して機能させるプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010056005A JP5484968B2 (ja) | 2010-03-12 | 2010-03-12 | 情報処理装置、情報処理方法、及びプログラム |
US13/046,218 US8560437B2 (en) | 2010-03-12 | 2011-03-11 | Information processing apparatus, information processing method, and program product |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010056005A JP5484968B2 (ja) | 2010-03-12 | 2010-03-12 | 情報処理装置、情報処理方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2011191891A JP2011191891A (ja) | 2011-09-29 |
JP5484968B2 true JP5484968B2 (ja) | 2014-05-07 |
Family
ID=44560859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010056005A Active JP5484968B2 (ja) | 2010-03-12 | 2010-03-12 | 情報処理装置、情報処理方法、及びプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US8560437B2 (ja) |
JP (1) | JP5484968B2 (ja) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10805331B2 (en) | 2010-09-24 | 2020-10-13 | BitSight Technologies, Inc. | Information technology security assessment system |
US9438615B2 (en) | 2013-09-09 | 2016-09-06 | BitSight Technologies, Inc. | Security risk management |
JP6280368B2 (ja) * | 2014-01-09 | 2018-02-14 | テンソル・コンサルティング株式会社 | 情報処理装置、情報処理方法、コンピュータプログラムおよび記録媒体 |
JP6113263B1 (ja) * | 2015-12-28 | 2017-04-12 | 株式会社三井住友銀行 | コミットメントライン追加引出率推計モデル |
US10425380B2 (en) | 2017-06-22 | 2019-09-24 | BitSight Technologies, Inc. | Methods for mapping IP addresses and domains to organizations using user activity data |
US10257219B1 (en) * | 2018-03-12 | 2019-04-09 | BitSight Technologies, Inc. | Correlated risk in cybersecurity |
US10812520B2 (en) | 2018-04-17 | 2020-10-20 | BitSight Technologies, Inc. | Systems and methods for external detection of misconfigured systems |
US11200323B2 (en) | 2018-10-17 | 2021-12-14 | BitSight Technologies, Inc. | Systems and methods for forecasting cybersecurity ratings based on event-rate scenarios |
US10521583B1 (en) | 2018-10-25 | 2019-12-31 | BitSight Technologies, Inc. | Systems and methods for remote detection of software through browser webinjects |
CN109919636B (zh) * | 2019-02-27 | 2024-02-09 | 深圳市元征科技股份有限公司 | 一种信用等级确定方法、系统及相关组件 |
US10726136B1 (en) | 2019-07-17 | 2020-07-28 | BitSight Technologies, Inc. | Systems and methods for generating security improvement plans for entities |
US11956265B2 (en) | 2019-08-23 | 2024-04-09 | BitSight Technologies, Inc. | Systems and methods for inferring entity relationships via network communications of users or user devices |
US10848382B1 (en) | 2019-09-26 | 2020-11-24 | BitSight Technologies, Inc. | Systems and methods for network asset discovery and association thereof with entities |
US11032244B2 (en) | 2019-09-30 | 2021-06-08 | BitSight Technologies, Inc. | Systems and methods for determining asset importance in security risk management |
US10893067B1 (en) | 2020-01-31 | 2021-01-12 | BitSight Technologies, Inc. | Systems and methods for rapidly generating security ratings |
US11023585B1 (en) | 2020-05-27 | 2021-06-01 | BitSight Technologies, Inc. | Systems and methods for managing cybersecurity alerts |
US11122073B1 (en) | 2020-12-11 | 2021-09-14 | BitSight Technologies, Inc. | Systems and methods for cybersecurity risk mitigation and management |
JP7477172B2 (ja) * | 2021-02-19 | 2024-05-01 | 株式会社Kort Valuta | 情報処理装置、情報処理システム、情報処理方法及びプログラム |
US20230047165A1 (en) * | 2021-08-13 | 2023-02-16 | Refinitiv Us Organization Llc | Deterministic credit system |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002007703A (ja) | 2000-06-19 | 2002-01-11 | Sumisho Lease Co Ltd | インターネットによる金融取引システム |
JP2002123672A (ja) * | 2000-10-13 | 2002-04-26 | Orix Corp | 物的担保を伴わない融資方法およびシステム |
-
2010
- 2010-03-12 JP JP2010056005A patent/JP5484968B2/ja active Active
-
2011
- 2011-03-11 US US13/046,218 patent/US8560437B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2011191891A (ja) | 2011-09-29 |
US8560437B2 (en) | 2013-10-15 |
US20110225085A1 (en) | 2011-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5484968B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
US8112340B2 (en) | Collateralized debt obligation evaluation system and method | |
US20200090268A1 (en) | Method and apparatus for determining level of risk of user, and computer device | |
US20040015376A1 (en) | Method and system to value projects taking into account political risks | |
Snell | Menage a quoi? Optimal number of peer reviewers | |
Klieštik et al. | Prediction of financial health of business entities in transition economies | |
CN112116245A (zh) | 信贷风险评估方法、装置、计算机设备及存储介质 | |
Pekár et al. | Portfolio performance measurement using differential evolution | |
KR20120032606A (ko) | 증권투자고객 참여 가능 증권투자 시스템 및 그 방법 | |
TWI781461B (zh) | 資訊處理裝置、資訊處理方法及程式 | |
US20220198556A1 (en) | Inventory affordability and policy distance calculator | |
Park et al. | Correlations between construction firm value and top management characteristics | |
US20090164297A1 (en) | Integrated business decision-making system and method | |
Moon et al. | Survival analysis for technology credit scoring adjusting total perception | |
US20160267583A1 (en) | Electronic data modelling tool | |
Duran et al. | A framework for comparing high performance computing technologies | |
JP2004185551A (ja) | 経営品質管理システム、経営品質管理方法、経営品質管理プログラム及び媒体 | |
Krusinskas et al. | THE RESEARCH OF RELIABILITY OF BANKRUPTCY PREDICTION MODELS IN LITHUANIAN COMPANIES. | |
Kuznietsova et al. | Business Intelligence Techniques for Missing Data Imputations | |
Livan et al. | Quantifying the relationship between specialisation and reputation in an online platform | |
CN108648016A (zh) | 银行金融产品的受众模型挖掘方法及装置 | |
US20240005056A1 (en) | Resampling simulation results for correlated events | |
US20240005057A1 (en) | Representative simulation results for correlated variables | |
JP4621300B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
Kovtunenko et al. | Modern methods of analysis of economic indicators of the enterprise |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20121129 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20140123 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20140204 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20140219 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5484968 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |