JP7146882B2 - シナリオシミュレーションのためのシステムおよび方法 - Google Patents

シナリオシミュレーションのためのシステムおよび方法 Download PDF

Info

Publication number
JP7146882B2
JP7146882B2 JP2020201203A JP2020201203A JP7146882B2 JP 7146882 B2 JP7146882 B2 JP 7146882B2 JP 2020201203 A JP2020201203 A JP 2020201203A JP 2020201203 A JP2020201203 A JP 2020201203A JP 7146882 B2 JP7146882 B2 JP 7146882B2
Authority
JP
Japan
Prior art keywords
interface
node
scenario
tree
graphical
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
Application number
JP2020201203A
Other languages
English (en)
Other versions
JP2021044013A (ja
Inventor
デンボー ロン
パワル アトゥル
ナハム エズラ
フィリップス アンドリュー
Original Assignee
ゴールドマン サックス アンド カンパニー エルエルシー
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ゴールドマン サックス アンド カンパニー エルエルシー filed Critical ゴールドマン サックス アンド カンパニー エルエルシー
Publication of JP2021044013A publication Critical patent/JP2021044013A/ja
Application granted granted Critical
Publication of JP7146882B2 publication Critical patent/JP7146882B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G06F3/04847—Interaction techniques to control parameter settings, e.g. interaction with sliders or dials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/027—Frames
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries

Description

関連出願の相互参照および優先権の主張
本出願は、それの全体が参照により本明細書に組み込まれる、２０１７年５月１日に出願された米国特許仮出願第６２／４９２，６６８号の米国特許法第１１９条（ｅ）項に基づく優先権を主張する。
本開示は、概して、不確実性の下の意思決定に適用されるグラフィカルユーザインタフェース、コンピュータツール、および人工知能の分野に関する。
現実世界のシナリオ分析は、互いに対する無数の相互依存および影響を有する多数の決定点および確率的イベントが与えられ、困難である。ますますグローバル化される世界におけるマクロファクタおよびミクロファクタは、イベントが起こるとインパクトを及ぼされ、これらのインパクトおよび起こり得る結末の影響を理解することで、意思決定を支援し得る。
様々なさらなる態様では、本開示は、係るシステム、デバイス、および方法を実装するための機械実行可能コード化命令セットなど、対応するシステムおよびデバイス、ならびに論理構造を提供する。
本明細書で説明される実施形態は、シナリオと、シナリオの下で証書の評価（valuations of instrument）を表すユーザインタフェース要素とを自動的に生成するためのシステム、方法およびデバイスに関する。
本明細書で説明される実施形態は、人工知能、ポーリングおよびネットワーク理論を使用してシナリオおよびユーザインタフェース要素を自動的に生成するためのシステム、方法およびデバイスに関する。たとえば、本明細書で説明される実施形態は、シナリオ生成のために、センチメント分析（sentiment analysis）を使用してポーリング結果（polling result）を処理することができる。たとえば、ポーリングからの大きいデータセットにおいて傾向および洞察を識別するために人工知能が使用されることが可能である。別の例として、センチメント分析は、様々な実施形態によってポーリングされたエキスパートによる意見の分布を理解するために使用されることが可能である。さらなる詳細が本明細書で提供される。
本明細書で説明される実施形態は、シナリオを表すデータ構造およびユーザインタフェース要素を自動的に生成するための方法に関する。本方法は、ルールの第１のセットを適用することによって複数のデータフィードを処理して、ルールの第１のセットによって定義される複数のイベントからイベントを生成するステップであって、イベントは結末のセットにリンクされる、ステップを伴うことができる。本方法は、イベントにルールの第２のセットを適用することによってマクロファクタのセットを生成するステップを伴うことができる。例示的なマクロファクタは組織の貸借対照表科目を含むことができ、それにより、組織はそれらの科目に関連するリスクを理解することができる。たとえば、サプライチェーンにおけるファクタは、本明細書で説明される実施形態によって評価されることが可能な関連するリスクを有する。本方法は、複数のポーリング質問（polling question）を定義するルールの第３のセットを取得するステップを伴うことができる。本方法は、ルールの第３のセットを適用することによってマクロファクタのサブセットを処理して、ポーリング質問のサブセットを生成するステップであって、各ポーリング質問は、マクロファクタのサブセットのうちのマクロファクタと、マクロファクタのデータ値として許容可能な入力応答の範囲とにリンクされる、ステップを伴うことができる。本方法は、マクロファクタと、マクロファクタのデータ値として許容可能な入力応答の範囲とにリンクされたポーリング質問のための視覚要素を用いてユーザインタフェースを生成し表示するステップを伴うことができる。本方法は、マクロファクタおよび結末についてのシナリオを表すグラフデータ記憶構造を生成するステップであって、グラフ構造中の各ノードは記述子およびデータ値を定義し、グラフ構造は、ルートノードに対応するイベントノード、ルートノードに接続された結末ノード（outcome node）、および結末ノードに接続されたマクロファクタノードを有し、各マクロファクタノードはデータ値を有する、ステップを伴うことができる。本方法は、ユーザインタフェースにおいて、ポーリング質問に対する選択された入力応答を受信するステップを伴うことができる。本方法は、マクロファクタノードのデータ値を計算するルールの第４のセットを取得するステップを伴うことができる。本方法は、ルールの第４のセットを適用することによって、選択された入力応答を処理して、マクロファクタノードのデータ値を生成するステップを伴うことができる。本方法は、マクロファクタノードのデータ値でグラフデータ記憶構造をポピュレート（populate）して、結末ノードについてのシナリオを生成するステップを伴うことができる。本方法は、インタフェースを更新して、応答の分布を示すさらなる視覚要素を生成するステップを伴うことができる。
本方法は、イベントにルールの第２のセットを適用することによってマクロファクタのセットを生成するステップが、履歴データに関する深層学習を伴うことを伴うことができる。
本方法は、イベントにルールの第２のセットを適用することによってマクロファクタのセットを生成するステップが、履歴データに関する回帰を伴うことを伴うことができる。
いくつかの実施形態では、マクロファクタのデータ値は、応答の分布に基づいて計算される。
いくつかの実施形態では、マクロファクタノードのデータ値は、極値までの範囲を含む。
いくつかの実施形態では、マクロファクタノードのデータ値は、値が増加または減少する確率を含む。
別の態様では、本明細書で説明される実施形態は、シナリオと、シナリオの下で証書の評価を表すユーザインタフェース要素とを自動的に生成するためのデバイスを提供し、デバイスは、データ記憶デバイスおよびプロセッサを備えて、複数のデータフィードを受信し、ルールの第１のセットを適用してイベントを生成することであって、イベントは結末のセットにリンクされる、生成することと、イベントのためのマクロファクタのセットを生成することと、マクロファクタのサブセットについてのポーリング質問のサブセットを生成することであって、各ポーリング質問は、マクロファクタのサブセットのうちのマクロファクタと、マクロファクタのデータ値として許容可能な入力応答の範囲とにリンクされる、生成することと、マクロファクタと、マクロファクタのデータ値として許容可能な入力応答の範囲とにリンクされたポーリング質問のための視覚要素を用いてユーザインタフェースを生成することと、マクロファクタおよび結末についてのシナリオを表すグラフデータ記憶構造を生成することであって、グラフ構造中の各ノードは記述子およびデータ値を定義し、グラフ構造は、ルートノードに対応するイベントノード、ルートノードに接続された結末ノード、および結末ノードに接続されたマクロファクタノードを有し、各マクロファクタノードはデータ値を有する、生成することと、ユーザインタフェースにおいて、ポーリング質問に対する選択された入力応答を受信することと、選択された入力応答を使用してマクロファクタノードのデータ値を計算することと、マクロファクタノードのデータ値でグラフデータ記憶構造をポピュレートして、結末ノードについてのシナリオを生成することと、インタフェースを更新して、応答の分布またはポートフォリオの評価を示すさらなる視覚要素を生成することとを行う。
いくつかの実施形態では、プロセッサは、履歴データに関する深層学習を使用してマクロファクタのセットを生成する。
いくつかの実施形態では、プロセッサは、履歴データに関する回帰を使用してマクロファクタのセットを生成する。
いくつかの実施形態では、マクロファクタのデータ値は、応答の分布に基づいて計算される。
いくつかの実施形態では、マクロファクタノードのデータ値は、極値までの範囲を含む。
いくつかの実施形態では、マクロファクタノードのデータ値は、値が増加または減少する確率を含む。
別の態様では、本明細書で説明される実施形態は、シナリオと、シナリオの下で証書の評価を表すユーザインタフェース要素とを自動的に生成するための方法を提供する。本方法は、複数のイベントを定義するルールの第１のセットを取得するステップを伴う。本方法は、ルールの第１のセットを適用することによって複数のデータフィードを処理して、複数のイベントからイベントを生成するステップであって、イベントは結末のセットにリンクされる、ステップを伴う。本方法は、複数のマクロファクタを定義するルールの第２のセットを取得するステップを伴う。本方法は、ルールの第２のセットを適用することによってイベントを処理して、マクロファクタのサブセットを生成するステップを伴う。本方法は、複数のポーリング質問を定義するルールの第３のセットを取得するステップを伴う。本方法は、ルールの第３のセットを適用することによってマクロファクタのサブセットを処理して、ポーリング質問のサブセットを生成するステップであって、各ポーリング質問は、マクロファクタのサブセットのうちのマクロファクタと、マクロファクタのデータ値として許容可能な入力応答の範囲とにリンクされる、ステップを伴う。本方法は、マクロファクタと、マクロファクタのデータ値として許容可能な入力応答の範囲とにリンクされたポーリング質問のための視覚要素を用いてユーザインタフェースを生成し表示するステップを伴う。本方法は、マクロファクタおよび結末についてのシナリオを表すグラフデータ記憶構造を生成するステップであって、グラフ構造中の各ノードは記述子およびデータ値を定義し、グラフ構造は、ルートノードに対応するイベントノード、ルートノードの子に対応する結末ノード、および結末ノードのさらなる子に対応するマクロファクタノードを有し、各マクロファクタノードはデータ値を有する、ステップを伴う。本方法は、ユーザインタフェースにおいて、ポーリング質問に対する選択された入力応答を受信するステップを伴う。本方法は、マクロファクタノードのデータ値を計算するルールの第４のセットを取得するステップを伴う。本方法は、ルールの第４のセットを適用することによって、選択された入力応答を処理して、マクロファクタノードのデータ値を生成するステップを伴う。本方法は、マクロファクタノードのデータ値でグラフデータ記憶構造をポピュレートして、結末ノードについてのシナリオを生成するステップを伴う。本方法は、インタフェースを更新して、選択された入力応答の分布およびグラフデータ記憶構造のシナリオを示すさらなる視覚要素を生成するステップを伴う。
いくつかの実施形態では、グラフの各結末ノードは、マクロファクタノードの２n個の経路のサブツリーを定義し、各経路はシナリオに対応し、ｎは、マクロファクタのサブセット中のマクロファクタの数である。
いくつかの実施形態では、本方法は、入力の範囲を生成するステップであって、グラフデータ記憶構造中の親ノードおよび子ノードはエッジによって接続され、エッジは、親ノードから子ノードにトラバースする確率に関連付けられ、各シナリオは、エッジに関連付けられた確率を使用して導出されるシナリオ確率に関連付けられる、ステップを伴う。
いくつかの実施形態では、マクロファクタノードのデータ値を計算するルールの第４のセットは、応答についての１つまたは複数の分布を生成する。
いくつかの実施形態では、本方法は、変化なしを表す中間点、極値への上方変化（upward change）を表す部分、および別の極値への下方変化（downward change）を表す別の部分をもつスケールを使用して、マクロファクタのデータ値として許容可能な入力応答の範囲を生成するステップを伴う。
いくつかの実施形態では、シナリオは、ツリーデータ記憶構造のルートノードからリーフノードへの経路によって定義される。
いくつかの実施形態では、本方法は、入力応答を処理して、各マクロファクタの確率分布を生成するステップを伴う。
いくつかの実施形態では、各確率分布は、ｐu（Ｆi）、時間的水平線（time horizon）にわたるファクタｉの上方移動（upward movement）の確率を含む。
いくつかの実施形態では、各確率分布は、ｐd（Ｆi）、時間的水平線にわたる第ｉのファクタの下方移動（downward movement）の確率を含む。
いくつかの実施形態では、入力応答は処理されて、各マクロファクタについて、第ｉのファクタの可能な上側移動（upside move）の範囲ｒu（Ｆi）および下側移動（downside move）の範囲ｒd（Ｆi）のうちの少なくとも１つが取得される。
別の態様では、本明細書で説明される実施形態は、シナリオと、シナリオの下で証書の評価を表すユーザインタフェース要素とを自動的に生成するためのシステムを提供する。システムは、メモリと、メモリに結合された少なくとも１つのプロセッサとを備える。少なくとも１つのプロセッサは、複数のイベントを定義するルールの第１のセット、複数のマクロファクタを定義するルールの第２のセット、複数のポーリング質問を定義するルールの第３のセット、およびマクロファクタのノードのデータ値を計算するルールの第４のセットを提供するように構成される。少なくとも１つのプロセッサはまた、ルールの第１のセットを適用することによって複数のデータフィードを処理して、複数のイベントからイベントを生成することであって、イベントは結末のセットにリンクされる、生成することを行うように構成される。少なくとも１つのプロセッサはまた、ルールの第２のセットを適用することによってイベントを処理して、マクロファクタのサブセットを生成するように構成される。少なくとも１つのプロセッサはまた、ルールの第３のセットを適用することによってマクロファクタのサブセットを処理して、ポーリング質問のサブセットを生成することであって、各ポーリング質問は、マクロファクタのサブセットのうちのマクロファクタと、マクロファクタのデータ値として許容可能な入力応答の範囲とにリンクされる、生成することを行うように構成される。少なくとも１つのプロセッサはまた、ディスプレイを制御して、マクロファクタと、マクロファクタのデータ値として許容可能な入力応答の範囲とにリンクされたポーリング質問のための視覚要素を用いてユーザインタフェースを表示するように構成される。少なくとも１つのプロセッサはまた、マクロファクタおよび結末についてのシナリオを表すツリーデータ記憶構造を生成することであって、ツリー構造中の各ノードは記述子およびデータ値を定義し、ツリー構造は、ルートノードに対応するイベントノード、ルートノードの子に対応する結末ノード、および結末ノードのさらなる子に対応するマクロファクタノードを含み、各マクロファクタノードはデータ値を有し、ツリーの各結末ノードは、マクロファクタノードの２n個の経路のサブツリーを定義し、各経路はシナリオに対応する、生成することを行うように構成される。次いで、少なくとも１つのプロセッサはまた、ポーリング質問に対する選択された入力応答を受信するように構成される。少なくとも１つのプロセッサはまた、ルールの第４のセットを適用することによって、選択された入力応答を処理して、マクロファクタノードのデータ値を生成し、マクロファクタノードのデータ値でツリーデータ記憶構造をポピュレートして、結末ノードについてのシナリオを生成するように構成される。次いで、少なくとも１つのプロセッサはまた、インタフェースを更新して、ポーリング質問および選択された入力応答の分布、ならびにツリーデータ記憶構造のシナリオの下の証書の評価を示すさらなる視覚要素を生成するように構成される。
別の態様では、本明細書で説明される実施形態は、グラフィカルユーザインタフェースおよびユーザ入力デバイスを使用してシナリオと、シナリオの下で証書の評価を表すユーザインタフェース要素とを自動的に生成する方法を提供する。本方法は、シナリオを表すツリーデータ記憶構造を維持するステップであって、ツリーデータ記憶構造は、記述子、確率値、およびデータ値を定義する複数のノードを含み、ツリー構造は、ルートノードに対応するイベントノード、ルートノードの子に対応する結末ノード、および結末ノードのさらなる子に対応するマクロファクタノードを有し、各マクロファクタノードはデータ値を有する、ステップを伴う。本方法は、ポーリング質問に対する少なくとも機械可読回答を含む受信された入力データセットに基づいてツリーデータ記憶構造を周期的または連続的に更新するステップであって、周期的または連続的に更新するステップは、各機械可読回答を処理して、複数のノードのうちの少なくとも１つのノードに対して１つまたは複数のモーフファクタ（morph factor）を判定し適用するステップを含み、１つまたは複数のモーフファクタは、確率値およびデータ値のうちの少なくとも１つを修正する、ステップを伴う。本方法は、ツリーデータ記憶構造を使用し、組合せで、ノードのすべての可能な組合せにわたる、１つまたは複数の経路のセットを判定し、各経路について、ツリーデータ記憶をトラバースして、分析中の特定のポートフォリオへの対応する寄与を判定するステップを伴う。本方法は、ツリーデータ記憶構造および複数のノードに基づいてグラフィカルシナリオツリーをインスタンス化するステップであって、グラフィカルシナリオツリーは、ツリーデータ記憶構造および複数のノードの視覚表現をレンダリングし、グラフィカルシナリオツリーは、複数のノードの各ノードに関連付けられたユーザインタフェース要素を有する、ステップを伴う。本方法は、グラフィカルユーザインタフェース上で、インスタンス化されたグラフィカルシナリオツリーを動的にレンダリングするステップを伴う。本方法は、１つまたは複数のユーザインタフェース要素の選択されたセットに対応する１つまたは複数のユーザ入力をユーザ入力デバイスから受信するステップを伴う。本方法は、１つまたは複数のユーザインタフェース要素の選択されたセットにわたる経路または部分経路を判定し、インスタンス化されたグラフィカルシナリオツリーの領域を選択するステップであって、領域は、経路または部分経路にわたるすべてのノードがグラフィカルユーザインタフェース上で視認可能なように選択される、ステップを伴う。本方法は、グラフィカルユーザインタフェースを制御して、グラフィカルユーザインタフェース上に表示されるビューは、選択された領域が、グラフィカルシナリオツリーの拡大された部分表示としてグラフィカルに表示されるように制限されるように適応させるステップを伴う。本方法は、分析中の特定のポートフォリオへの寄与の１つまたは複数の推定値を判定するステップであって、寄与の１つまたは複数の推定値の各々は、経路または部分経路の対応するノードに対応する、ステップを伴う。本方法は、経路または部分経路の対応するノードへの寄与の１つまたは複数の推定値を表す１つまたは複数のグラフィカル要素を動的に付加するステップであって、１つまたは複数のグラフィカル要素は、経路または部分経路のノードと位置合わせされる、ステップを伴う。
本方法は、１つまたは複数のエキスパートからの入力を表す入力データセットを受信するためのエキスパートインタフェースを動的にレンダリングするステップであって、エキスパートインタフェースは、１つまたは複数のエキスパートによって対話されたとき、１つまたは複数のエキスパートからの入力を示す、１つまたは複数のエキスパートインタフェース視覚インタフェース要素を含む、ステップを伴う。
いくつかの実施形態では、１つまたは複数のエキスパートインタフェース視覚インタフェース要素は、１つまたは複数のスケールに沿った配置のために構成された選択可能なアイコンを有する１つまたは複数のスケールを含む。
いくつかの実施形態では、１つまたは複数のスケールの各スケールは、動的に設定された範囲を有し、各動的に設定された範囲は、エキスパートが選択するために利用可能な、可能な値のセットを抑制するように判定される。いくつかの実施形態では、動的に設定された範囲は、対応するエキスパートについて識別されたバイアスの識別されたパターンに少なくとも基づいて、対応するスケールに沿って、可能な値のセットおよび値の分布を抑制するルールのセットに従って基づいて設定される。
この点において、詳細に少なくとも１つの実施形態について説明する前に、実施形態は、適用において、以下の説明に記載されるかまたは図面に示される構築の詳細に限定されないこと、および構成要素の構成に限定されないことを理解されたい。また、本明細書において採用される語法および用語は、説明のためであって、限定的であると見なされるべきでないことを理解されたい。
本明細書で説明される実施形態に関する多くのさらなる特徴およびそれらの組合せは、本開示を読めば当業者に対して現れるであろう。
図では、実施形態は例として示される。説明および図は、例示のためであり、理解のための助けとしてであるにすぎないことを明確に理解されたい。
次に、添付の図を参照しながら、単に例として、実施形態について説明され、図では以下の通りである。
いくつかの実施形態による、シナリオシミュレーション／生成プラットフォームのブロック概略図である。 いくつかの実施形態による、異なるタイプおよびティアの分析ファクタのフローチャートである。 いくつかの実施形態による、異なるタイプおよびティアの分析ファクタのフローチャートである。 いくつかの実施形態による通貨変動に基づく例示的な結末シナリオ（outcome scenario）を示す図である。 いくつかの実施形態による政治的勝利および通貨変動に基づく例示的な結末シナリオを示す図である。 ポーリング質問、データ値の範囲、および選択されたデータ値のインジケータに対応する視覚要素を用いたインタフェースを示す図である。 いくつかの実施形態によるマクロファクタへの影響の表である。 第一者が勝ったときの例示的な結末のショックレベル分布（shock level distribution）に対応する視覚要素を用いたインタフェースを示す図である。 第二者が勝ったときの例示的な結末のショックレベル分布に対応する視覚要素を用いたインタフェースを示す図である。 第三者が勝ったときの例示的な結末のショックレベル分布に対応する視覚要素を用いたインタフェースを示す図である。 第一者が勝ったときの例示的な結末のマクロからミクロの上側ショックレベルおよび下側ショックレベルに対応する視覚要素を用いたインタフェースを示す図である。 第二者が勝ったときの例示的な結末のマクロからミクロの上側ショックレベルおよび下側ショックレベルに対応する視覚要素を用いたインタフェースを示す図である。 第三者が勝ったときの例示的な結末のマクロからミクロの上側ショックレベルおよび下側ショックレベルに対応する視覚要素を用いたインタフェースを示す図である。 いくつかの実施形態によるイベントについての可能な結末シナリオのツリー構造を示す図である。 例示的なシナリオ経路を含むいくつかの実施形態による第二者が勝ったときの可能な結末シナリオのツリー構造を示す図である。 いくつかの実施形態によるイベントについての可能な結末シナリオのツリー構造を示す図である。 いくつかの実施形態によるイベントについての可能な結末シナリオのサブツリーを示す図である。 いくつかの実施形態によるイベントについての可能な結末シナリオのサブツリーを示す図である。 いくつかの実施形態によるイベントについての可能な結末シナリオのサブツリーを示す図である。 いくつかの実施形態によるミクロファクタの変化につながるマクロファクタのフローチャートである。 いくつかの実施形態によるファクタ間の相互関係のツリーを示す図である。 いくつかの実施形態によるシナリオモデルを生成するための処理を示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態による報告インタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態による報告インタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態による報告インタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態による報告インタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態による報告インタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態による報告インタフェースの例示的なスクリーンショットを示す図である。 いくつかの実施形態によるシナリオと、証書の評価を表すユーザインタフェース要素とを自動的に生成するための方法を示す図である。 いくつかの実施形態による視覚要素のユーザインタフェースを生成するための方法を示す図である。 いくつかの実施形態によるコンピューティングデバイスのブロック概略図である。 いくつかの実施形態によるポーリングのためのインタフェースを示す図である。 いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す図である。 いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す図である。 いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す図である。 いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す図である。 いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す図である。 いくつかの実施形態によるパーセンテージ値のグラフである。 いくつかの実施形態による上側ショックレベルおよび下側ショックレベルを示す図である。 いくつかの実施形態によるセンチメント分析の処理フローを示す図である。 いくつかの実施形態によるシナリオメトリックを用いたインタフェースを示す図である。 いくつかの実施形態による損失および収益のヒートマップを用いたインタフェースを示す図である。 いくつかの実施形態による損失および収益のヒートマップを用いたインタフェースを示す図である。 いくつかの実施形態による損失および収益のヒートマップを用いたインタフェースを示す図である。 いくつかの実施形態によるセクタレベル概要（sector level summary）を用いたインタフェースを示す図である。 いくつかの実施形態による損失および収益のヒートマップを用いたインタフェースを示す図である。 いくつかの実施形態によるポートフォリオとピアとの間の差のヒートマップを用いたインタフェースを示す図である。 いくつかの実施形態による分布のグラフを用いたインタフェースを示す図である。 いくつかの実施形態による分布のグラフを用いたインタフェースを示す図である。 いくつかの実施形態による分布のグラフを用いたインタフェースを示す図である。 いくつかの実施形態によるセクタレベル概要を用いたインタフェースを示す図である。 いくつかの実施形態によるセクタレベル概要を用いたインタフェースを示す図である。 いくつかの実施形態によるセクタレベル概要を用いたインタフェースを示す図である。 いくつかの実施形態による分布のグラフを用いたインタフェースを示す図である。 いくつかの実施形態による分布のグラフを用いたインタフェースを示す図である。 いくつかの実施形態による分布のグラフを用いたインタフェースを示す図である。 いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す図である。 いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す図である。 いくつかの実施形態によるマクロシナリオのリスティングを用いたインタフェースを示す図である。 いくつかの実施形態によるマクロシナリオのリスティングを用いたインタフェースを示す図である。 いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す図である。 いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す図である。 いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す図である。 いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す図である。 いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す図である。 いくつかの実施形態によるポーリング分布のグラフを用いたインタフェースを示す図である。 いくつかの実施形態によるポーリング分布のグラフを用いたインタフェースを示す図である。 いくつかの実施形態によるポーリング分布のグラフを用いたインタフェースを示す図である。 いくつかの実施形態によるポーリング分布の表を用いたインタフェースを示す図である。 いくつかの実施形態によるポーリング分布のグラフを用いたインタフェースを示す図である。 いくつかの実施形態によるポーリング分布のグラフを用いたインタフェースを示す図である。 いくつかの実施形態による損失および収益頻度のグラフを用いたインタフェースを示す図である。 いくつかの実施形態によるイベント確率の表を用いたインタフェースを示す図である。 いくつかの実施形態によるバックテストのグラフを用いたインタフェースを示す図である。 いくつかの実施形態によるバックテストのグラフを用いたインタフェースを示す図である。
方法、システム、および装置の実施形態について、図面への参照を通して説明される。
以下の議論は、本発明の主題の多くの例示的な実施形態を提供する。各実施形態は本発明の要素の単一の組合せを表すが、本発明の主題は、開示される要素のすべての可能な組合せを含むと考えられる。したがって、１つの実施形態が要素Ａ、Ｂ、およびＣを備え、第２の実施形態が要素ＢおよびＤを備える場合、本発明の主題は、明示的に開示されない場合でも、Ａ、Ｂ、Ｃ、またはＤの他の残りの組合せを含むとも考えられる。
本明細書で説明される様々な実施形態は、金融証券への潜在的インパクトを判定するための結末シナリオ（たとえば、気象、世界イベント、金融イベント）の分析に関係する機械分析ツールに向けられている。おそらく、これらのシナリオは、金融証券に関係する転換を開始することに関係する意思決定をガイドするために使用される。このツールは、様々な目的のために適応されてよく、いくつかの実施形態では、人間がシステムと対話する際にバイアスを回避するのを助けるように設計された、修正されたインタフェースを提供するために特に構成されてよい。
１つまたは複数の将来のイベントに鑑みて起こり得るシナリオを生成し処理するために使用されるシステム、方法、およびコンピュータ可読媒体が提供される。これらのイベントの各々は１つまたは複数の発生確率に関連付けられ、これらの確率は、他のイベントの結末に基づいて変動し得る。たとえば、確率は、条件付き確率（（Ｐ（Ａ｜Ｂ）など）の形態で提供されてよい。ダウンストリーム結末を解釈および／または再評価するのにベイジアン手法を取る際に、リアルタイムに起こっているイベント結末のエビデンスが使用されてよいような場合、推論手法が利用されてよい。
これらの確率は、たとえば、相対的または絶対的な考慮のための特定のメトリック、資産価値、または他のファクタに対するインパクトの大きさを判定し得る、対応するインパクトスコアをも含む。
ファクタに対する、様々な基礎をなすイベントとインパクトとの間の相互関係は、モデリングするのに高度に複雑で困難であるので、多数の相互接続されたファクタおよびインジケータにわたって分析された条件付き確率を考慮に入れるモデルを生成するために適応機械学習方法が利用される手法が提供される。たとえば、モデルを使用して、異なるファクタと変数との間の関係を判定するために、回帰手法が利用されてよい。
特定の非限定的な例では、フランス予備選挙などの選挙は、異なる結末に関連付けられた「イベント」と考えられてよい。本明細書で説明される実施形態は、ルールを使用してデータフィードを処理することによってイベントおよび結末を自動的に検出することができる。本明細書で説明される実施形態は、イベントおよび結末に関連性のあるマクロファクタを自動的に識別することができる。マクロファクタ（たとえば通貨、スワップ、スプレッド、インデックス）は、モデルの形態で提供されてよい。フランス予備選挙では、イベントの結末（ならびに潜在的にサブイベントおよび対応する結末）に応じて、価格移動について異なる経路があり得る。
モデルを生成するための異なる手法があり、提案される手法は、（たとえば、現実世界の分析におけるフィードバックに基づいて、またはトレーニングデータセットに基づいて取得された）データの十分大きいコーパスを所与として、時間期間にわたってマクロファクタおよび対応するデータ値を自動的に検出するための処理を改良するように構成された機械学習エンジンと一緒にエキスパートシステム（たとえば、エキスパートポーリング機構）を組み合わせて使用することである。
フィールド中の様々なエキスパートは、ポーリングを用いたインタフェースを介して、アンケートの機械生成されたセットを与えられる。インタフェースは、様々なイベントの発生を所与として、金融インジケータなどのインジケータ（たとえば、マクロファクタ）への潜在的インパクトに関係する、特に選定された質問に関して、エキスパートがそれらのコメントまたは選択されたデータ値を提供することを要求するためのインジケータを含む。
エキスパートポーリングシステムは、より関連性のある質問を尋ね、エキスパートがそれらの入力を特定の入力スパン内で提供することのみが可能であるようにエキスパートからの入力を抑制するためのポーリングを用いてインタフェースを更新するように、時間期間にわたって修正または改良が行われてもいる、特別に適応されたインタフェースを利用するようにさらに構成される。それに応じて、いくつかの実施形態では、本システムは、モデル生成のために取られる手法を自動的に改良するためにだけではなく、人間のエキスパートからの入力を受信するために取られる手法を自動的に改良するためにも構成される。
本システムは、精度判定、機械判定されたエキスパートバイアス、過去の成績、専門知識の領域などに応答して手法を改良するように構成されてよい。たとえば、エキスパートに付随する課題は、データ点のコーパスにわたって明白である認知バイアスがあり得るということである。特定のプロファイルを有する特定の１つまたは複数のエキスパートは、過度に保守的であること（たとえば、サンドバッキング）、過度にアグレッシブであることなど、確証バイアスを受けやすいことがある。いくつかの状況では、エキスパートは不均等にバイアスされることもある。たとえば、時間とともに、エキスパートは、アップサイドの可能性を過大評価しながらダウンサイドリスクを一貫して過小評価するように示されることがある。本システムは、バイアスに対して二重手法を自動的に取るように構成されてよく、本システムは、どのようにエキスパートの入力が重み付けされるか、およびそれらの全体的なインパクトを修正するように構成されてよく、ならびに／または本システムは、入力インタフェースを介してエキスパートをポーリングするときに利用可能な情報および利用可能な対話を修正するように構成されてよい。範囲の抑制されたセット、特に、ポーリングのための利用可能なファクタの選択されたセットは、（たとえば、バイアスを回避するために）エキスパートの挙動をシフトするように、自動化された試行において修正されてよい。
イベントおよび結末について異なるシナリオを示すモデルを生成するかまたはさもなければインスタンス化する、モデル生成プラットフォームが提供される。モデルは、経済的ファクタなど、イベントおよびサブイベントの発生を条件とする様々なファクタへのインパクトの確率的判定に関連付けられた様々なアップサイドおよびダウンサイド振幅を示すことができる。モデルは、たとえば、ツリーデータ構造の形態であってよく、このツリーデータ構造は、様々な分析または報告生成を実施するためにトラバースされてよい。
いくつかの実施形態では、モデルの生成および改良において特定のデータ構造が適用され、それにより、改善された効率および処理が達成されてよい。いくつかのシナリオでは、基礎をなすモデルおよびデータは多量であることが可能であり、多量のデータを生成し、データの使用可能サブセットに変換するために、処理すべきかなりのリソース、または簡略化手法（たとえば、ヒューリスティック）の適用のいずれかを必要とする。
本システムは、それの入力の有効性、および／または本システムのエンドユーザへの情報の配信の有効性を改善するために複数のインタフェースを生成し改良するように構成されてよい。
ソフトウェア／ハードウェア説明
図１は、いくつかの実施形態によるシナリオシミュレーションおよび生成システム１００のブロック概略図を示す。図１に示されているように、システム１００は、少なくとも１つの処理デバイス１０１、少なくとも１つの記憶デバイス１０３、少なくとも１つの通信ユニット１０５、および少なくとも１つの入出力（Ｉ／Ｏ）ユニット１０７を含むコンピューティングシステムを示す。
処理デバイス１０１は、メモリデバイス１０９にロードされ得る命令を実行する。処理デバイス１０１は、任意の好適な構成における任意の好適な数およびタイプのプロセッサまたは他のデバイスを含む。例示的なタイプの処理デバイス１０１は、マイクロプロセッサ、マイクロコントローラ、デジタル信号プロセッサ、フィールドプログラマブルゲートアレイ、特定用途向け集積回路、およびディスクリート回路を含む。
メモリデバイス１０９および永続記憶装置１１１は、（一時的または永続的ベースのデータ、プログラムコード、および／または他の好適な情報などの）情報を記憶し、それの取り出しを容易にすることが可能な任意の構造を表す記憶デバイス１０３の例である。メモリデバイス１０９は、ランダムアクセスメモリまたは任意の他の好適な揮発性もしくは不揮発性記憶デバイスを表し得る。永続記憶装置１１１は、読取り専用メモリ、ハードドライブ、フラッシュメモリ、または光ディスクなど、データのより長期の記憶をサポートする１つまたは複数の構成要素またはデバイスを含んでいてよい。
通信ユニット１０５は、他のシステムまたはデバイスとの通信をサポートする。たとえば、通信ユニット１０５は、ワイヤードまたはワイヤレスネットワークを介した通信を容易にするネットワークインタフェースカードまたはワイヤレストランシーバを含み得る。通信ユニット１０５は、任意の好適な物理またはワイヤレス通信リンクを通して通信をサポートしてよい。
Ｉ／Ｏユニット１０７は、データの入力および出力を可能にする。たとえば、Ｉ／Ｏユニット１０７は、キーボード、マウス、キーパッド、タッチスクリーン、または他の好適な入力デバイスを通してユーザ入力のための接続を提供してよい。Ｉ／Ｏユニット１０７はまた、ディスプレイ、プリンタ、または他の好適な出力デバイスへの出力を送ってよい。
いくつかの実施形態では、処理デバイス１０１によって実行される命令は、図１のシステム１００を実装する命令を含み得る。システム１００は、機械学習ユニット１２０、インタフェースユニット１２２、シナリオ生成ユニット１２４、イベントユニット１２６、およびポーリングユニット１２８を含む。一実施形態では、ユニット１２０～１２８は、処理デバイス１０１によって実行可能であるプログラムコードまたは命令のセットである。これらのユニット１２０～１２８はメモリデバイス１０９上に記憶されてよい。他の実施形態では、ユニット１２０～１２８は、特定のハードウェア処理デバイスであるか、またはファームウェアとして実装されてよい。
システム１００は、データソース１０８に接続して、イベント検出のためのリアルタイムおよびヒストリックデータフィードを受信する。データソース１０８は、１つまたは複数のデータベース１１０に接続することができる。
システム１００は、シナリオと、シナリオの下で証書の評価を表すユーザインタフェース要素とを自動的に生成する。
機械学習ユニット１２０は、複数のイベントを定義するルールの第１のセットを構成し、更新する。イベントユニット１２６は、機械学習ユニット１２０と対話して、ルールの第１のセットを適用することによってデータフィードを処理して、シナリオを生成すべきイベントを生成または検出する。イベントは結末のセットにリンクされる。
機械学習ユニット１２０は、複数のマクロファクタを定義するルールの第２のセットを構成し、更新する。シナリオ生成ユニット１２４は、ルールの第２のセットを適用することによってイベントを処理して、マクロファクタのサブセットを生成または検出する。シナリオ生成ユニット１２４は、マクロファクタおよび結末についてのシナリオを表すツリーデータ記憶構造を生成する。ツリー構造中の各ノードは記述子およびデータ値を定義する。ツリー構造は、ルートノードに対応するイベントノード、ルートノードの子に対応する結末ノード、および結末ノードのさらなる子に対応するマクロファクタノードを有する。各マクロファクタノードはデータ値を有する。２つのノード間のエッジは、親ノードから所与の子ノードにトラバースする確率に対応することができる。
シナリオは、ルートノードからリーフノードへの経路を表す。このシナリオは、特定のシナリオを表すツリーの経路中のすべてのノード間のエッジに関連付けられた確率から生成または導出されることが可能な対応する確率を有することができる。ツリーによってモデル化されたファクタ間の相関または独立性は、全体的なシナリオまたは特定のエッジの確率を導出するために使用されることが可能である。したがって、シナリオ生成ユニット１２４は、シナリオの各々の確率とともに、イベントおよび結末についてのすべての可能なシナリオをモデル化して、可能性が最も高いシナリオだけでなく、ポートフォリオの評価に依然として大いにインパクトを及ぼし得る異常値（outlier）またはまれなシナリオをも含む。
ツリーデータ記憶構造は、シナリオのセットをモデル化するために使用されることが可能な１つの例示的なグラフ構造である。いくつかの実施形態では、ノードおよびエッジをもつ他のタイプの連結グラフ構造も使用されることが可能である。
機械学習ユニット１２０は、イベントおよび結末からマクロファクタのセットを自動的に生成する。機械学習ユニット１２０はまた、マクロファクタ間の相関および依存性に基づいてマクロファクタの順序セットを生成することができる。マクロファクタのセットは、グラフ構造を生成してシナリオを表すためにシナリオ生成ユニット１２４によって使用されることが可能である。たとえば、グラフ構造は、異なるマクロファクタに対応する異なるノードをもつツリー構造であることが可能である。機械学習ユニット１２０は、イベントおよび結末をマクロファクタにリンクするルールのセットを維持する。機械学習ユニット１２０はまた、マクロファクタ間の依存性および相関を定義するためのルールのセットを維持して、マクロファクタの順序セットを生成する。たとえば、イベントは地理的エリアに関係することができる。機械学習ユニット１２０は、イベントの地理的エリアを、その地理的エリアの通貨またはその地理的エリアのインデックスなど、その地理的エリアに関連性のあるマクロファクタにマッピングするルールを有することができる。別の例として、イベントは、選挙などの属性に関連付けられることが可能である。属性値、選挙は、その属性値に関連性のある１つまたは複数のマクロファクタにリンクされることが可能である。
機械学習ユニット１２０は、複数のポーリング質問を定義するルールの第３のセットを構成し、更新する。ポーリングユニット１２８は、機械学習ユニット１２０と対話して、マクロファクタのセットにルールの第３のセットを適用することによってマクロファクタのサブセットを処理して、ポーリング質問のサブセットを生成する。各ポーリング質問は、マクロファクタのサブセットのうちのマクロファクタと、マクロファクタのデータ値として許容可能な入力応答の範囲とにリンクされる。
インタフェースユニット１２２は、マクロファクタにリンクされたポーリング質問のための視覚要素を用いてユーザインタフェースを生成し、表示するように構成される。インタフェースユニット１２２はまた、マクロファクタのデータ値として許容可能な入力応答の範囲のための視覚要素を生成する。システム１００は、端末１０６またはエキスパート入力１０２に接続して、その上にユーザインタフェースを生成し、表示する。端末１０６またはエキスパート入力１０２は、ユーザインタフェースにおいて、ポーリング質問に対する選択された入力応答を受信する。端末１０６またはエキスパート入力１０２は、応答データをシステム１００に、特にインタフェースユニット１２２およびポーリングユニット１２８に送信する。
ポーリング質問に対する応答は、シナリオ生成ユニット１２４によって処理されて、マクロファクタノードのデータ値が定義される。機械学習ユニット１２０は、マクロファクタノードのデータ値を計算するルールの第４のセットを生成し、更新する。シナリオ生成ユニット１２４は、機械学習ユニット１２２と対話して、ルールの第４のセットを適用することによって、選択された入力応答を処理して、マクロファクタノードのデータ値を生成する。シナリオ生成ユニット１２４は、マクロファクタノードのデータ値でツリーデータ記憶構造をポピュレートして、結末ノードについてのシナリオを生成する。ツリーデータ記憶構造は、たとえばデータベース１８０において維持される。
インタフェースユニット１２２は、ユーザインタフェースを更新して、ポーリング質問および選択された入力応答の分布、ならびにツリーデータ記憶構造のシナリオの下の証書の評価を示すさらなる視覚要素を生成する。インタフェースユニット１２２は、端末１０６またはエキスパート入力１０２のインタフェースの一部として表示のためにツリーデータ記憶構造を使用して出力データを生成する。さらなる視覚要素は、機械学習ユニット１２０によって維持されるルールセットに基づいて動的に生成されてよい。機械学習ユニット１２０が時間期間にわたってシナリオ結末を検討し検証すると、機械学習ユニット１２０は、どのようにさらなる視覚要素が生成され提供されるかを自動的に修正するように構成されてよい。たとえば、特定のエキスパートが与えられれば、機械学習ユニット１２０は、エキスパートの入力からバイアスまたは不正確さの持続されるパターンをマイニングしてよい。これらのバイアスまたは不正確さを考慮するために、機械学習ユニット１２０は、エキスパートの潜在的精度を改善するためにエキスパートの入力が抑制されるように、どのように視覚要素が生成されるかを修正してよい。これらの修正は動的であってよく、スケール範囲の修正、スケールファクタの修正、入力を必要とする質問の提示の並べ替えなどを含んでよい。
検証ユニット１０４は、機械学習ユニット１２０と対話して、自動的に検出されたイベント、結末、マクロファクタなどにおけるフィードバックを提供することができる。検証ユニット１０４はまた、ルールを改良するために機械学習ユニット１２０にルールまたは他のフィードバックを送信することができる。検証ユニット１０４は、特に、マクロ経済ファクタ、ミクロ経済ファクタ、およびイベント発生へのインパクトを含む、現実世界の結末に関係するデータソース１０８およびデータベース１１０から収集された電子情報を提供する。いくつかの実施形態では、検証ユニット１０４は、現在起こっているイベントおよびサブイベントに関係するフィードバックをリアルタイムまたはほぼリアルタイムに提供して、ツリーの様々なノードに関連付けられた確率および関連する結末の動的修正を引き起こすように構成されてよい。いくつかの実施形態では、様々なノードに関連付けられた確率は、イベントに関するより多くの情報が利用可能になると能動的にシフトしてよい。たとえば、選挙では、様々な地方投票事務所がそれらの投票結果を提示するにつれて、選挙の最終結果はますます確実になる。検証ユニット１０４は、そのようなイベント確率をミラーリングするかまたはさもなければ監視し、結末がシフトするにつれて、ツリー記憶構造に記憶された情報への動的修正を引き起こすように構成されてよい。
いくつかの実施形態では、検証ユニット１０４は、それが時間期間にわたって現実のイベントデータのコーパスに関係するとき、エキスパートの推定を検証するようにさらに構成される。検証ユニット１０は、実際のイベント発生と、様々な経済的ファクタに対するそれらのインパクトとの間の差を判定するために、機械学習ユニット１２０との相互動作のために構成されてよい。検証ユニット１０４は、エキスパート推定において、持続されるバイアスを検出するように構成されてよく、いくつかの実施形態では、いくつかのシナリオにおいてエキスパート推定の重みを低減するか、またはポーリングユニット１２８によってどのように特定のエキスパートがポーリングされるかを修正するルールが生成され、データベース１８０に記憶されてよい（たとえば、インタフェースユニット１２２が、エキスパートに提示されるインパクトの利用可能な範囲を変更し、質問が再び順序付けられ、異なるタイプのスケールが提示され、デシメーションマーク（decimation mark）の異なる間隔が使用される）。
エキスパートが特定のメトリックまたはイベントタイプについて特に間違っているかまたは役立たない場合、そのエキスパートは単純に、メトリックまたはイベントタイプに関して考えるために選定されなくてもよい（たとえば、検証ユニット１０４は、エキスパートＡが、ＥＵＲ／ＵＳＤレートに関して統計的に有意な時間期間にわたってランダムよりも悪いと判定し、エキスパートＡは、したがって、ＥＵＲ／ＵＳＤレートに関して考えることからドロップされる）。
システム１００は、起きようとしているイベント（たとえば、「ブレグジット」、米国選挙、フランス選挙、スコットランド国民投票）および関連する結末の自動検出を可能にする。システム１００は、自動シナリオ生成を使用して、異なるポートフォリオに対するリスクを示すデータを自動的に生成する。
特定のメトリックを追跡することに加えて、自動シナリオ生成は、特定のポートフォリオへのダウンストリームインパクトの分析を含んでよい。たとえば、異なるエクイティ、固定収入商品、およびデリバティブ商品のバスケットを有するポートフォリオ。これらの異なる資産または異なるタイプの資産の各々は、イベント発生の結果として起こり得るマクロ／ミクロ経済ファクタの変化によって別様にインパクトを及ぼされ得る。たとえば、金利変化は、固定収入商品に対してエクイティ商品とは異なる影響を及ぼすであろう。同様に、全体的なボラティリティの増加は、いくつかのデリバティブ商品を、儲かる、損をするなどに追い込むことがある。これらの状況における自動シナリオ生成は、特定のポートフォリオ／資産に関して必要とされる注意を示す通知をトリガするか、または自動電子トランザクション（たとえば、買い／売り、ヘッジ、アンヘッジ、キャンセル、修正）を起こさせる命令セットを生成し送信するように構成されたワークフローをトリガするために使用されてよい。
マクロファクタは、機械学習および確率分布を使用してイベントから導出されることが可能である。データグラフまたはツリー構造は、マクロファクタをシナリオセットとしてモデル化する。ツリーは、マクロファクタからシナリオを導出するためにシステム１００によって自動的に生成される。ツリーは、いくつかの実施形態では、相関を示すためのマクロファクタの順序を示すことができる。マクロファクタは機械学習能力分布によって導出されることが可能である。マクロファクタが相関される場合、それらは、相関に基づいてツリーで構造化されてよい。機械学習ルールはマクロファクタを定義することができる。
システム１００は、非金融結末とともにイベントを判定する。システム１００は結末をマクロファクタにリンクする。システム１００は、結末に基づいてマクロファクタのセットを識別する。システム１００は、指定された時間期間についてツリーを自動的に生成して、マクロファクタについてのシナリオをモデル化する。システム１００は、マクロファクタのセットおよびシナリオセットをミクロファクタにリンクして、ポートフォリオを評価する。
システム１００は、異なる仕方でマクロファクタのセットを生成するように動作可能である。たとえば、エキスパートシステムは、マクロファクタを結末およびイベントにリンクするための入力を提供することができる。別の例として、システム１００は、回帰処理を実装して、履歴結末を見て、最も大きくインパクトを受けるマクロファクタを識別する。システム１００は、深層学習を実装して、マクロファクタおよびシナリオセットを表すためにノードおよびエッジのネットワークを生成するように動作可能である。システム１００は、深層学習を実装して、マクロファクタの履歴データに基づいて結末およびイベントから推論データを生成するように動作可能である。推論データは、センチメントおよびマクロファクタを識別するために処理されることが可能である。
システム１００は、マクロファクタのセットについて値範囲の異なる視覚表現を生成するように動作可能である。たとえば、システム１００は、ポーリングユニット１２８を使用してポーリングを生成し、データを処理してヒストグラム表現を生成するように動作可能である。システム１００は、データを処理して、ポーリングからの応答データについて平滑な分布を生成するように動作可能である。たとえば、システム１００は、多項式平滑化を使用してヒストグラムを平滑化して、分布曲線を生成することができる。分布曲線は、マクロファクタのゼロ範囲と、極値な値範囲に対応する左側および右側とに対応する中間セクションを有する。システム１００は、データをフィルタ処理して極値な応答を除去するように動作可能である。たとえば、システム１００は、分布曲線を生成するために９５パーセンタイルなどの範囲を選択してよい。システム１００は、明らかに不正確なデータを除去して偽性の数を回避するためにクリーニングおよびフィルタ処理フェーズを実装する。たとえば、システム１００は、ポーリングに対するすべての応答が、特定のエキスパートシステムにとって最も極値な値にあることなど、疑わしいアクティビティを検出するように動作可能である。データをフィルタ処理することで、システム１００は、間違っているかまたは不正確であり得るそれらの極値な値を除去することが可能になる。
システム１００は、異なるシナリオを表すために、応答データを使用してマクロファクタの値範囲および確率を生成する。システム１００は、特定のマクロファクタおよびエキスパート属性について応答データを記憶するためのデータ構造を有する。システム１００は、異なるマクロファクタについてエキスパートのための行および応答のための列で行列を生成することができる。システム１００は、特定のマクロファクタについて分布曲線を生成することができる。そのマクロファクタの確率は、値の範囲内の曲線の下の領域によって表されることが可能である。ポーリングからの応答データは、マクロファクタが上に行く確率およびアップ範囲と、マクロファクタが下に行く確率およびダウン範囲とを得るためにシステム１００によって使用される。システム１００はまた、曲線に沿って中間点または他の点を生成することができる。システム１００は、シナリオツリーまたはグラフをポピュレートするためにデータを生成する。ショックまたは値範囲は、０からショック値まで範囲に対応する。たとえば、特定のマクロファクタの値が０から７．３８までの範囲内にあるという１２％の確率があり得る。マクロファクタは、独立しているかまたは相関されることが可能である。それらの相関を捕捉するために条件付き確率が使用されることが可能である。システム１００は、順序または提示に基づいて何らかの依存性を生じ得るエキスパートシステムへのポーリング質問を表示する。システム１００は、マクロファクタの確率および範囲値からツリーを生成する。シナリオは、マクロファクタの確率および値範囲の各々に関連付けられる。システム１００は、次いで、マクロファクタシナリオを処理して、マーケットモデル、回帰、条件付き期待値などを使用してミクロファクタ値を生成する。システム１００は、次いで、ミクロショックを使用してポートフォリオ評価を生成する。システム１００は、シナリオ値の分布曲線を生成するように動作可能である。たとえば、異なるシナリオは、他のシナリオの同じ範囲および確率に至ることができる。
価格設定およびリスク測度計算の目的で、シナリオ定義および評価のためにシステム１００中の以下のオブジェクトが使用されることが可能である。
・ 金融証書
・ 座標
・ ショック
・ イベント
・ シナリオ
・ ポーリング
・ 金融証書
金融証書は、様々な測度の評価のための価格設定モデルの構築のために必要とされるキー属性または条件のマップとしてモデル化されることが可能である。個々の属性は、可能な場合はＩＳＤＡ用語に概して従うが、エキゾチックまたはビスポーク商品のために標準定義を拡張してよい。マップは、複数のレッグを備えるかまたは定義においてネストされた仕組み商品または複合商品の深度よりも大きい深度を有してよい。データ構造は、（生成されている場合は）対応する条件シートまたは確認に従って、証書の支払いを明確に表すために必要とされる条件の完全セットを含んでいることになる。バニラ証書のための例示的な条件は、ｓｔｒｉｋｅＰｒｉｃｅ、ｅｘｐｉｒａｔｉｏｎＤａｔｅ、ｓｅｔｔｌｅｍｅｎｔＤａｔｅ、ｖｏｌａｔｉｌｉｔｙＳｔｒｉｋｅＰｒｉｃｅなどであろう。システムにおいて証書を作成するための能力は、これらの条件をＪＳＯＮに直列化するＡｓｓｅｔ ＡＰＩを介して露出される。
座標は、価格または他のリスク測度を計算するために必要とされる依存性グラフを形成するマーケットデータ座標のリストを生成することができる、任意のサポートされる金融証書を指し得る。各座標は以下の形態を有する。
・ クラスまたはデータセット、たとえばＦＸボラティリティ
・ 資産、たとえばＥＵＲ／ＵＳＤ
・ 他の次元、たとえばｓｔｒｉｋｅＰｒｉｃｅ、ｅｘｐｉｒａｔｉｏｎＤａｔｅ
座標は、価格設定入力間の関係を定義するエッジによって接続された、依存性のグラフ中のノードを形成する。ノードは複数の証書にわたって共有され、したがって、ポートフォリオ（すなわち証書のそれの集合）は価格設定座標の完全グラフを形成することができる。座標は、他のパラメトリック計算から暗示されてよい。たとえば、ボラティリティサーフェス上にサンプリングされた点は、パラメータのセットを介してサーフェスを定義する数学関数から計算されてよい。パラメータ空間の選定は、特定の資産クラスおよびドメイン知識においてエキスパートシステムによって選択されることが可能である。
ショックは、１つまたは複数の座標上で転換を実施するために使用されることが可能な関数である。ショックは以下の形態を有し得る。
・ 座標セレクタ：ショックによって影響を及ぼされる座標のサブセットを判定するクエリ。たとえば、資産領域が「欧州」であるすべての座標、またはすべてのストライクにわたる所与の資産の１０年ボラティリティレベル
・ 変換：各選択された点に適用すべき関数：
・ 絶対的：各値に固定量の方向性調整を適用する
・ 相対的：各値にパーセンテージ移動を適用する
システム１００は、より複雑な変換を追加することができ、たとえば、６か月の履歴リターンデータを使用して各点について１つの標準偏差移動を計算し、この調整を適用することができる。イベントは、現実世界のイベントのシステマティックモデル、または分析フレームワークによって生成される予測イベントのモデルである。イベントは以下のようにモデル化される。
・ メタデータ：名前、説明、タグなど
・ イベント日付／時間：イベントが行われる日付および／または時間
・ 子：関係する子イベントの識別子
イベントはグラフを形成してもよく、すなわち、１つのイベントは、子イベントのカスケードセット（再帰的）を生成することができる。
シナリオは、世界の状態への変換をモデル化するショックのセットである。これらは、現実世界のイベント、たとえば「２０１６年米国選挙シナリオ」にひも付けされてもひも付けされなくてもよい。シナリオは以下のプロパティを有することができる。
・ メタデータ：名前、説明、タグなど
・ ＥｖｅｎｔＩｄ：所与のイベントに関係する場合、イベントの識別子
・ ショック：順番に実行されるべき、上記の定義によるショックのアレイ
ポーリングは、１人または複数の参加者にわたって調査を行うために使用される質問のセットである。ポーリングは以下の形態を有することができる。
・ メタデータ：名前、説明、タグなど
・ 質問：質問のアレイ
入力をスケーリングするために、システム１００は、同じ時間的水平線について（たとえば最近２０年間の）履歴移動を見て、最も大きい移動だけそれをスケーリングする。加えて、ユーザは、移動の標準偏差および入力の履歴パーセンタイルに関する情報を提供される。
いくつかの場合には、プロキシアンダーライヤー（proxy underlyer）が導入されて、研究されるイベントが、過去のイベントがプロキシイベントに対して有したようにアンダーライヤーに対して同様の影響を有することが予想される範囲が計算されてよい。たとえば、「フレグジット」リスクを見て（フレグジットはフランスが欧州連合から離脱することとして定義される）、人は、２０１２年欧州危機において移動資産であったようにプロキシとしてイタリア／ドイツ債権スプレッドを使用してフランス／ドイツ債権をスケーリングし得る。いくつかの実施形態では、システム１００は、ポーリングアンケートの隣に（その時間フレームの間に起こったワーストイベントおよび移動を示す）プリキャンド移動を記憶することができる。
質問は以下の形態を有することができる。
・ 識別および番号：レンダリングされる調査の順序付け
・ グループ：質問がグループ化される場合は、グループ名／識別子
・ ショック：価格設定ショックを予測するように質問が応答者に促す場合は、初期（デフォルト）状態、可能な値の範囲、および応答のためにユーザによって入力された値
図２Ａは、いくつかの実施形態による、異なるタイプおよびティアの分析ファクタのフローチャート２００Ａを示す。これは、イベント、結末、マクロファクタ、ミクロファクタ、および評価の特定の非限定的な例である。１つの例示的なイベントは選挙を含み得、たとえばフランス選挙である。例示的な結末は、異なる勝っている当事者を含む。たとえば、本明細書で説明されるように、異なる当事者は、左翼、右翼、中道左派、中道右派、自由論者、共和主義者、民主主義者などを指すことができる。勝っている当事者への本明細書のいかなる言及も、その勝っている当事者の１人または複数の候補者への言及でもあり得る。イベントおよび結末は、マクロファクタのサブセットを自動的に生成するためにシステム１００によって使用される。例示的なマクロファクタは、金利、クレジットスプレッド、ボラティリティ、１０年ＵＳＤスワップの値、他のタイプのスプレッド（たとえば、デフォルトスプレッド）、およびＥＵＲ通貨評価である。
システム１００は、マクロファクタを使用して、結末について異なるシナリオを自動的に生成する。システム１００は、マクロファクタを使用して、ミクロファクタのサブセットを自動的に生成する。例示的なミクロファクタは、イールドカーブ上の点、エクイティファクタ、ボラティリティサーフェス（volatility surface）、および外国為替レートを含む。いくつかの実施形態では、分析されている各ファクタは、異なる結末間のスプリットの点として使用されることが可能である。あらゆるノーダル結末（nodal outcome）が（初期イベントは別として）二項であり、分岐のために使用されることが可能である例示的なツリーデータ構造では、各メインイベント結末について２×個の組合せが可能である（図３Ｂの例では、第一者、第二者、および第三者が勝つ）。
図２Ｂは、いくつかの実施形態による、異なるタイプおよびティアの分析ファクタのフローチャート２００Ｂを示す。例示的なマクロファクタは、ＥＵＲ通貨価値、１０年ＵＳＤスワップ／財務省長期債券価値、フランスドイツスプレッド、Ｓ＆Ｐ ５００（登録商標）（ＳＰＸ）インデックス、Ｅｕｒｏ Ｓｔｏｘｘ ５０（登録商標）（ＳＸＳＥ）インデックス、およびＩＴＲＡＸＸを含む。システム１００は、ルールによって定義された数学的モデルを使用して、様々なショック（たとえば、特定のファクタ上の潜在的振幅／インパクトの大きさ）に関連付けられたマクロファクタの組合せ上のシナリオを生成する。システム１００はマクロファクタをミクロファクタにコンバートし、対応するショックはミクロファクタに関連付けられる。様々なファクタ間に共依存性があることがあり、さらに、マクロファクタはダウンストリームファクタに関連付けられることがあり、ツリーデータ構造が適用されて、ノーダルリンケージに関して条件付き確率を捕捉することができる好適なデータ構造が提供される。
システム１００は、ミクロファクタを使用して、１つまたは複数のポートフォリオを自動的に評価する。マクロファクタの生成および／または選択は、エキスパートシステムおよび機械学習を使用して行われることが可能である。システム１００は、可能な将来のイベントの範囲にわたるようにシナリオを生成する。自動シナリオ生成は、システム１００が「ブラックスワン」を発見し、人間のバイアスをなくすことを可能にする。いくつかの実施形態では、潜在的バイアスを考慮するために、モーフファクタが利用されて、受信されたエキスパート入力が修正される。これらのモーフファクタは、特に、永続的バイアスを考慮するためにエキスパート入力を適応させ得るか、シフトし得るか、またはさもなければ変換し得る重み付けまた増倍ファクタであってよい。
システム１００は、様々な潜在的結末が与えられれば、ファクタの確率的組合せを通して可能なあらゆる経路に概観および分析を提供することができる、ロバストなシナリオ生成ツールを提供する。あらゆる可能な経路（または、極めて複雑なシナリオにヒューリスティックが適用される場合は、それらの十分大きい部分）をテストすることで、シナリオ分析のための低減された「ブラインドスポット」が可能になる。
機械生成された分析は、多数の異なるシナリオの適度に高速な分析、およびそれの変形形態（たとえば、感度解析）を可能にする。たとえば、さもなければ多数の一見したところ有意でない経路が、結末に対して特大のインパクトを及ぼすか、またはその逆であることを、通常ならば人間が理解することが不可能であろう場合、特異な経路が、人間の直観からは明白でない結末に対して極めて特大のインパクトを及ぼすという、さらなる洞察が判定され得る。
さらに、人間が、シナリオのすべてをホリスティカルに見て、対話することが可能であるように適切に構成されたインタフェースを使用することが可能である場合、人間のバイアスは低減され得る。いくつかの実施形態では、インタフェースおよびツールが提供され、それにより、インタフェースは、様々なインタフェース要素から受信された入力に応答して、特定の経路のトラバーサルまたは分析を可能にすることによって、人間のレビュアーをグラフィカルにガイドするのを助け得る、意思決定のための改善されたツールを提供するように適応される。たとえば、経路または部分経路が領域中でグループ化されてよく、その領域は、人間のレビュアーがグラフィカルユーザインタフェースから情報を収集するかまたはより深い分析においてさらに対話することが一層可能であるように、グラフィカルユーザインタフェース「にズームされる」かまたはさもなければその上にリファクタ化（たとえば、リサイズ、ハイライト）されてよい。
情報の利点が時間限定であるとすれば、システム１００の使用とともに来る有意な先行者利点がある。システム１００によって提供される結末および判定は可能な限りほぼリアルタイムに有利に提供されて、システム１００の出力に少なくとも基づいてアクションを取るとき、可能な限り多くのリード時間が提供される。いくつかの実施形態では、自動ワークフローエンジンが利用されて、信号が生成されるかまたはさもなければダウンストリームトランザクションが処理させられる（たとえば、買い／売り注文、キャンセル注文、修正注文、オプション行使、ヘッジ）。
モデル生成
シナリオ生成の既知の手動方法の問題は、シナリオが、世界の将来の状態に関するグループまたは個人の推測にすぎないというセンチメントである。これは、シナリオベースのリスク管理を推測ゲームにする。ストレステスト（リスク分析）ポートフォリオのための適用においてなど、シナリオに付随する別の問題は、人は、ポートフォリオに関連付けられたリスクにシナリオがストレスを与えるかインパクトを及ぼすどうかを、事後まで知ることができないことである。本明細書で説明される実施形態は、シナリオの生成をシステム化して、それらが自動的に生成されることを可能にする。機械学習ユニット１２０は、入力データを処理して、先見性シナリオ分析をトリガするイベントおよび結末（たとえば、ショック）を検出する。本明細書で説明される実施形態は、コントラリアンシナリオの生成を可能にし、極値なイベント、および予見されなかったであろうシナリオをも捕捉することができる。より重要なことに、本明細書で説明される実施形態は、人間がシナリオセットを設計したときに導入されるバイアスを最小限に抑えることができる。
システム１００は、ほとんどまたはまったくバイアスのない、完全に自律的な機械生成されるシナリオを可能にする。また、これらのシナリオは、可能な将来の状態の範囲に「わたる」必要があり、また、金融適用例の場合は、ポートフォリオ中の証券のポジションの事前知識（この場合はスパニングセットの定義）なしにそれらが遭遇することになるポートフォリオにストレスを与える必要がある。たとえば、機械学習ユニット１２０は、複数のイベント、ポーリング質問、およびマクロファクタを関係付ける異なるルールセットを定義、生成、および適用して、様々なシナリオを表すツリーデータ記憶構造を生成するように構成される。
ルールセットは、すべての将来の状態のスパニングセットが生成されるように定義される。機械学習ユニット１２０は、ノード間のリンケージ（たとえば、確率）、インパクトの潜在的大きさ（たとえば、ショック値）に関する情報でツリーデータ構造をインスタンス化し、ポートフォリオ中にどんな資産があるのかの知識とは無関係にツリーをトラバースすることによって取得されることが可能な経路を処理する。この手法は、本質的に潜在意識的でさえあり得る潜在的バイアスに関して、退屈で、時間がかかり、さらには欠陥がある、既存の人的手法を改善する。ツリー構造をインスタンス化する中間ステップは、ポートフォリオに対する潜在的インパクトの正確なビューが取得されることが可能であるように、経路のスパニングセットの厳密でロバストな分析を実施する際に重要である。
システム１００は、関数もしくは式、履歴データ、回帰、ベイズの法則、または他の統計的方法を使用して、マクロファクタ間の相関および依存性を捕捉することができる。たとえば、回帰処理は、マクロファクタ間の相関を識別することができる。システム１００は、マクロファクタの値および確率の相関行列を、それらの間の依存性を識別するために生成することができる。システム１００は、ツリーの順序または構造およびマクロファクタの構成を定義するためのルールを使用する。たとえば、システム１００は、相関および依存性を定義するために、どれが最も影響を受けるミクロファクタであるか、およびどのファクタが他のファクタにインパクトを及ぼすかを識別するためのルールを含むことができる。述べられたように、システム１００は、ツリー構造を使用してシナリオを定義する必要があるだけでなく、他の連結グラフ構造を使用することもできる。システム１００は、ポーリング応答をフィルタ処理または浄化してたとえば不正確な応答を除去するように動作可能であり、マクロファクタのセットについてポーリングを自動的に生成し、シナリオセットのためのツリーまたはグラフ構造を生成するように動作可能である。システム１００は、イベントおよび結末を受信し、マクロファクタのセットを生成する。システム１００は、グラフ構造を生成するとき、マクロファクタ変数間の相互関係を判定するように動作可能である。システム１００は、すべてのマクロファクタのためのスパニング座標系を生成して、グラフおよびツリー構造の生成を自動化する。システム１００は、ＡＰＩを生成して、生成されたシナリオと対話することができる。
システム１００は、イベントおよび結末に基づいてマクロファクタのセットを自動的に識別するように構成される。システム１００は、ファクタを自動的に順序付け、ファクタ間の依存性を識別するように構成される。システム１００は、マクロファクタの値をポピュレートするために使用される入力を受信するためのポーリングを生成するように構成される。ポーリングから受信された入力は、分布を使用して前処理されて、マクロファクタの値および確率が生成される。
マクロファクタノードのシーケンスは重要であることが可能である。確率は、たとえば、ツリーまたはグラフ中の先行するファクタノードに基づく条件付き確率であることが可能である。システム１００は、相関行列を作成して確率を生成することができる。行列は、行としてツリーのリーフおよび終端を、および列としてファクタを有することができる。システム１００は分散および共分散行列を使用することができる。各シナリオの結末は相関を暗示することができる。分散が小さい場合、ファクタは相関されることが可能である（たとえば、それが０である場合、それらは完全に相関される）。所与のツリーおよびポーリングは共分散行列を生成することができる。経時的に複数のポーリングがあって、複数の共分散行列を生成してよい。複数の共分散行列は、経時的な変化（たとえば、分散の分散）を示すことができる。
システム１００は、エキスパートのためのポーリングを自動的に生成して、マクロファクタの値を導出するように構成される。イベントが与えられれば、システム１００は、ツリーまたはグラフ構造を定義するとき、マクロファクタのセット、およびマクロファクタ間の相互関係を自動的に定義するように構成される。システム１００は、マクロファクタをミクロファクタにコンバートしてポートフォリオを評価するように構成される。システム１００は、ツリーを生成するとき、マクロファクタ間の相互関係を定義するためのルールを使用する。システム１００は、すべてのマーケットファクタのためのスパニング座標系を生成して、ツリーの生成を自動化する。
本明細書で説明される実施形態は、完全に自動化されたシナリオ生成方法に関係する。イベントおよび結末またはショックは、可能な将来のシナリオを理解する必要を誘発する。その情報で武装されて、システム１００は、機械学習技法を使用して、当該のイベントの結果として著しく変化することが可能なマクロファクタに関する情報を収集する。たとえば、機械学習ユニット１２０は、履歴なおよび現在のマーケットセンチメントを表すデータを使用してルールを導出し、モデルを使用して、シナリオまたは世界の可能な将来の状態のスパニングセットを展開することができる。システム１００は、今日のマーケットビューによる影響を受けると、また関連性のあるヒストリーを用いて、これらのシナリオが起こる確率を自動的に推定することができる。
シナリオ評価は、２つの一般的なステップを伴うことができる。第１に、人は、これらのシナリオの下で検査されるべきポートフォリオの価値を、それらが起こる尤度とは無関係に知る必要がある。この情報は重大である。それは、ポートフォリオに崩壊を引き起こし得るシナリオを示す。したがって、発生確率にかかわらず、これらは、人がヘッジするかヘッジしないか？という、意思決定が行われる必要があるシナリオである。これらのシナリオを無視することは、それらの反対に賭けることの別法である。しかし、少なくともシステム１００によって取られる賭けは明示的であり、通信されることが可能である。第２に、人は、シナリオに関連付けられた確率によって推定されるような尤度を検査すべきである。これは、バリューアットリスク（ＶａＲ）もしくは欠損または発生の尤度によって結末をランク付けすることなど、概要統計値の計算を可能にする。
シナリオ生成を自動化すること
システム１００は、初期イベントと、それが発生させる結末または経済ショックとを識別する。本方法を示すために、ポーリング機構を使用して関連性のあるデータを取得して、異なるシナリオについてデータ値および確率を生成するクラウドの知恵に基づく、完全エンドツーエンド自動シナリオ生成処理について説明される。
処理は、金融マーケットに影響を及ぼし得る、金融または非金融イベント（たとえば、選挙）とともに開始する。システム１００は、イベントを処理して、このイベントによって影響を及ぼされ得るマクロファクタ（たとえば、様々なインデックス、スプレッド、ＧＤＰなど）を決定する。
トレーニングフェーズ中に、機械学習ユニット１２０に結合されたフィールド中のエキスパートが使用されて、マクロファクタの識別を自動化するためのルールを定義し更新することについて考慮するためにどのマクロファクタが重要であるかが確認されることが可能である。これらのファクタが判定されると、システム１００は、当該の時間的水平線にわたって、これらのファクタ移動に対するイベントの起こり得る影響に関するデータについて、金融マーケット中の作用主体の大きい独立したサンプルをポーリングすることができる。
その結果は、各マクロファクタの確率分布である。これは、ｐu（Ｆi）、選定された時間的水平線にわたるファクタｉの上方移動の確率を与える。同様に、システム１００は、ｐd（Ｆi）、第ｉのファクタの下方移動の確率を取得することができる。加えて、システム１００は、第ｉのファクタの可能な上移動の範囲ｒu（Ｆi）、および下側移動の範囲ｒd（Ｆi）を得ることができる。このデータを使用して、システム１００は、シナリオのスパニングセットを生成する。このポーリングの代わりに、いくつかの実施形態では、システム１００は、これらの確率分布を導出するために、機械学習ユニット１２０を使用して人工知能エンジンを走らせることもできることに留意されたい。
図３Ａは、いくつかの実施形態による通貨変動に基づく例示的な結末シナリオ３００Ａを示す。この例では、ＥＵＲ通貨価値および１０年範囲にわたるＵＳＤ通貨価値という、２つのマクロファクタが示されている。金融シナリオはノードのツリーとして示される。各経路はシナリオを表す。示されている例示的な経路は、下に行くＥＵＲ通貨価値と、上に行く１０年範囲にわたるＵＳＤ通貨価値とをもつシナリオである。
図３Ｂは、いくつかの実施形態による政治的勝利および通貨変動に基づく例示的な結末シナリオ３００Ｂを示す。
この例では、第一者が勝つ、第二者が勝つ、および第三者が勝つという、選挙（イベント）についての３つの結末が示されている。これらの結末の各々について異なる例示的なシナリオが示されている。この例では、ＥＵＲ通貨価値および米国１０年スワップの価値という、２つのマクロファクタが示されている。金融シナリオはノードのツリーとして示される。各経路はシナリオを表す。
図４は、ポーリング質問、データ値の範囲、および選択されたデータ値のインジケータに対応する視覚要素を用いたインタフェース４００を示す。例示的なインタフェース４００では、３つの結末４１０、４２０、および４３０が示されている。
インタフェースは、各結末のポーリング質問のセットを含む。ポーリング質問は、たとえば、エキスパートの特定の実績または専門知識に基づいて動的に選択されることが可能である、様々なマクロファクタ４０２またはショックに向けられている。いくつかの実施形態では、機械学習ユニット１２０は、エキスパートの過去の成績に基づいてどのファクタがどのエキスパートに示されるかを修正するエキスパート分析ルールを適用する。たとえば、エキスパートがランダムよりも悪い（かまたはより有意に良好でない［たとえば、１つの標準偏差］）場合、特定のファクタに関してエキスパートに尋ねることは非生産的または逆効果であり得る。
各結末４１０、４２０、および４３０は、マクロファクタ４０２のセットを示すユーザインタフェース要素にリンクされる。各ポーリング質問について、インタフェースは、スケール４０６を表す視覚要素を使用してデータ値の範囲を示す。選択ユニット４０８は、スケール４０６にわたってセレクタインタフェース（たとえば、カーソル／ポインタ／ドット／シンボル）を移動するために使用されることが可能であり、選択ユニット４０８がその上に存在し得る点の指示を助けるためにデシメーション点４０９が適用されてよい。スケール４０６は、たとえば１０個の標準偏差を示してよい。
スケール４０６は、各ファクタまたはショックの可能な値の分布に対応することができる。データ値の各範囲について、インタフェースは、選択されたデータ値のインジケータを示す。いくつかの実施形態では、インタフェースは、様々な挙動を奨励／阻止するように、またはエキスパートによる挙動を抑制するように機械学習ユニット１２０によって動的および自動的に修正可能である。たとえば、スケール４０６上の可能な値の範囲は修正されてよく、デシメーション点およびデシメーションラインは修正されてよい、など。
機械学習ユニット１２０は、検証ユニット１０４を介して成績を追跡するように構成され、エキスパート入力１０２は、現実世界の結果に対して継続的に比較され（るか、またはいくつかの場合には、過去の結果に対してトレーニングされ）てよい。機械学習ユニット１２０は、どのファクタがどのエキスパートに尋ねられるか、およびどのようにインタフェース要素が構成されるかを判定するルールのセットを維持する。インタフェース要素の構成は、裁量の大きいバンド（たとえば、＋５０ｂｐｓから－４０ｂｐｓ）、裁量の狭いバンド（たとえば、＋５ｂｐｓから－１０ｂｐｓ）を提供してよく、述べられたように、バンドは、正の数および負の数にわたって必ずしも対称的ではない（たとえば、＋１０ｂｐｓから－１０ｂｐｓである必要はない）。
さらに、スケール４０６にわたって示される範囲は、スケール４０６にわたって必ずしも一様に増分していない。いくつかの実施形態では、スケール４０６は、特定の分布に基づいて、または特定のスケールタイプ（たとえば、対数スケール、幾何学的スケール）に基づいて特にリファクタ化される。スケール４０６がどのようにエキスパートとインタフェースするかについてのこれらの動的修正は、エキスパートによる選定を抑制するかもしくはエキスパートがスケール４０６に沿ってボーダーライン値を選択する可能性をより高く／より低くするための有用な機構を提供するか、またはスケール４０６をスケール４０６の選択部分において特に敏感にさせる。たとえば、＋１０ｂｐｓと－１０ｂｐｓとの間にわたるスケール４０６では、スケール４０６の中心６０％は＋／－３ｂｐｓ間で変動し得、スケール４０６の左端における２０％は、－１０ｂｐｓと－３ｂｐｓとの間の分散を提供し得、スケール４０６の右端における２０％は、３ｂｐｓと１０ｂｐｓとの間の分散を提供し得る。
それに応じて、この例では、スケール４０６の中心６０％は、高められた微調整を提供するが、「テール」端部は、より粗い調整を可能にする。この例では、機械学習ユニット１２０は、以前のタイプのイベントおよび結末に基づいてルールを維持していることであろうので、影響はおそらく約＋／－３ｂｐｓであり、ルールセットは、したがって、エキスパートが値をより慎重に選択することができるように、これらの範囲の周辺で高められた微調整を提供する。一方、エキスパートがこの範囲外の値を選択することを望む場合、エキスパートはそのようにすることが自由である。各ファクタのスケール４０６は、適用されている特定のルールに基づいて異なってよい。たとえば、機械学習ユニット１２０は、選挙関係のイベントについて１０年ＵＳＤスワップの価格移動に関係するエキスパートＡの考察のみに適用可能である、エキスパートＡの過度に保守的な推定を補正するためのルールを有し、機械学習ユニット１２０は、エキスパートＡの成績の以前の検証により、このルールを適用する。
スケール４０６は、各マクロファクタ４０２についての選択可能な応答の範囲を示す。スケール４０６上の中間点は０を表し、両側上の点はマクロファクタ４０２のアップまたはダウン値を表す。端部は、マクロファクタ４０２の極値な点または値を表す。
各エキスパートは、ポーリング質問に応答して入力データを提供するためにインタフェース４００にアクセスする。大数の法則を活用するために、インタフェース４００を使用して多数のエキスパートがポーリングされることが可能である。大数の法則を仮定すれば、多くのエキスパートを考慮に入れることでバイアスを除去または低減することができる。さらに、理想的に多くのエキスパートを使用することで、ポーリングに応答してコントラリアンビューが受け取られることになる。各エキスパートは、インタフェース４００を使用して独立してポーリングに応答することができる。さらに、インタフェース４００を介して受信されたすべての応答が等しく扱われる必要はない。たとえば、システム１００は、いくつかのエキスパートからの応答を、他のエキスパートからの応答よりも高く重み付けすることができる。インタフェース４００において受信された応答は、分布グラフを定義するために使用されたものだった。エキスパートは、エキスパートタイプに基づいてカテゴリー分類されることが可能である。１つのタイプのエキスパートから受信された応答は、正規化またはフィルタ処理されることが可能である。たとえば、タイプ１の１００個のエキスパートから応答が受信されることが可能であり、タイプ２の３０個のエキスパートから応答が受信されることが可能である。応答は、各タイプのエキスパートについて重み付き平均または他の値を生成するために正規化またはフィルタ処理されることが可能である。次いで、フィルタ処理された値は、すべてのタイプのエキスパートにわたってアグリゲートされることが可能である。
エキスパートは、インタフェース４００にアクセスして、時間期間にわたって応答を提供することができる。イベント日が近づくにつれて、特定のエキスパートによる応答は、新しい情報があらわになるにつれて変動することができる。それに応じて、システム１００は、イベントおよび結末の日付、ならびに応答の日付を識別することができる。システム１００は、日付情報に基づいて我々のフィルタ応答を処理するように動作可能である。
いくつかの実施形態では、インタフェース４００は、エキスパートの選択によって生成される可能性があるバイアスを低減することを試みるために、多様なグループのエキスパートに提示されることが可能である。地理的多様性があることが可能である。主題の多様性があることが可能である。システム１００は、自然言語処理を使用して、マーケットセンチメントおよび構造化されていないテキストデータを識別することが可能であり、これらは、エキスパートからの応答を重み付けするためにさらに使用されることが可能である。システム１００は、エキスパートおよびそれらの対応する応答をタイプによってラベリングし、応答を各タイプによって事前グループ化することができる。エキスパート応答には異なる重みがアタッチされることが可能である。システム１００は、固有のバイアスを除去または緩和するために応答を前処理するように動作可能である。システム１００は、たとえば、バイアスを識別し除去するためにフィルタを使用して応答データを前処理するように動作可能である。システム１００は、応答を処理して、コントラリアンビューを含むことが可能なシナリオのスパニングセットを生成する。
システム１００は、シナリオのスパニングセットのための条件を有することができる。あらゆるマクロファクタについて、可能な値の範囲は、負の移動と正の移動の両方にわたる（分布曲線は０ラインを横断しなければならない）。スパニングセットは、すべての異なる結末をカバーする（重複しているグラフを用いたインタフェースを参照されたい）。これはミクロファクタにも拡張されることが可能である。これが満たされない場合、これは、ポーリングが間違っているという指示である。システム１００は、（マーケットが概して感じていることが起こらないであろう）コントラリアンシナリオを捕捉する。システム１００は、たとえば、人間によって一般には予見されないであろう異常なイベントをキャッチすることができる。システム１００は、シナリオのスパニングセットを生成する。
スケール４０６の中間は０に対応することができ、側部セクションは、極値な値までのアップおよびダウン範囲に対応することができる。システム１００は、ポーリングに応答して入力データを受信する。エキスパートは、独立してポーリングに応答すべきであり、エキスパートは、エキスパートタイプに基づいて重み付けされることが可能である。システム１００は大数の法則を活用することができる。システム１００は、多様な範囲のエキスパートタイプをポーリングすることができる。システム１００は、特定のエキスパートからの応答に関して履歴データおよび精度を活用することができる。システム１００は、たとえば、エキスパート識別子でタグ付けされた応答データを記憶する。システム１００はまた、エキスパートタイプ、日付、時間など、他の属性に関して応答データを記憶することができる。システム１００は、それらの以前の応答に基づいてエキスパートデータを重み付けすることができる。システム１００は、実際の結末データを使用して履歴応答データを評価するように動作可能である。システム１００は、応答データを使用してヒストグラムを生成し、これらのヒストグラムは、今度は、インタフェースのために分布曲線を生成するために使用される。システム１００は、イベントの日付が近づくにつれてより頻繁にポーリングするように動作可能である。システム１００は、多数のエキスパートに尋ねることによって大数の法則を活用して、コントラリアンビューを含め、バイアスを緩和する。システム１００は、生の応答を集め、データセットをフィルタ処理して、応答がない場合を考慮することができる。システム１００は、データをどんな分布にもフィッティングしなくてよく、また、いくつかの分布をフィッティングしてショックを導出してよい。生データセットから、システム１００は、アップ対ダウン移動の確率を導出することができる。これは、たとえば、０を下回り０を上回る応答の数によって定義される。
上側ショックレベルおよび下側ショックレベルを導出するために、システム１００は、フィルタ処理されたデータセットを処理して５％および９５％を見て、上側ショックおよび下側ショックを導出することができる。パーセンタイルの選定は動的であり、ポーリング結果および参加の関数になる。
ポーリングに関して、システム１００は、移動の履歴頻度および正規化メトリックにおける振幅（標準偏差）に関する情報を追加して、ユーザの応答をフレーム化することができる。システム１００は、ユーザが低い確信を有するときに選定することを彼／彼女に強制するのを回避するために、「ビューなし」の選定を追加することができる。システム１００は、相関についてのユーザの知覚ならびに移動の方向および振幅を表す、首尾一貫したマーケット状態を彼／彼女から得るように、質問を編成することができる。
たとえば、パーセンタイルおよび標準偏差はホバー状態で現れることが可能である。図３５は、ポーリングを用いた例示的なインタフェースを示す。
図５Ａは、いくつかの実施形態による、マクロファクタへの影響の表５００Ａを示す。表５００Ａは各結末の部分を含む。表の列は、異なるマクロファクタに対応する。いくつかの行は、ファクタが上または下に行く確率に対応する。いくつかの行は、上または下に行くファクタのショックまたはデータ値範囲に対応する。セルは、異なる確率に対応し、様々なファクタのショック値である。システム１００は、ポーリングからの応答を集め、マクロファクタの確率および値を生成する。システム１００はまた、ポーリングに応答して集められたデータを使用して分布を生成する。たとえば図２７を参照されたい。
これらのファクタは、ツリーデータ構造に従って記憶され得る値を示している。これらの値は、異なるノード間で定義されたリンケージにおいて記憶され、ノードのトラバーサル中に、結末のすべての可能な組合せが識別されることが可能である。図示の例では、確率アップおよび確率ダウンならびにショックアップおよびショックダウンが示されているが、他の実施形態では、３つ以上の可能性があってよい。
機械学習ユニット１２０は、ポーリングユニット１２８と相互動作して値を判定し、エキスパート入力１０２は、機械学習ユニット１２０によって維持されるルールセットの適用を通して重み付けされるかまたは別法により処理されてよい。いくつかのエキスパートからの入力は、他のものとは別様に重み付けされてよく、同様に、エキスパート入力１０２は、いくつかのエキスパートから受信された入力中のバイアスの追跡されたパターンにより、調整されてよい。これらの値は、次いで、シナリオ生成ユニット１２４へのパラメータとして提供され、シナリオ生成ユニット１２４は、ツリーデータ構造をポピュレートし、インスタンス化する。
図５Ｂは、いくつかの実施形態による、第一者が勝ったときの例示的な結末のショックレベル分布に対応する視覚要素を用いたインタフェース５００Ｂを示す。システム１００は、ポーリング質問に対する応答を処理して、分布曲線を使用して確率およびショック値範囲を生成する。
視覚要素は、イベントのための異なるマクロファクタに対応する列をもつ表を含む。表のセルは、ポーリング質問に対する応答を使用して導出された値でポピュレートされる。行は、ファクタ値が上または下に行く確率に対応し、視覚要素中のショック値スパンは、各マクロファクタのグラフをも含む。システム１００は、ポーリングからエキスパートによって受信された応答の分布を生成することによってマクロファクタの確率および値範囲を生成する。
例示的な確率分布が金融ファクタについて示されている。統計的測度は、受信されたポーリング情報から確率アップ／ダウン、およびショック大きさ値を導出するために利用されてよい。いくつかの実施形態では、確率アップ／ダウン、およびショック大きさ値は、特に、判定された平均、中央値のうちの少なくとも１つに基づいて判定される。いくつかの実施形態では、異常値は、検討について無視されるかまたはフラグを付けられる。
図５Ｃは、イベントの例示的な結末（第二者が勝つ）のショックレベル分布に対応する視覚要素を用いたインタフェース５００Ｃを示す。視覚要素は、イベントのための異なるマクロファクタに対応する列をもつ表を含む。視覚要素はまた、ファクタのための異なる値を示すグラフを含む。
同様に、例示的な確率分布が金融ファクタについて示されている。統計的測度は、受信されたポーリング情報から確率アップ／ダウン、およびショック大きさ値を導出するために利用されてよい。いくつかの実施形態では、確率アップ／ダウン、およびショック大きさ値は、特に、判定された平均、中央値のうちの少なくとも１つに基づいて判定される。いくつかの実施形態では、異常値は、検討について無視されるかまたはフラグを付けられる。この例では、値は、イベント結末が異なるので、図５Ｂからのものとは異なる。したがって、潜在的値、経済的方向、政治的方向などが、様々なエキスパートによって考慮され、システムに提供され、それにより、第二者が勝つ予測シナリオが分析されることが可能である。
図５Ｄは、第三者が勝ったときの例示的な結末のショックレベル分布に対応する視覚要素を用いたインタフェース５００Ｄを示す。視覚要素は、イベントのための異なるマクロファクタに対応する列をもつ表を含む。視覚要素はまた、ファクタのための異なる値を示すグラフを含む。
同様に、例示的な確率分布が金融ファクタについて示されている。統計的測度は、受信されたポーリング情報から確率アップ／ダウン、およびショック大きさ値を導出するために利用されてよい。いくつかの実施形態では、確率アップ／ダウン、およびショック大きさ値は、特に、判定された平均、中央値のうちの少なくとも１つに基づいて判定される。いくつかの実施形態では、異常値は、検討について無視されるかまたはフラグを付けられる。この例では、値は、イベント結末が異なるので、図５Ａおよび図５Ｂからのものとは異なる。したがって、潜在的値、経済的方向、政治的方向などが、様々なエキスパートによって考慮され、システムに提供され、それにより、第三者が勝つ予測シナリオが分析されることが可能である。
図５Ｅは、第一者が勝ったときの例示的な結末のマクロからミクロの上側ショックレベルおよび下側ショックレベルに対応する視覚要素を用いたインタフェース５００Ｅを示す。視覚要素は、結末にリンクされた各リスクファクタの上側ショックレベルおよび下側ショックレベルを含む。左側の列は上側ショックの影響を示し、右側の列は下側ショックの影響を示す。ミクロファクタはマクロファクタの移動にリンクされる。
最上行に示されているように、１０年米国スワップにおける５０／－２５ｂｐｓの移動は、ＵＳＤ、ＥＵＲ、ＧＢＰ、およびＪＰＹの２年、５年、および１０年レートへの対応する変化を引き起こし得る。同様に、次の行に示されているように、ＥＵＲの値における５％／－４％の移動は、特に、ＧＢＰ、ＪＰＹ、ＣＨＦ、ＨＫＤ、ＴＷＤ、ＫＲＷ、ＡＵＤ、およびＭＸＮなど、他の通貨のシフトに至り得る。次の行において、２５％／－２０％だけのＩＴＲＡＸＸの移動は、米国投資適格、米国ハイイールド、およびクレジットスワップインデックス（たとえば、ＣＤＸ ＥＭ）に関係するクレジットデフォルトにおけるシフトを引き起こし得る。最後の行において、１０％／－７．５％だけのＥＳＴＯＸＸの移動は、たとえば、ＮＩＫＫＥＩ、ＨＩＳ、ＴＯＰＩＸ、ＤＡＸ、ＲＵＳＳＥＬＬ、およびＳＰＸを含む、世界中の様々な追跡されるインデックスにおけるシフトを引き起こし得る。
ミクロ値は、起こっている様々なイベントに鑑みてポートフォリオの価格移動を推定／追跡するために利用されることが可能である。たとえば、ＪＰＹと呼ばれる資産を保持しているポートフォリオマネージャーは、ＵＳＤに対する潜在的価格移動に関心があることがあり、イベント（たとえば、選挙）の結末の分析に基づいて、収益をより効率的に獲得するためにまたは最大ダウンサイドリスクを拡散／限定するために、資産をシフトすることを決定することがある。たとえば、ポートフォリオマネージャーは、彼／彼女がポートフォリオを大量のダウンサイドリスクにさらすことになることを認識することがあり、ヘッジ戦略を利用してダウンサイドリスクを相殺することを選定することがある。
図５Ｆは、第二者が勝ったときの例示的な結末のマクロからミクロの上側ショックレベルおよび下側ショックレベルに対応する視覚要素を用いたインタフェース５００Ｆを示す。視覚要素は、結末にリンクされた各リスクファクタの上側ショックレベルおよび下側ショックレベルを含む。左上に示されているように、１０年米国スワップにおける３５ｂｐｓの移動は、ＵＳＤ、ＥＵＲ、ＧＢＰ、およびＪＰＹの２年、５年、および１０年レートへの対応する変化を引き起こし得る。同様に、次の行に示されているように、ＥＵＲの値における７％の移動は、特に、ＧＢＰ、ＪＰＹ、ＣＨＦ、ＨＫＤ、ＴＷＤ、ＫＲＷ、ＡＵＤ、およびＭＸＮなど、他の通貨のシフトに至り得る。次の行において、２５％だけのＩＴＲＡＸＸの移動は、米国投資適格、米国ハイイールド、およびクレジットスワップインデックス（たとえば、ＣＤＸ ＥＭ）に関係するクレジットデフォルトにおけるシフトを引き起こし得る。左側の列は上側ショックの影響を示し、右側の列は下側ショックの影響を示す。
最上行に示されているように、１０年米国スワップにおける３５／－３５ｂｐｓの移動は、ＵＳＤ、ＥＵＲ、ＧＢＰ、およびＪＰＹの２年、５年、および１０年レートへの対応する変化を引き起こし得る。同様に、次の行に示されているように、ＥＵＲの値における７％／－１０％の移動は、特に、ＧＢＰ、ＪＰＹ、ＣＨＦ、ＨＫＤ、ＴＷＤ、ＫＲＷ、ＡＵＤ、およびＭＸＮなど、他の通貨のシフトに至り得る。次の行において、４０％／－２５％だけのＩＴＲＡＸＸの移動は、米国投資適格、米国ハイイールド、およびクレジットスワップインデックス（たとえば、ＣＤＸ ＥＭ）に関係するクレジットデフォルトにおけるシフトを引き起こし得る。最後の行において、１０％／－１５％だけのＥＳＴＯＸＸの移動は、たとえば、ＮＩＫＫＥＩ、ＨＩＳ、ＴＯＰＩＸ、ＤＡＸ、ＲＵＳＳＥＬＬ、およびＳＰＸを含む、世界中の様々な追跡されるインデックスにおけるシフトを引き起こし得る。
この例では、ポートフォリオマネージャーは、選挙がこのシナリオの結果になった場合に起こり得る結末の差異を備えられ、シナリオ間の差異を確認するために図５Ｅのインタフェースと比較することができる。
図５Ｇは、第三者が勝ったときの例示的な結末のマクロからミクロの上側ショックレベルおよび下側ショックレベルに対応する視覚要素を用いたインタフェース５００Ｇを示す。視覚要素は、結末にリンクされた各リスクファクタの上側ショックレベルおよび下側ショックレベルを含む。システム１００は、分布を使用してショック値および確率を生成する。これらは、マクロファクタについてのポーリング質問に対する応答から生成される。
最上行に示されているように、１０年米国スワップにおける６０／－５５ｂｐｓの移動は、ＵＳＤ、ＥＵＲ、ＧＢＰ、およびＪＰＹの２年、５年、および１０年レートへの対応する変化を引き起こし得る。同様に、次の行に示されているように、ＥＵＲの値における１１％／－１３％の移動は、特に、ＧＢＰ、ＪＰＹ、ＣＨＦ、ＨＫＤ、ＴＷＤ、ＫＲＷ、ＡＵＤ、およびＭＸＮなど、他の通貨のシフトに至り得る。次の行において、６０％／－３０％だけのＩＴＲＡＸＸの移動は、米国投資適格、米国ハイイールド、およびクレジットスワップインデックス（たとえば、ＣＤＸ ＥＭ）に関係するクレジットデフォルトにおけるシフトを引き起こし得る。最後の行において、１１％／－１３％だけのＥＳＴＯＸＸの移動は、たとえば、ＮＩＫＫＥＩ、ＨＩＳ、ＴＯＰＩＸ、ＤＡＸ、ＲＵＳＳＥＬＬ、およびＳＰＸを含む、世界中の様々な追跡されるインデックスにおけるシフトを引き起こし得る。
選挙のすべての３つの可能な結末のビューが与えられれば、ポートフォリオマネージャーは、潜在的エクスポージャーおよび結末のホリスティックビューを取得し、それに応じてポートフォリオ資産の構造およびミックスに関係して意思決定することが可能であり得る。そのようなビューを取得するために、システム１００は、エキスパートポーリングされた値に基づいてツリーデータ構造をインスタンス化し、ツリーデータ構造は、確率的値およびインパクトを保持するように構成され、したがって、すべての可能な経路にわたるツリーデータ構造のトラバーサルは、マクロファクタに関するすべての可能な結末と、最終的に、ポートフォリオ資産に対する累積的ミクロファクタの影響とを捕捉する経路のスパニングセットの生成を可能にする。
システム１００は、イベントによって影響を及ぼされる金融ファクタ上のシナリオを自動的に生成する。このステップは、ポーリング情報に対する応答と、潜在的に、マクロファクタ間の相関に関する情報とから導出されるシナリオの可能なセットを生成することを伴う。システム１００は、履歴条件付き相関、または利用可能な場合は、暗示されるそれを使用し、応答暗示される相関を使用することができる。
入力をスケーリングするために、システム１００は、たとえば、同じ時間的水平線について最近２０年間の履歴移動を見て、最も大きい移動だけそれをスケーリングすることができる。加えて、システム１００は、移動の標準偏差およびそれらの入力の履歴パーセンタイルに関する情報をユーザに提供することができる。
システム１００は、シナリオのスパニングセットを生成するために金融ネットワークまたは決定ツリーを使用することができる。
図６Ａは、いくつかの実施形態によるイベントについての可能な結末シナリオのツリー構造６００Ａを示す。ツリーのルートはイベントノードに対応する。イベントノードは、結末ノードと呼ばれることも可能である、各結末のための子ノードを有する。結末ノードの子はマクロファクタノードを表す。各結末ノードは、その結末にリンクされたマクロファクタノードのサブツリーのルートであることが可能である。結末ノードからリーフノードへの経路はシナリオを表し、ここで、各マクロファクタノードは対応するデータ値を有する。データ値は、本明細書ではショック値とも呼ばれる。ノード間のエッジは、親ノードから子ノードにトラバースする確率を表す。したがって、シナリオの確率は、シナリオ経路のノード間のエッジを使用して表されることが可能である。データ値および確率は、プル質問に対する応答を使用してシステム１００によって計算されることが可能である。システム１００は、プル質問に対する更新された応答を受信することに応答してリアルタイムにデータ値確率を更新することができる。したがって、システム１００は、連続的におよびリアルタイムに動作して、ツリー構造がデータ値および確率の最新の表現を含むことを保証する。
ツリーの各結末ノードは、マクロファクタノードの２ｎ個の経路のサブツリーを定義し、各経路はシナリオに対応する。この例では、３つのサブツリーがあり、１つのサブツリーは、第１、第２、および第三者が勝つという、イベントの各可能性または結末に関する。各サブツリーは２ｎ個の経路を有し、ｎ＝６は、選挙結果によって影響を及ぼされるマクロファクタの数である。ツリー中の各経路はシナリオに対応する。
図６Ｂは、例示的なシナリオ経路６０２を含むいくつかの実施形態による第二者が勝ったときの可能な結末シナリオのツリー構造６００Ｂを示す。図示のシナリオは、第二者が勝ったときの特定の結末に関係する。述べられたように、シナリオ経路中の親ノードと子ノードとの間の各エッジは、経路６０２中で親ノードから子ノードにトラバースする確率に対応する。この例では、６つのマクロファクタおよび６４個のシナリオ経路がある。経路６０２は、ＥＵＲファクタが６％だけ下に行くこと、１０年ＵＳＤスワップファクタが９６．８ｂｐｓだけ行くこと、フランス／ドイツスプレッドが７０ｂｐｓだけ行くこと、ＳＰＸが８．２５％だけ下に行くこと、ＳＴＯＸＸファクタが２０．４５％だけ行くこと、およびＴＲＡＸＸファクタが２１％だけ下に行くことに対応する。
図６Ｃは、いくつかの実施形態によるイベントについての可能な結末シナリオのツリー構造６００Ｃを示す。結末全体にわたる結末が生成され、１９２個の可能なシナリオの一部分を示している。
システム１００は、マクロファクタおよび結末についてのシナリオを表すツリーデータ記憶構造を生成する。ツリーは、異なるノードを有し、ツリー構造中の各ノードは記述子およびデータ値を定義する。ツリー構造は、ルートノードに対応するイベントノード（選挙）を有する。結末ノードはルートノードの子に対応する。
マクロファクタノードは、結末ノードのさらなる子に対応する。各マクロファクタノードはデータ値を有する。ツリーの各結末ノードは、マクロファクタノードの２ｎ個の経路のサブツリーを定義し、各経路はシナリオに対応する。この例では、３つのサブツリーがあり、１つのサブツリーは、第１、第２、および第三者が勝つという、イベントの各可能性または結末に関する。各サブツリーは２ｎ個の経路を有し、ｎ＝６は、選挙結果によって影響を及ぼされるマクロファクタの数である。ツリー中の各経路はシナリオに対応する。
図７Ａは、いくつかの実施形態によるイベントについての可能な結末シナリオのサブツリー７００Ａを示す。これは、第一者による選挙におけるシミュレートされた勝利による、マクロファクタに対する潜在的影響をより詳細に示している。ツリー中で潜在的結末をトラバースすることは、各経路を通して考慮されることが可能である。各完全経路は、マクロファクタの各々の上方移動または下方移動を考慮する。結末ノードのサブツリーは、マクロファクタノードの２ｎ個の経路を定義し、各経路はシナリオに対応し、この場合には、合計２６個の可能な経路がある。
図７Ｂは、いくつかの実施形態による、イベントについての可能な結末シナリオのサブツリー７００Ｂを示す。これは、第二者による選挙におけるシミュレートされた勝利による、マクロファクタに対する潜在的影響をより詳細に示している。サブツリー７００Ｂは、これは、第二者による選挙におけるシミュレートされた勝利（イベントノード）による、マクロファクタに対する潜在的影響（結末ノード）をより詳細に示している。図７Ａと比較して、確率およびショックの大きさが変化したことに留意されることが可能である。第二者の勝利では、アップサイドの可能性およびダウンサイドリスクの対応する増加につながる、より大きいボラティリティがあり得る。
図７Ｃは、いくつかの実施形態によるイベントについての可能な結末シナリオのサブツリー７００Ｃを示す。これは、第三者による選挙におけるシミュレートされた勝利による、マクロファクタに対する潜在的影響をより詳細に示している。図７Ａ、図７Ｂ、および図７Ｃの組合せは、選挙全体の分析を可能にする。
金融ファクタの独立性が仮定され得るとき、シナリオの確率は、経路に沿った確率の積として表されることが可能である。アップ移動およびダウン移動の確率、ならびに移動のサイズは、実際のデータが使用されたとき、各サブツリーにおいて異なることになる。このツリーは例示のためにすぎない。示されている数は、本方法の現実の適用において生成されるであろう実際の数を必ずしも示していない。
選挙のイベントについて導出された図６に示されているツリー構造を考察されたい。この例は、候補者のうちの１人が勝ったときはいつでも影響を及ぼされる、６つのマクロファクタを含む。各可能な勝利について２６個の可能なシナリオ経路があり、合計で３×２６個の可能なシナリオ経路が作られる。それは、１９２個の可能な経路または１９２個の可能なシナリオである。
図６Ａ、図６Ｂ、図６Ｃにおける例示的なツリーは、このイベントを条件として、マクロリスクファクタが経験するかもしれない可能な移動についてのマーケットのビュー上で取得される情報に基づいてシナリオを自動的に生成するためにシステム１００が使用することができるツリーまたはネットワークの例である。シナリオは、ツリー中のノードの単一の経路である（図６Ｂ参照）。階層ツリー構造は、ルート値と、リンクされたノードのセットとして表される、親ノードをもつ子のサブツリーとを有する。経路は、このルートノード（またはサブツリーのルートノード）からリーフノード（子のないノード）へのノードであり得る。このツリーまたはネットワークは、上記で示された単純な例、たとえば、ニュースの変化とともにポーリングされた質問に対する応答が変化するとき、新しい情報で継続的に更新されるベイジアンネットワークよりも複雑であり得る。すべてのマクロリスクファクタが独立している、最も単純な場合において起こるマクロシナリオの確率は、経路に沿った確率の積にすぎない。より複雑なネットワーク（ツリー）では、リスクファクタがツリー中で現れるそれらの順序が重要であり、我々はファクタ間の相関を考慮する必要があり、相関自体が日々変化することになる。したがって、システム１００は、連続的におよびリアルタイムにポーリング質問を送信し、ポーリング質問に対する応答データを受信し、ツリー構造のノードのデータ値を動的に更新するように動作可能である。説明を簡略にするために、我々は独立性を仮定し、シナリオのオーバー確率を計算する際に順序は重要でないと仮定することができる。しかしながら、いくつかの実施形態では、マクロファクタ間に相関および依存性がある。
システム１００は、マクロファクタシナリオからミクロファクタショックを生成するように動作可能である。図８は、いくつかの実施形態による、ミクロファクタの変化につながるマクロファクタのフローチャートを示す。これらのシフトは、たとえば、図５Ｅ～図５Ｇにおいて示されることが可能である。図５Ｅ～５Ｇでは、マクロファクタ（たとえば、１０年米国スワップ、ＥＵＲ通貨価値、ＩＴＲＡＸＸ、およびＥＳＴＯＸＸインデックス値）のシフトが、対応するミクロファクタシフトを引き起こし得ることを示すためのリンケージが提供されている。これらのミクロファクタシフトは、イベント結末の結果として起こり得る確率的経路のセットに鑑みてポートフォリオ資産価値を再査定する際に利用されることが可能である。
図９は、いくつかの実施形態によるファクタ間の相互関係のツリー９００を示す。図９は、異なるシナリオの例、特定の選挙運動が考慮されている例である。図９は、分析されているマクロファクタがはるかに多く、より一層多くのミクロファクタがリンクされることにつながる、金融システムおよびより複雑な例において存在し得る複雑さを示している。
ツリー中のリーフノードは、経路に沿って現れるすべてのマクロファクタの組合せである特定のマクロシナリオに対応する。システム１００は、さらに、これらのマクロファクタショックを、ポートフォリオに対するそれらの影響を評価するために使用されることが可能なミクロファクタショックにコンバートするように構成される。これは自動的に達成されてよい。たとえば、これは、条件付き期待値を使用して行われることが可能である。
要約すれば、主要イベントが定義されると、機械学習ユニット１２０およびエキスパート入力１０２を使用してマクロリスクファクタが生成されることが可能である。機械学習ルール、および多数の独立したエキスパートの自動ポーリングを、金融ネットワーク、または例示的な形態では、決定ツリーと組み合わせることによって、マクロシナリオが次いで生成される。この方法の寄与は、自動エキスパートシステムを機械学習と結合して、マクロからミクロへのファクタコンバージョンを伴うシナリオツリー（ネットワーク）を展開して、完全自動シナリオ生成システムを作成することである。このシステムへの唯一の入力は、研究されるべきイベントを検出するためのデータフィードである。
システム１００はスパニングセットを生成する。ファクタにおけるあらゆる移動についての、図６の例示的なツリーにおける構築によって、システム１００はカウンタ移動をも考慮する。経路は、これらのマクロショックのすべて可能な組合せである。２ｎ個の経路があり、ｎは、イベントについて検出されたサブセット中のマクロ変数の数である。システム１００が、重要であるファクタを省略していないと仮定すると、システム１００は、考慮される必要がある可能なマクロショックの範囲にわたることになる。したがって、ポートフォリオの内容を知ることなしに、システム１００は、どんなポートフォリオにおいても上側移動と下側移動の両方をキャッチすることができる。しかしながら、高度に非線形のポートフォリオでは、システム１００は、すべての可能性をキャッチするためには可能なショックおよびファクタの極めて細かいグレインセットを有する必要があるであろうことが真実である（バイナリーオプションのポートフォリオ、およびバイナリーオプションが行使されることになる正確な点／組合せをキャッチすることの困難さを考えられたい）。
システム１００は、シナリオ生成のために機械学習およびポーリングをネットワークモデルと結び付ける。システム１００は、ポートフォリオを評価するために使用されることが可能である非金融または金融マクロイベントからシナリオを自動的に生成する。生成されたシナリオのセットはまた、ストレステストおよび一般的リスク管理においてそれらを特に有用なものにする、いくつかの重要なプロパティを満たす。それらは、ポートフォリオ中のポジションの事前知識なしにポートフォリオにストレスを与えるための可能性の範囲にわたる。システム１００は、破壊的損失を生じ得るブラックスワンをキャッチすることができる。
図１０は、いくつかの実施形態による、シナリオモデルを生成するための処理１０００を示す。
シナリオモデルを生成することは、１００２において、イベント（たとえば、選挙）に関係するリスクに関連性のある非金融マクロファクタを選択すること含んでよい。選挙の例では、これらは、第１、第２、および第三者による勝利を含んでよい。
１００４において、システム１００は、この選挙の結末におけるリスクに関連性のあるマクロファクタを選択するように構成される。いくつかの実施形態では、機械学習ユニット１２０は、（たとえば、過去の選挙によってそれの測度が最も影響を受けた）同様のデータのコーパスの分析に基づいて金融マクロファクタを自動的に識別する。この例では、マクロファクタは、ＥＵＲの外国為替レート、フランス／ドイツスプレッド、１０年米国国債の価値、Ｓ＆Ｐ５００（登録商標）、Ｓｔｏｘｘ５０Ｅ（登録商標）などのエクイティインデックス、および／またはＩＴＲＡＸＸなどのクレジットインデックスを含むレートを含んでよい。
１００６において、システム１００は、条件付き確率ならびにリスクファクタにおける上方および下方の可能な移動についての理解を取り入れるために設計されたポーリングを展開するように構成される。これらの条件付き確率、および移動の上方／下方の大きさは、いくつかの実施形態では、機械学習ユニット１２０によって自動的に選択されるか、または様々なエキスパートからポーリングされた情報を介して指定されてよい。エキスパートは、マクロファクタの各々に関連付けられた「ショック」のレベルおよび「ショック」の確率、ならびに／またはどのマクロファクタがイベントによってインパクトを受ける可能性が最も高いかを示してよい。取得され得る新しい情報があるとすれば、上記で集められるデータポイントは（たとえば、週ごとに）変化してよい。
１００８において、システム１００は、シナリオ生成ユニット１２４を介して、ポーリング結果に基づいてアップおよびダウン確率ならびにアップおよびダウンショックでツリーデータ構造をインスタンス化する。対応するミクロショックを導出するために様々なマーケットモデルが使用されることが可能であり、いくつかの実施形態では、異なるシナリオの下のポートフォリオの価値は、マクロファクタおよびミクロファクタ、ならびにそれらの関係する「ショック」の組合せに基づいて価格設定されることが可能である。
１０１０において、エンドユーザ（たとえば、クライアント、トレーダー、ポートフォリオマネージャー）にプロビジョニングするための様々な報告およびインタフェースが生成されることが可能であり、いくつかの実施形態では、（たとえば、取引または他のトランザクションを自動的に開始するための）処理のための命令が自動的に送られる。
動的にレンダリングされるインタフェース
図１１～図３０は、いくつかの実施形態によるユーザインタフェースの例示的なスクリーンショットを示す。
図１１は、ポートフォリオショック（たとえば、ある値を上回るかまたは下回るポートフォリオの％変化）の分布のグラフィカルビューをユーザに提供するために使用可能であるインタフェーススクリーン１１００を示す。図１１には、たとえば、どのポートフォリオ、資産、ソース、ベンチマーク、およびビュータイプが適用されるかを切り替えるようにインタフェースビューを修正するために使用されることが可能である、選択可能なインタフェース要素を有するオプションバー１１０２が示されている。図１１では、ビューは、データソースのすべてに基づく、ポートフォリオのすべて、資産のすべてに関してであり、ベンチマークはマーケットであり、ビューはポートフォリオショックの分布を示す。ヒストグラム１１０４が示され、ここでは、結末の全体、シナリオのスパニングセットが示され（バーは－１０％から＋１４％にわたる、マーケットに対するベンチマークを示すベンチマーク基準ラインが示されている。（トレンドライン１１１０を介して示されているマーケットと比較されて、特定のポートフォリオ（「私のもの」）にそれは関係するので、最大損失および最高収益を示す視覚要素１１０６、１１０８が提供される。
図１２は、ポートフォリオショック（たとえば、ある値を上回るかまたは下回るポートフォリオの％変化）の分布のグラフィカルビューをユーザに提供するために使用可能であるインタフェーススクリーン１２００を示す。図１２の例では、ベンチマークは、図１１に対して、ヘッジおよびベンチマークラインとして選択される。同様に、図１２には、選択可能なインタフェース要素を有するオプションバー１２０２が示されている。図１２では、ビューは、データソースのすべてに基づく、ポートフォリオのすべて、資産のすべてに関してであり、ベンチマークはヘッジ（たとえば、マーケットのヘッジされたバージョン）であり、ビューはポートフォリオショックの分布を示す。バーグラフ１２０４が示され、ここでは、結末の全体、シナリオのスパニングセットが示され（バーは－１０％から＋１４％にわたる）、ヘッジされたマーケットに対するベンチマークを示すベンチマーク基準ラインが示されている。（トレンドライン１２１０によって示されている）ヘッジと比較されて、特定のポートフォリオ（「私のもの」）にそれは関係するので、最大損失および最高収益を示す視覚要素１２０６、１２０８が提供される。特に、図１２では、ヘッジの最大損失は、（ベンチマークがマーケットであった）図１１の最大損失よりも小さい。最大損失のこの低減は、ヘッジ機構の動作を介した、不利な価格移動のリスクの低減におそらく起因する。
図１３は、スクリーン図１２と同様のインタフェーススクリーン１３００を示し、オプションバー１３０２が「ドロップダウン」メニュー１３０４を示すように連結されている例を示しており、ここでは、戦略のためのいくつかの選択可能なオプション（たとえば、ファンドロング／ショート、マクロ、定量的、相対値／イベントドリブン、分布／ハイイールド）などが提供される。これらの戦略は、たとえば、分析中のポートフォリオ資産の組立てを修正してよい。
図１４は、スクリーン図１１と同様のインタフェーススクリーン１４００を示し、オプションバー１４０２が、モデリングすべきベンチマークを変更するように連結されており、分析中の資産がエクイティである例を示している。
図１５は、スクリーン図１１と同様のインタフェーススクリーン１５００を示し、視覚要素、分布インタフェース要素１５０２が選択される例を示している。分布インタフェース要素１５０２の横にアノテーション１５０４が配置される。この例では、分布インタフェース要素１５０２は、－７％と－８％との間の損失を生じるシナリオに関係し、アノテーション１５０４は、ユーザが、基礎をなすシナリオを閲覧するために分布インタフェース要素１５０２上で対話（たとえば、クリック）してよいことを示す。
図１６は、スクリーン図１５と同様のインタフェーススクリーン１６００を示し、分布インタフェース要素１６０２が選択された。選択に応答して、インタフェースユニット１２２は、マクロファクタの各々について、パーセンテージ変化、シナリオが起こる全体的な確率、およびポートフォリオ自体への潜在的インパクトを含む、－７％と－８％との間の損失につながった３つの異なるシナリオを示すシナリオバー１６０４を生成する。
図１７は、スクリーン図１６と同様のインタフェーススクリーン１７００を示し、この例では、第１のシナリオ、第三者が勝つ１７０２を表す視覚要素が選択されている。１７０２の選択は、インタフェースが図１８のインタフェースに遷移することを引き起こす。
図１８は、インタフェーススクリーン１８００を示し、ここでは、図１７に関して上記で選択されたシナリオがより詳細に示される。インタフェースユニット１２２は、ツリーデータ構造のトラバーサルを要求して、ポートフォリオ中の各ポジションについてポジションレベルインパクトを取得し、ポジションレベルインパクトのグラフィカル表現を提供する。ポジションは、選択されたポジション１８０２によって示されるように選択されてよく、ウィジェットセクション１８０４は、選択されたポジション１８０２について、そのポジションに関連付けられた特定のショックおよび利回り値を示すようにレンダリングされてよく、したがって、ユーザは、シナリオがどのように対応するポジションインパクト（たとえば、外国為替レートの価格移動）につながったのかなどをより容易に理解し得る。
図１９は、図１８と同様であるが、選択されたポジション１９０２が異なるインタフェーススクリーン１９００を示す。ウィジェットセクション１９０４は、図１８とは異なる情報を示すようにレンダリングされ、その情報中では、ショックがユーロベーシススワップおよびＬＩＢＯＲスワップ移動に関係することが提示される。資産タイプの動的に選択されたスパン（たとえば、１年、２年、３年など）についてラインチャートが示されてよい。
図２０は、オプションバー２００２がヘッジ展開ビューを示すようにアクティブにされているインタフェーススクリーン２０００を示す。様々なポジションに関してヘッジ機構を動的に生成するためにユーザによって対話されることが可能である、スライダー視覚要素２００４の形態の可動ヘッジバーが提供される。いくつかの実施形態では、スライダー視覚要素２００４が移動されるにつれて、ウィジェットセクション２００６のレンダリングは、スライダー視覚要素２００４によって表されるヘッジ機構の適用後のミクロショックのインパクトに関する変化を表すように動的に修正されてよい。
図２１は、スライダー視覚要素２１０２が右側に移動されていることを除いて、図２０と同様であるインタフェーススクリーン２１００を示す。図２１に示されているように、ヘッジの影響によってダウンサイドリスクが対抗されるにつれて、様々なポジションのインパクトは低減される。ヘッジセクション２１０４は、特定のポジションのためのヘッジを確立するためにどのくらいヘッジ機構が必要とされるかを示す。
図２２は、オプションバー２２０２によって示されように、すべてのシナリオのビューを示すインタフェーススクリーン２２００を示す。この例示的なスクリーンでは、すべてのシナリオがリストされ、ユーザは、特定のシナリオに関するより多くの情報を取得するために様々な視覚インタフェース要素と対話して、様々なシナリオをナビゲートすることが可能であり得る。シナリオはツリーデータ構造を介して取得され、各々はツリー中の別個の経路を表す。潜在的インパクトおよびベンチマーク（この場合、マーケット）に対する比較とともに、各経路について確率が示される。
図２３は、オプションバー２３０２を介して選択された異なるビューを示すインタフェーススクリーン２３００であり、ここでは、金融機関の内部のソースから取得されたエキスパートソースに基づいて損失／収益頻度ビューが提供される。各イベントは、マクロファクタの異なるセットをそれぞれ示す、対応するインタフェースセクション２３０４、２３０６、および２３０８において分析される。これらのファクタの各々は、２３１０において提供される関連するグラフバー、および２３１２において提供されるダウンサイドリスクの確率に関する全体的なスコアを有する。
図２４は、オプションバー２４０２を介して選択された異なるビューを示すインタフェーススクリーン２４００を示し、ここでは、様々なワースト損失シナリオに関する情報が提示される。図２４の例では、（各可能なイベント結末についての）ポートフォリオのワースト損失シナリオと、（各可能なイベント結末についての）マーケットベンチマークのワースト損失シナリオとの間の比較が行われる。セグメント化されたグラフバー２４０４が対話型視覚要素として提供され、２４０６において概要表が提供される。概要表２４０６は、最大損失につながるマクロファクタの組合せ、ならびにポートフォリオ自体に対する全体的な金融インパクトを示す。
図２５は、オプションバー２５０２を介して選択された異なるビューを示すインタフェーススクリーン２５００を示し、ここでは、検証テスト（「バックテスト」）において生成された情報が提供される。実際のＳ＆Ｐ成績と比較されたシナリオの分析がチャート２５０４に示される。
図２６は、マイニングエキスパートポーリング結果に基づいて形成された確率分布を示す例示的な分布２６００を示す。ｘ軸は、ベーシスポイントに関するＥＵＲの移動であり、ｙ軸は、受信された入力に関係する密度の測度である。分布２６０２は、第一者が勝った場合におけるＥＵＲの予想される移動を示し、２６０４は、第二者が勝った場合におけるＥＵＲの予想される移動を示し、２６０６は、第三者が勝った場合におけるＥＵＲの予想される移動を示す。
図２７は、様々なマクロファクタのマクロファクタポーリング分布を示すインタフェーススクリーン２７００を示す。
図２８は、分布を示すインタフェーススクリーン２８００を示す。２８０２は、第一者が勝った場合におけるＥＵＲ移動の分布を表し、２８０４は、第二者が勝った場合におけるＥＵＲ移動の分布を表し、２８０６は、第三者が勝った場合におけるＥＵＲ移動の分布を表す。
図２９は、分布を示すインタフェーススクリーン２９００を示す。２９０２は、第一者が勝った場合における米国１０年資産移動の分布を表し、２９０４は、第二者が勝った場合における１０年資産移動の分布を表し、２９０６は、第三者が勝った場合における米国１０年資産移動の分布を表す。
図３０は、分布を示すインタフェーススクリーン３０００を示す。３００２は、第一者が勝った場合におけるフランス／ドイツスプレッド移動の分布を表し、３００４は、第二者が勝った場合におけるフランス／ドイツスプレッド移動の分布を表し、３００６は、第三者が勝った場合におけるフランス／ドイツスプレッド移動の分布を表す。
図３１Ａ、図３１Ｂ、図３１Ｃ、図３１Ｄ、図３１Ｅ、および図３１Ｆは、いくつかの実施形態による報告インタフェースの例示的なスクリーンショットを示す。図３１Ａは、現在価値に対して測定された、ポートフォリオショックの分布を示すことに向けられた報告のスクリーンショット３１００Ａを示す。図３１Ｂは、ピアに対して測定された、ポートフォリオショックの分布を示すことに向けられた報告のスクリーンショット３１００Ｂを示す。図３１Ｃは、ピアに対して測定された、平均損失を示すことに向けられた報告のスクリーンショット３１００Ｃを示す。図３１Ｄは、ピアに対して測定された、ユーザのワースト損失シナリオを示すことに向けられた報告のスクリーンショット３１００Ｄを示す。図３１Ｅは、シナリオダッシュボードを提供する報告のスクリーンショット３１００Ｅを示す。図３１Ｆは、ポジションレベルインパクトを提供する報告と、リスクを示す動的にレンダリングされるメーターを提供する視覚要素３１０２とのスクリーンショット３１００Ｆを示す。いくつかの実施形態では、視覚要素３１０２にわって使用されるスケールは動的に判定されてよい。
図３２は、いくつかの実施形態による、シナリオと、証書の評価を表すユーザインタフェース要素とを自動的に生成するための方法３２００を示す。
シナリオと、シナリオの下で証書の評価を表すユーザインタフェース要素とを自動的に生成するための方法３２００が提供され、本方法は、以下のステップのうちの１つまたは複数を含んでよい。これらのステップは実施形態の例として提供され、異なるか、より多いか、より少ないか、または代替のステップがあってよい。
３２０２において、複数のイベントを定義するルールの第１のセットが取得される。
３２０４において、ルールの第１のセットを適用することによって複数のデータフィードが処理されて、結末のセットにリンクされたイベントが生成される。
３２０６において、複数のマクロファクタを定義するルールの第２のセットが取得される。
３２０８において、ルールの第２のセットを適用することによってイベントが処理されて、マクロファクタのサブセットが生成される。
３２１０において、複数のポーリング質問を定義するルールの第３のセットが取得される。
３２１２において、ルールの第３のセットを適用することによって、マクロファクタのサブセットが処理されて生成されて、ポーリング質問のサブセットが生成され、各ポーリング質問が、マクロファクタのサブセットのうちのマクロファクタと、マクロファクタのデータ値として許容可能な入力応答の範囲とにリンクされる。
３２１４において、マクロファクタとリンクされたポーリング質問のための視覚要素、およびマクロファクタのデータ値として許容可能な入力応答の範囲を用いてユーザインタフェースが生成され、表示される。
３２１６において、マクロファクタおよび結末についてのシナリオを表すツリーデータ記憶構造が生成され、ツリー構造中の各ノードが記述子およびデータ値を定義し、ツリー構造が、ルートノードに対応するイベントノード、ルートノードの子に対応する結末ノード、および結末ノードのさらなる子に対応するマクロファクタノードを有し、各マクロファクタノードがデータ値を有する。
３２１８において、ユーザインタフェースにおいて、ポーリング質問に対する選択された入力応答が受信され、３２２０において、マクロファクタノードのデータ値を計算するルールの第４のセットが取得される。
３２２０において、ルールの第４のセットを適用することによって、選択された入力応答が処理されて、マクロファクタノードのデータ値が生成される。
３２２２において、マクロファクタノードのデータ値でツリーデータ記憶構造がポピュレートされて、結末ノードについてのシナリオが生成される。
３２２４において、インタフェースが更新されて、ポーリング質問および選択された入力応答の分布、ならびにツリーデータ記憶構造のシナリオの下の証書の評価を示すさらなる視覚要素が生成される。
３２２６において、ツリーデータ記憶構造のための出力データが生成される。
図３３は、いくつかの実施形態による視覚要素のユーザインタフェースを生成するための方法３３００を示す。
方法３３００では、グラフィカルユーザインタフェースおよびユーザ入力デバイスを使用してシナリオと、シナリオの下で証書の評価を表すユーザインタフェース要素とを自動的に生成する方法が提供される。方法３３００は例として提供され、より多い、より少ない、異なるなどのステップがあってよい。
３３０２において、シナリオを表すツリーデータ記憶構造が維持され、ツリーデータ記憶構造が、記述子、確率値、およびデータ値を定義する複数のノードを含み、ツリー構造が、ルートノードに対応するイベントノード、ルートノードの子に対応する結末ノード、および結末ノードのさらなる子に対応するマクロファクタノードを有し、各マクロファクタノードがデータ値を有する。
３３０４において、ポーリング質問に対する少なくとも機械可読回答を含む受信された入力データセットに基づいてツリーデータ記憶構造が周期的または連続的に更新される。
各機械可読回答は処理されて、複数のノードのうちの少なくとも１つのノードに対して１つまたは複数のモーフファクタが判定され適用され、１つまたは複数のモーフファクタは、確率値およびデータ値のうちの少なくとも１つを修正する。
３３０６において、ツリーデータ記憶構造を使用して、組合せで、ノードのすべての可能な組合せにわたる、１つまたは複数の経路のセットが判定される。経路のスパニングセットは、金融ファクタの潜在的変化のビューにおいて利用可能なすべてのシナリオのホリスティック分析にとって重要である。
各経路について、ツリーデータ記憶がトラバースされて、たとえば、分析中の特定のポートフォリオポジションへの対応する寄与が判定される。いくつかの実施形態では、分析中の他の要素があってよい。
３３０８において、ツリーデータ記憶構造および複数のノードに基づいてグラフィカルシナリオツリーがインスタンス化され、グラフィカルシナリオツリーが、ツリーデータ記憶構造および複数のノードの視覚表現をレンダリングし、グラフィカルシナリオツリーが、複数のノードの各ノードに関連付けられたユーザインタフェース要素を有する。
３３１０において、グラフィカルユーザインタフェース上で、インスタンス化されたグラフィカルシナリオツリーが動的にレンダリングされる。
３３１２において、１つまたは複数のユーザインタフェース要素の選択されたセットに対応する、ユーザ入力デバイスからの１つまたは複数のユーザ入力が受信される。ユーザからのこれらの受信された入力は、経路または経路の一部を示してよく、ユーザは分析のためのノードを選択する。
３３１４において、１つまたは複数のユーザインタフェース要素の選択されたセットにわたる経路または部分経路が判定される。システム１００は、経路または部分経路に基づいて、インスタンス化されたグラフィカルシナリオツリーの領域を選択するように構成されてよく、領域は、経路または部分経路にわたるすべてのノードがグラフィカルユーザインタフェース上で視認可能なように選択される。ユーザによる分析のために選定された特定の経路に一層同調された領域ビューが作成されることが可能である。
３３１６において、グラフィカルユーザインタフェースは制御されて、グラフィカルユーザインタフェース上に表示されるビューは、選択された領域が、グラフィカルシナリオツリーの拡大された部分表示（たとえば、選択された経路／部分経路の領域ビューへのズーム）としてグラフィカルに表示されるように制限されるように適応される。
３３１８において、分析中の特定のポジションへの寄与の１つまたは複数の推定値が判定され、寄与の１つまたは複数の推定値の各々が、経路または部分経路の対応するノードに対応する。
３３２０において、経路または部分経路の対応するノードへの寄与の１つまたは複数の推定値を表す１つまたは複数のグラフィカル要素が付加され、１つまたは複数のグラフィカル要素が、経路または部分経路のノードと位置合わせされる。付加されるグラフィカル要素は、たとえば、ポジションの値に関する寄与、または、他のタイプの寄与もしくは情報で経路のノードをラベリングする。
図３４は、いくつかの実施形態によるコンピューティングデバイス３４００のブロック概略図を示す。コンピューティングデバイス３４００は、シナリオと、シナリオの下で証書の評価を表すユーザインタフェース要素とを自動的に生成するために構成される。例示的な一実施形態では、コンピューティングデバイス３４００は、図１に示されているシステム１００中のデバイスの一例であってよい。いくつかの実施形態では、コンピューティングデバイス３４００は、１つまたは複数のプロセッサ３４０２と、メモリ３４０４、および記憶装置を含む、様々なコンピューティング構成要素とを含む。コンピューティングデバイス３４００は、（たとえば、クラウド／分散リソース構成の）単一または複数のデバイスによって提供されてよい。シナリオの生成は、マクロ／ミクロファクタのより大きいセット、または様々なサブイベントをもつより複雑なイベントなどでは特に、計算量的に困難である。
したがって、コンピューティングデバイス３４００は、計算に必要な時間量を低減するためにヒューリスティック手法、並列処理、および他の手法を適用するように特に構成されてよい。たとえば、特に、コンピュータ解釈可能な入力として、視覚インタフェース要素との対話（たとえば、クリック、ポインタ移動、ジェスチャー、キーボード入力）を受信することによる、様々なユーザとの通信および対話のためのＩ／Ｏインタフェース３４０６が提供される。ネットワークインタフェース３４０８は、たとえば、データセット、現実世界の検証データ、エキスパートポーリング質問への回答などに関係する情報を取得するための、他のコンピューティングデバイスとの通信のために提供される。
コンピューティングデバイス３４００はまた、ルールの様々なセット（たとえば、複数のイベントを定義するルールの第１のセット、複数のマクロファクタを定義するルールの第２のセット、複数のポーリング質問を定義するルールの第３のセット、およびマクロファクタノードのデータ値を計算するルールの第４のセット）を記憶することが可能な記憶装置を含み、コンピューティングデバイス３４００は、Ｉ／Ｏインタフェース３４０６から取得された複数のデータフィードを処理するために構成される。
プロセッサ３４０２は、ルールの第１のセットを適用して、複数のイベントからイベントを生成することであって、イベントは結末のセットにリンクされる、生成することと、ルールの第２のセットを適用することによってイベントを処理して、マクロファクタのサブセットを生成することと、ルールの第３のセットを適用することによって、マクロファクタのサブセットを処理して生成して、ポーリング質問のサブセットを生成することであって、各ポーリング質問は、マクロファクタのサブセットのうちのマクロファクタと、マクロファクタのデータ値として許容可能な入力応答の範囲とにリンクされる、生成することとを行うように構成される。
様々なユーザインタフェースはＩ／Ｏインタフェース３４０６によってレンダリングされ、Ｉ／Ｏインタフェース３４０６は、たとえば、マクロファクタと、マクロファクタのデータ値として許容可能な入力応答の範囲とにリンクされたポーリング質問のための視覚要素を用いたインタフェース、およびまた、様々なエンドユーザ（たとえば、ポートフォリオマネージャー、トレーダー）への情報の表示のための視覚要素を用いたインタフェースを提供する。
プロセッサ３４０２は、マクロファクタおよび結末についてのシナリオを表すツリーデータ記憶構造を生成することと、ルールセットを適用することによって、選択された入力応答を処理して、マクロファクタノードのデータ値を生成することと、マクロファクタノードのデータ値でツリーデータ記憶構造をポピュレートして、結末ノードについてのシナリオを生成することと、インタフェースを更新して、ポーリング質問および選択された入力応答の分布、ならびにツリーデータ記憶構造のシナリオの下の証書の評価を示すさらなる視覚要素を生成することとを行うために構成される。
プロセッサ３４０２は、ツリーデータ記憶構造のための出力データを生成するためにさらに構成され、この出力データは、たとえば、特に、報告および情報を表示するためのインタフェース、エキスパート入力をポーリングするためのインタフェースを含むことができる、Ｉ／Ｏインタフェース３４０６における様々なインタフェースのレンダリングを駆動するために使用されることが可能である。インタフェースは、ユーザによって対話されたとき、情報取出し、処理、およびレンダリングにおける様々なステップをプロセッサ３４０２に行わせ得る対話要素を含んでよい。
システム１００は、様々なマーケット変数間で相関がどのようにモデル化されるかを定義することになる少数のマーケットモデルを有することができる。概念の証明のために概念化された１つの単純なマーケットモデルは、ポーリング分布データから導出される特定の移動を所与として、履歴移動を見ることを伴う。ここで、相関構造全体は各資産クラス内に維持される。制約およびモデルクロス資産クラス相関が緩和され得る他のマーケットモデルがあるであろう。要約すれば、ここに数個のマーケットモデルがある：履歴相関、暗示される相関、履歴および／または暗示のオーバーレイを用いたユーザ定義相関。
システム１００は、マクロファクタのセットのためのショック値を生成することができる。ファクタは、資産クラスのより広いセット（エクイティ、レート、クレジット、金利）に入れられることが可能である。各資産クラス内で、マクロドライバが選定されることが可能であり、ポートフォリオの完全な再評価のために必要な他のミクロ変数についてショックが導出されることが可能である。フランス選挙の例では、ＥＵＲは、ＧＢＰ、ＪＰＹ、ＨＫＧなどの他のＦＸ通貨についてショックを導出するために使用されるマクロ変数である。
ミクロショックの導出は、履歴に時系列を見ることによってマクロ変数の移動が起こることが条件とされる。他の通貨におけるミクロショックを導出するために、ＥＵＲにおける５％よりも大きい履歴移動が最初に見られることが可能である。５％はポーリングから導出される。ＥＵＲが５％よりも大きく移動した日に、ＧＢＰ、ＪＰＹ、およびＨＫＧの移動が抽出されることが可能であり、それらの通貨の予想される移動は日付範囲にわたって計算されることが可能である。たとえば、価値またはショックは、ＥＵＲにおいて５％よりも大きく移動することが可能であり、それらの同じ日にＧＢＰ、ＨＫＤ、ＪＰＹ、およびＣＨＦにおける移動を示す。このデータセットから、我々は、他の通貨において適用されるべきショックを導出する。図４１は、価値の例示的なチャートを示す。
同様の広がりにおいて、すべての他の資産クラスが見られることが可能であり、他のミクロファクタの移動が導出されることが可能である。ミクロ変数の選定されたセットについて導出されたサブセットがあり得る。
図３６から図４０は、いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す。インタフェースは、複数のファクタについての分布およびオーバーレイ分布の視覚表現を含む。
図４１は、いくつかの実施形態によるパーセンテージ値のグラフを示す。
図４２は、いくつかの実施形態による上側ショックレベルおよび下側ショックレベルを示す。
図４３は、いくつかの実施形態によるセンチメント分析の処理フローを示す。
４３０２において、システム１００がポーリング質問のセットを生成する。システム１００は、エキスパートのセットのうちのエキスパートのセンチメントを判定するために使用されることが可能な質問をポーリング質問のセットに追加する。システム、いくつかの実施形態では、システム１００は、センチメントを判定するためにオピニオン辞典を使用することができ、このオピニオン辞典は、オピニオンワードを、たとえば、「幸福な」、「優れた」、「悪い」、「退屈な」など、肯定的または否定的センチメントを示すそれらの極性値とともに含んでいる辞書である。システム１００は、何らかのオピニオンがそれに関して表されるオピニオンターゲットを識別し、次いで、そのオピニオンのセンチメントを判定することができる。システム１００は、インタフェースにおいてポーリング質問を提示して、フォームフィールドにおいて応答を受信することができる。
４３０４において、システム１００が、自然言語処理ルールを使用して、イベントに関するエキスパートのセンチメントを判定する。処理ルールは、たとえば、トーンおよび形式など、異なるセンチメントファクタを定義することができる。センチメントファクタは、さらなる例として、興奮および不安にも関係することができる。処理ルールは、ポーリング質問からの応答を処理して、センチメントファクタに基づいてバイアスを識別することができる。たとえば、興奮および不安に関係する処理ルールが使用されて、ポーリング質問からの応答が処理されて、興奮および不安センチメントファクタに基づいてバイアスが識別されることが可能である。
いくつかの実施形態では、システム１００は、センチメントを判定するためにオピニオン辞典を使用することができ、このオピニオン辞典は、オピニオンワードを、たとえば、「幸福な」、「優れた」、「悪い」、「退屈な」など、肯定的または否定的センチメントを示すそれらの極性値とともに含んでいる辞書である。システム１００は、何らかのオピニオンがそれに関して表されるオピニオンターゲットを識別し、次いで、そのオピニオンのセンチメントを判定することができる。
システム１００は、オントロジーおよびコンテキスト情報データから抽出された知識に基づく１つまたは複数のセンチメント分析モデルを有することができる。オントロジーは、領域固有概念を判定するために使用されることが可能であり、領域固有概念は、今度は、センチメント判定のために使用されることが可能な領域固有重要特徴またはファクタを生成している。システム１００は、ワードのコンテキスト情報を考慮することによってコンテキスト極性辞典を使用して、抽出された概念の極性を判定することができる。検討テキストの領域固有特徴のセマンティック配向は、領域に関する特徴の重要性に基づいてアグリゲートされることが可能である。特徴の重要性は、たとえば、オントロジーにおける特徴の深度によって判定される。センチメント分析は、ポーリング質問に対する応答のテキスト中で、商品、サービスなどのエンティティに対するオピニオンおよびセンチメントを判定する。
４３０６において、システム１００が、センチメント分析の結果に基づいてエキスパートのセットからエキスパートを削除する。たとえば、動作４３０４の結果が使用されて、センチメントファクタに基づいてバイアスを示す応答のセットが識別されることが可能である。別の例として、動作４３０４の結果が使用されて、センチメントファクタに基づいてバイアスを示す応答にリンクされたエキスパートのセットが識別されることが可能である。システム１００は、バイアスをなくすことを試みるために、データセットからエキスパートおよび／またはポーリング質問に対する応答をフィルタ処理することができる。フィルタ処理は応答の除去を伴ってよい。フィルタ処理は、別の例として、より低い重みを応答にアタッチすることを伴ってよい。
図４４は、いくつかの実施形態によるシナリオメトリックを用いたインタフェース４４００を示す。
インタフェース４４００は、賭け表示４４０２上のホバーを検出し、応答して、ツールバー４４０４中に対応するシナリオ詳細を表示する。これは「あなたの賭けを知れ」ビューと呼ばれることがある。インタフェース４４００は、別の賭け表示４４０６（たとえば、最大損失／エネルギー／中道左派勝利についての左上の賭け）のクリックまたは選択を検出し、インタフェース４４００は、ツールバー４４０４中にセクタドリルダウンを表示することができる。たとえば、ＧＩＣセクタレベルドリルダウン内で
インタフェース４４００は、データのバーチャートまたは他の視覚表現を変更するためにポートフォリオ、ベンチマークおよびデルタビュートグルを有することができる。
インタフェース４４００は、たとえば、バーチャートバー上のホバーを検出して帰因パイを変更する。インタフェース４４００は、たとえば、右側パネルコンテンツを変更するために、帰因、ミクロショックおよびヘッジ展開トグルを有することができる。
ポートフォリオビューが選択されると、インタフェース４４００は、ヘッジ展開ツールを使用して、インタフェース４００上でドラッグを可能にし、応答して、バーチャート中の最初の４つの行のヘッジ値を計算することができる。インタフェース４４００は、シェブロンまたはスクリーンタイトルのクリックまたは選択を検出して、ドリルダウンビューから出る。
アラートビューが選択されると、インタフェース４４００は、セル上にホバーして、ドリルダウン特徴のために最初にそれを選択することができる。応答して、インタフェース４４００は、動的に更新して、選択されたセルに関係する詳細データの視覚表現を作成する。たとえば、セルは、結末またはイベントについてセクタドリルダウンを閲覧するために「小売業」シナリオに関係することができる。
ベンチマークビューが選択されると、インタフェース４４００は、セル上にホバーして、ドリルダウン特徴のために最初にそれを選択することができる。応答して、インタフェース４４００は、動的に更新して、選択されたセルに関係する詳細ベンチマークデータの視覚表現を作成する。たとえば、セルは、結末またはイベントについてセクタベンチマークデータを閲覧するために「メディア」シナリオに関係することができる。
デルタビューが選択されると、インタフェース４４００は、セル上にホバーして、ドリルダウン特徴のために最初にそれを選択して、経時的な変化またはデルタを表示することができる。応答して、インタフェース４４００は、動的に更新して、選択されたセルに関係する詳細変化データの視覚表現を作成する。たとえば、セルは、結末またはイベントについてセクタ比較データを閲覧するために「食品および飲料」シナリオに関係することができる。
図４５は、いくつかの実施形態による損失および収益のヒートマップを用いたインタフェースを示す。ヒートマップは、すべてのポートフォリオにわたるＧＩＣレベルセクタによるエクイティにおける損失および収益を表す複数の視覚要素を含む。これらの視覚要素は、例示的な凡例に示されている構成に基づいて値の範囲または分散を表すために色の異なるシェードを示すことができる。ヒートマップは、（この例ではワーストからベストにランク付けされた）すべてのシナリオを表す軸と、エクイティセクタを示す別の軸とを含むことができる。ヒートマップは、生データの視覚化のための有用な機構を提供して、ユーザがトレンドを識別するのを支援する。
図４６は、いくつかの実施形態による損失および収益のヒートマップを用いたインタフェースを示す。この例では、シナリオ（８２）が選択可能である。選択を受信したことに応答して、インタフェースは更新して、選択されたシナリオに関する詳細データを提供する。
図４７は、いくつかの実施形態による損失および収益のヒートマップを用いたインタフェースを示す。この例では、ヒートマップのセルが選択可能である（たとえば、シナリオとセクタの特定のペア）。選択を受信したことに応答して、インタフェースは更新して、選択されたセルについての詳細データを提供する。この例では、選択されたセルは、小売業セクタのシナリオ４５に関係する。詳細データは、すべてのポートフォリオに対するインパクトを含む。詳細データはまた、リスク帰因を示すようにインタフェースへの更新をトリガするために選択可能である。
図４８は、いくつかの実施形態によるセクタレベル概要を用いたインタフェースを示す。インタフェースは、セクタレベルドリルダウンのための視覚表現を生成して、帰因、ミクロショックおよびヘッジについてのチャートデータとともにポジションレベルインパクトのための視覚メトリックを示す。
図４９は、いくつかの実施形態による損失および収益のヒートマップを用いたインタフェースを示す。この例では、ヒートマップのセルが選択可能である（たとえば、シナリオとセクタの特定のペア）。選択を受信したことに応答して、インタフェースは更新して、選択されたセルについての詳細データを提供する。この例では、選択されたセルは、メディアセクタのシナリオ２９に関係する。詳細データは、すべてのポートフォリオに対するインパクトを含む。詳細データはまた、リスク帰因を示すようにインタフェースへの更新をトリガするために選択可能である。
図５０は、いくつかの実施形態による損失および収益のヒートマップを用いたインタフェースを示す。この例では、ヒートマップのセルが選択可能である（たとえば、シナリオとセクタの特定のペア）。選択を受信したことに応答して、インタフェースは更新して、選択されたセルについての詳細データを提供する。この例では、選択されたセルは、食品、飲料およびタバコセクタのシナリオ９７に関係し、データは、ベンチマーク（ピア）およびデルタデータとともに、ポートフォリオインパクトに関係する。詳細データは、すべてのポートフォリオに対するインパクトを含む。詳細データはまた、リスク帰因を示すようにインタフェースへの更新をトリガするために選択可能である。
図５１は、いくつかの実施形態による分布のグラフを用いたインタフェースを示す。チャートは、すべてのポートフォリオショックの確率分布を示す。グラフ中の暗線はベンチマークデータ（ピア）を示す。バーの各々は、ポップアップのためにインタフェースするように更新をトリガするために選択可能である。ポートフォリオフィルタインジケータは、たとえば、特定のポートフォリオまたはすべてのポートフォリオにフォーカスするようにポートフォリオデータの変化をトリガするために選択可能である。また、資産およびソースインジケータは、データ視覚化を変更するために選択可能である。各バーは、所与の範囲（この例では－１０から１４まで）内の損失を生じるシナリオの確率の和を示す。
図５２は、いくつかの実施形態による分布のグラフを用いたインタフェースを示す。バーは、追加の視覚要素を含むようにインタフェースへの更新をトリガするために、選択可能である。この例では、－７％および－８％のバーが、シナリオの表を示すために選択可能である。バーは、－７％と－８％との間の損失を生じるシナリオの確率の和を示す。データは、ポートフォリオ確率およびベンチマーク確率をも示すことができる。チャートの下部における各シナリオ行は、セクタドリルダウンを用いてインタフェースを更新するために選択可能である。
図５３は、いくつかの実施形態による分布のグラフを用いたインタフェースを示す。この例では、－７％と－８％との間の損失のためのバーは、確率のためのデータ、潜在的インパクト、帰因などを含む、シナリオおよび結末またはイベントの表を示すようにインタフェースを更新するために選択されている。インタフェースは、リアルタイムに動的に更新して、ポーリングからの応答データへの更新を反映する。
図５４は、いくつかの実施形態によるセクタレベル概要を用いたインタフェースを示す。たとえば、インタフェースは、シナリオ行が選択されたことに応答してセクタレベルドリルダウンを示すように更新することができる。セクタレベルドリルダウン内で、インタフェースは更新して、ポートフォリオ、ベンチマーク、およびデルタなど、異なるビューを示すことができる。ポジションレベルインパクトグラフの各バーは、帰因パイチャートを変更するために選択可能である。インタフェースは、帰因、ミクロショックおよびヘッジのためのトグルビューを含む。ヘッジツールは、バーチャートの行のセグメントについてヘッジ値の動的計算および更新をトリガすることができる。
図５５は、いくつかの実施形態によるセクタレベル概要を用いたインタフェースを示す。この例では、インタフェースは、エネルギーセクタのためのバーの選択が、ミクロショックデータへの更新をトリガすることを可能にする。
図５６は、いくつかの実施形態によるセクタレベル概要を用いたインタフェースを示す。この例では、インタフェースは、エネルギーセクタのためのバーの選択が、ヘッジツールへの更新をトリガすることを可能にする。
図５７は、いくつかの実施形態による分布のグラフを用いたインタフェースを示す。インタフェースは、この例では－１０％から１４％までの損失または収益範囲をもつすべてのポートフォリオショックの確率分布を示している。インタフェースは、暗線を用いて動的に更新して、ピアまたはベンチマークデータを示す。
図５８は、いくつかの実施形態による分布のグラフを用いたインタフェースを示す。インタフェースは、この例では－１０％から１４％までの損失または収益範囲をもつすべてのポートフォリオショックの確率分布を示している。インタフェースは、暗線を用いて動的に更新して、ヘッジデータを示す。
図５９は、いくつかの実施形態による分布のグラフを用いたインタフェースを示す。インタフェースは、この例では－１０％から１４％までの損失または収益範囲をもつすべてのポートフォリオショックの確率分布を示している。インタフェースは、暗線を用いて動的に更新して、ピアまたはベンチマークデータを示し、確率ラインは新しいポジションに更新される。
図６０は、いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す。例示的なインタフェースは、動的視覚表現として表示されるクラウディングリスクを示す。異なるセクタにわたって、中央セグメントは肯定的なインパクトを示し、暗線は中性インパクトを示し、外側セグメントは否定的なインパクトを示す。インタフェースはまた、ベンチマークデータの視覚表現をシェーディングとして含む。
図６１は、いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す。例は、すべてのポートフォリオ中の予想されるクラウディングが、異なるセクタにわたってベンチマークデータに比較されることを示す。
図６２は、いくつかの実施形態によるマクロシナリオのリスティングを用いたインタフェースを示す。例示的なインタフェースは、マクロシナリオドリルダウンを用いたマクロシナリオのリスティングを示す。
図６３は、いくつかの実施形態によるマクロシナリオのリスティングを用いたインタフェースを示す。例示的なインタフェースは、金利、交換ショック、およびクレジットショックについてのミクロシナリオドリルダウンデータを示す。
図６４は、いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す。例示的なインタフェースは、マクロファクタの濃度の視覚表現を示す。
図６５は、いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す。例示的なインタフェースは、異なるイベントまたは結末についてのマクロシナリオアニメーションの視覚表現を示す。
図６６は、いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す。例示的なインタフェースは、異なるイベントまたは結末についてのマクロシナリオアニメーションの視覚表現を示す。
図６７は、いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す。例示的なインタフェースは、異なるイベントまたは結末についてのマクロシナリオアニメーションの他の視覚表現を示す。
図６８は、いくつかの実施形態によるグラフィカル表現を用いたインタフェースを示す。例示的なインタフェースは、異なるイベントまたは結末についてのマクロシナリオアニメーションのさらなる視覚表現を示す。
図６９は、いくつかの実施形態によるポーリング分布のグラフを用いたインタフェースを示す。例示的なインタフェースは、異なるマクロファクタにわたるポーリング分布の視覚表現を示す。チャートは、ドリルダウン、および応答して、より多くの情報を表示するためのインタフェース更新のために選択可能である。
図７０は、いくつかの実施形態によるポーリング分布のグラフを用いたインタフェースを示す。例示的なインタフェースは、例としてユーロについてのマクロファクタドリルダウンの視覚表現を示す。
図７１は、いくつかの実施形態によるポーリング分布のグラフを用いたインタフェースを示す。例示的なインタフェースは、ユーロマクロファクタドリルダウンの視覚表現を示す。Ｐｒラインは、インタフェースを動的に更新するために選択可能である。
［図７２は、いくつかの実施形態によるポーリング分布の表を用いたインタフェースを示す。例示的なインタフェースは、ユーロについてのマクロファクタポーリング分布の視覚表現を示す。
図７３は、いくつかの実施形態によるポーリング分布のグラフを用いたインタフェースを示す。例示的なインタフェースは、ＵＳ１０ｙｒについてのマクロファクタポーリング分布の視覚表現を示す。
図７４は、いくつかの実施形態によるポーリング分布のグラフを用いたインタフェースを示す。例示的なインタフェースは、ＦＲ／ＧＥについてのマクロファクタポーリング分布の視覚表現を示す。
図７５は、いくつかの実施形態による損失および収益頻度のグラフを用いたインタフェースを示す。例示的なインタフェースは、ソースに基づくマクロファクタ損失または収益頻度の視覚表現を示す。
図７６は、いくつかの実施形態によるイベント確率の表を用いたインタフェースを示す。例示的なインタフェースは、マクロファクタドリルダウンポーリング分布とともに、イベントまたは結末確率の視覚表現を示す。
図７７は、いくつかの実施形態によるバックテストのグラフを用いたインタフェースを示す。例示的なインタフェースは、マクロファクタＳ＆Ｐバックテストの視覚表現を示す。インタフェースは、バックテストを変更するためのマクロ変数フィルタの選択を可能にする。
図７８は、いくつかの実施形態によるバックテストのグラフを用いたインタフェースを示す。例示的なインタフェースは、例として、ユーロについてのマクロファクタバックテストの視覚表現を示す。
以下のセクションで、いくつかの実施形態に関して実践されてよい潜在的適用例について説明する。以下の潜在的適用例の他の異なる修正形態などがあってよく、説明は、非限定的で例示的な例として提供されるにすぎないことを理解されたい。たとえば、追加、省略、修正があってよく、他の適用例が考慮されてよい。
本明細書で説明されるデバイス、システムおよび方法の実施形態は、ハードウェアとソフトウェアの両方の組合せにおいて実装される。
これらの実施形態はプログラマブルコンピュータ上で実装され、各コンピュータは、少なくとも１つのプロセッサ、（揮発性メモリもしくは不揮発性メモリもしくは他のデータ記憶要素またはそれらの組合せを含む）データ記憶システム、および少なくとも１つの通信インタフェースを含む。
プログラムコードは、本明細書で説明される機能を実施するために、および出力情報を生成するために、入力データに適用される。出力情報は、１つまたは複数の出力デバイスに適用される。いくつかの実施形態では、通信インタフェースはネットワーク通信インタフェースであってよい。要素が組み合わされてよい実施形態では、通信インタフェースは、処理間通信のためのものなど、ソフトウェア通信インタフェースであってよい。さらに他の実施形態では、ハードウェア、ソフトウェア、およびそれらの組合せとして実装される通信インタフェースの組合せがあってよい。
上記の議論全体にわたって、サーバ、サービス、インタフェース、ポータル、プラットフォーム、またはコンピューティングデバイスから形成される他のシステムに関して多数の言及が行われる。そのような用語の使用は、コンピュータ可読有形非一時的媒体に記憶されたソフトウェア命令を実行するように構成された少なくとも１つのプロセッサを有する１つまたは複数のコンピューティングデバイスを表すと見なされることを諒解されたい。たとえば、サーバは、説明される役割、責任、または機能を果たす様式で、ウェブサーバ、データベースサーバ、または他のタイプのコンピュータサーバとして動作する１つまたは複数のコンピュータを含むことができる。
「接続される」または「に結合される」という用語は、（互いに結合された２つの要素が互いに接触する）直接結合と、（２つの要素間に少なくとも１つの追加の要素が配置される）間接結合の両方を含んでよい。
実施形態の技術的解決策はソフトウェア製品の形態であってよい。ソフトウェア製品は、コンパクトディスク読取り専用メモリ（ＣＤ－ＲＯＭ）、ＵＳＢフラッシュディスク、またはリムーバブルハードディスクであることが可能である、不揮発性または非一時的記憶媒体に記憶されてよい。ソフトウェア製品は、コンピュータデバイス（パーソナルコンピュータ、サーバ、またはネットワークデバイス）が、本実施形態によって提供される方法を実行することを可能にする、いくつかの命令を含む。
本明細書で説明される実施形態は、コンピューティングデバイス、サーバ、受信機、送信機、プロセッサ、メモリ、ディスプレイ、およびネットワークを含む、物理的コンピュータハードウェアによって実装される。本明細書で説明される実施形態は、有用な物理的機械、および特に構成されたコンピュータハードウェア構成を提供する。本明細書で説明される実施形態は、様々なタイプの情報を表す電磁信号を処理および変換するために適応された電子的機械、および電子的機械によって実装される方法に向けられている。本明細書で説明される実施形態は、全面的および一体的に、機械およびそれらの使用に関係し、本明細書で説明される実施形態は、コンピュータハードウェア、機械、および様々なハードウェア構成要素に付随するそれらの使用の外部に、意味または実際的適用可能性を有しない。
精神的ステップをたとえば使用する非物理的ハードウェアを、様々な行為を実装するように特に構成された物理的ハードウェアで置換することは、本実施形態が機能する仕方に著しい影響を及ぼし得る。そのようなコンピュータハードウェア限定は、本明細書で説明される実施形態の明らかに本質的な要素であり、それらは、省略されること、または本明細書で説明される実施形態の動作および構造に対して物質的影響を及ぼさない精神的手段の代わりに置換されることは不可能である。コンピュータハードウェアは、本明細書で説明される様々な実施形態を実装するために本質的であって、迅速におよび効率的な仕方でステップを実施するために単に使用されるのではない。
本実施形態について詳細に説明されたが、本明細書において様々な変更、置換および改変が行われることが可能であることを理解されたい。
その上、本出願の範囲は、本明細書で説明される物質、手段、方法およびステップの処理、機械、製造、および組成の特定の実施形態に限定されることを意図されない。当業者なら本開示から容易に諒解されるように、本明細書で説明される対応する実施形態と実質的に同じ機能を実施するかまたは実質的に同じ結果を達成する、現存するかまたは後で開発される、処理、機械、製造、組成物、手段、方法、またはステップが利用されてよい。したがって、添付の特許請求の範囲は、それらの範囲内に、そのような処理、機械、製造、組成物、手段、方法、またはステップを含むことを意図される。
理解され得るように、上記で説明され図示された例は、例示的であることのみを意図される。
本特許文献全体にわたって使用されるいくつかの語および句の定義を記載することが有益であろう。「アプリケーション」および「プログラム」という用語は、（ソースコード、オブジェクトコード、または実行可能コードを含む）好適なコンピュータコードにおける実装のために適応された１つまたは複数のコンピュータプログラム、ソフトウェア構成要素、命令セット、プロシージャ、関数、オブジェクト、クラス、インスタンス、関係するデータ、またはそれらの部分を指す。「通信する」という用語、ならびにそれの派生語は、直接通信と間接通信の両方を包含する。「含む」および「備える」という用語、ならびにそれらの派生語は、限定なしの含むことを意味する。「または」という用語は、包含的であり、および／またはを意味する。「に関連付けられる」という句、ならびにそれの派生語は、内に含まれる、と相互接続される、を含んでいる、内に含まれている、にまたはと接続する、にまたはと結合する、と通信可能である、と協働する、をインターリーブする、を並置する、に近接している、にまたはとバインドされる、を有する、のプロパティを有する、にまたはと関係を有する、などを含むことを意味し得る。項目のリストとともに使用されるときの、「のうちの少なくとも１つ」という句は、リストされた項目のうちの１つまたは複数の異なる組合せが使用されてよく、リスト中の１つの項目のみが必要とされてよいことを意味する。たとえば、「Ａ、Ｂ、およびＣのうちの少なくとも１つ」は、Ａ、Ｂ、Ｃ、ＡおよびＢ、ＡおよびＣ、ＢおよびＣ、ならびにＡおよびＢおよびＣという組合せのいずれかを含む。
本出願における説明は、いかなる特定の要素、ステップ、または機能も、請求項範囲内に含まれなければならない本質的または重要な要素であることを暗示するものとして読まれるべきではない。特許の主題の範囲は、許容される特許請求の範囲のみによって定義される。その上、請求項のいずれも、機能を識別する分詞句が後に続く、「ための手段」または「ためのステップ」という厳密な語が特定の請求項において明示的に使用されるのでない限り、添付の特許請求の範囲または請求項要素のいずれに関しても米国特許法第１１２条（ｆ）項を発動しない。請求項内の（限定はされないが）「機構」、「モジュール」、「デバイス」、「ユニット」、「構成要素」、「要素」、「メンバー」、「装置」、「機械」、「システム」、「プロセッサ」、または「コントローラ」などの用語の使用は、特許請求の範囲自体の特徴によってさらに修正または増強された、当業者に知られている構造を指すことを理解および意図されたく、米国特許法第１１２条（ｆ）項を発動することを意図されない。
本開示では、いくつかの実施形態および概して関連する方法について説明したが、これらの実施形態および方法の改変および交換が当業者には明らかであろう。したがって、例示的な実施形態についての上記の説明は、本開示を定義または制約しない。他の変更、置換、および改変も、以下の特許請求の範囲によって定義される本開示の趣旨および範囲から逸脱することなしに可能である。

Claims (20)

  1. 価格設定およびリスク測度計算のために、グラフィカルユーザインタフェースを使用して、シナリオと、前記シナリオの下で証書の評価を表すユーザインタフェース要素とを生成するコンピューティングデバイスの方法であって、
    前記コンピューティングデバイスによって、前記シナリオを表すツリーデータ記憶構造を維持するステップであって、前記ツリーデータ記憶構造は、記述子、確率値、およびデータ値を定義する複数のノードを含み、前記ツリーデータ記憶構造は、ルートノードに対応するイベントノード、前記ルートノードの子に対応する結末ノード、および前記結末ノードのさらなる子に対応するマクロファクタノードを含み、各々のマクロファクタノードは、データ値を含む、ステップと、
    前記コンピューティングデバイスによって、前記ツリーデータ記憶構造を使用して、組合せで、ノードのすべての可能な組合せにわたる、１つまたは複数の経路のセットを判定し、各々の経路について、前記ツリーデータ記憶構造をトラバースして、分析中の特定のポートフォリオポジションへの対応する寄与を判定するステップであって、各経路は、１つまたは複数のマクロファクタに対応する１つまたは複数の金融証書の評価に影響を与える金融シナリオを表す、ステップと、
    前記コンピューティングデバイスによって、前記ツリーデータ記憶構造および前記複数のノードに基づいて、グラフィカルシナリオツリーをインスタンス化するステップであって、前記グラフィカルシナリオツリーは、前記ツリーデータ記憶構造および前記複数のノードの視覚表現をレンダリングし、前記グラフィカルシナリオツリーは、前記複数のノードの各々のノードと関連付けられた１つまたは複数のユーザインタフェース要素を含む、ステップと、
    前記コンピューティングデバイスによって、前記グラフィカルユーザインタフェース上で動的にレンダリングされることになる前記グラフィカルシナリオツリーを提供するステップと、
    を備えたことを特徴とする方法。
  2. 前記コンピューティングデバイスによって、ポーリング質問に対する少なくとも機械可読回答を含む受信された入力データセットに基づいて、前記ツリーデータ記憶構造を周期的または連続的に更新するステップをさらに備え、周期的または連続的に更新する前記ステップは、各々の機械可読回答を処理して、前記複数のノードのうちの少なくとも１つのノードに対して１つまたは複数のモーフファクタを判定および適用することを含み、前記１つまたは複数のモーフファクタは、前記確率値および前記データ値のうちの少なくとも１つを修正する、ことを特徴とする請求項１に記載の方法。
  3. 前記コンピューティングデバイスによって、動的にレンダリングされることになる、１つまたは複数のエキスパートからの入力を表す前記受信された入力データセットを受信するためのエキスパートインタフェースを提供するステップをさらに備え、前記エキスパートインタフェースは、前記１つまたは複数のエキスパートによって対話されたとき、前記１つまたは複数のエキスパートからの前記入力を示す、１つまたは複数のエキスパートインタフェース視覚インタフェース要素を含む、ことを特徴とする請求項２に記載の方法。
  4. 前記１つまたは複数のエキスパートインタフェース視覚インタフェース要素は、１つまたは複数のスケールに沿った配置のために構成された選択可能なアイコンを含む前記１つまたは複数のスケールを含む、ことを特徴とする請求項３に記載の方法。
  5. 前記１つまたは複数のスケールの各々のスケールは、動的に設定された範囲を有し、各々の動的に設定された範囲は、エキスパートが選択するために利用可能な、可能な値のセットを抑制するように判定される、
    前記動的に設定された範囲は、対応するエキスパートについて識別されたバイアスの識別されたパターンに少なくとも基づいて、対応するスケールに沿って、前記可能な値のセットおよび値の分布を抑制するルールのセットに従って基づいて設定される、
    ことを特徴とする請求項４に記載の方法。
  6. 前記コンピューティングデバイスによって、前記１つまたは複数のユーザインタフェース要素の選択されたセットに対応する１つまたは複数のユーザ入力をユーザ入力デバイスから受信するステップと、
    前記コンピューティングデバイスによって、前記１つまたは複数のユーザインタフェース要素の前記選択されたセットにわたる経路または部分経路を判定し、前記インスタンス化されたグラフィカルシナリオツリーの領域を選択するステップであって、前記領域は、前記経路または部分経路にわたるすべてのノードが前記グラフィカルユーザインタフェース上で視認可能なように選択される、ステップと、
    前記コンピューティングデバイスによって、前記領域が前記グラフィカルシナリオツリーの拡大された部分表示としてグラフィカルに表示されるように、前記グラフィカルユーザインタフェース上に表示されるビューを制限するように適応させるよう、前記グラフィカルユーザインタフェースを制御するステップと、
    をさらに備えたことを特徴とする請求項１に記載の方法。
  7. 前記コンピューティングデバイスによって、分析中の前記特定のポートフォリオポジションへの寄与の１つまたは複数の推定値を判定するステップであって、寄与の前記１つまたは複数の推定値の各々は、前記経路または部分経路の対応するノードに対応する、ステップと、
    前記コンピューティングデバイスによって、前記経路または部分経路の前記対応するノードへの寄与の前記１つまたは複数の推定値を表す１つまたは複数のグラフィカル要素を動的に付加するステップであって、前記１つまたは複数のグラフィカル要素は、前記経路または部分経路の前記ノードと位置合わせされる、ステップと、
    をさらに備えたことを特徴とする請求項１に記載の方法。
  8. コンピュータプログラム命令を記憶した非一時的コンピュータ可読記憶媒体であって、前記コンピュータプログラム命令は、価格設定およびリスク測度計算のために、グラフィカルユーザインタフェースを使用して、シナリオと、前記シナリオの下で証書の評価を表すユーザインタフェース要素とを生成する動作を実行するようプロセッサによって実行可能であり、前記動作は、
    前記シナリオを表すツリーデータ記憶構造を維持するステップであって、前記ツリーデータ記憶構造は、記述子、確率値、およびデータ値を定義する複数のノードを含み、前記ツリーデータ記憶構造は、ルートノードに対応するイベントノード、前記ルートノードの子に対応する結末ノード、および前記結末ノードのさらなる子に対応するマクロファクタノードを含み、各々のマクロファクタノードは、データ値を含む、ステップと、
    前記ツリーデータ記憶構造を使用して、組合せで、ノードのすべての可能な組合せにわたる、１つまたは複数の経路のセットを判定し、各々の経路について、前記ツリーデータ記憶構造をトラバースして、分析中の特定のポートフォリオポジションへの対応する寄与を判定するステップであって、各経路は、１つまたは複数のマクロファクタに対応する１つまたは複数の金融証書の評価に影響を与える金融シナリオを表す、ステップと、
    前記ツリーデータ記憶構造および前記複数のノードに基づいて、グラフィカルシナリオツリーをインスタンス化するステップであって、前記グラフィカルシナリオツリーは、前記ツリーデータ記憶構造および前記複数のノードの視覚表現をレンダリングし、前記グラフィカルシナリオツリーは、前記複数のノードの各々のノードと関連付けられた１つまたは複数のユーザインタフェース要素を含む、ステップと、
    前記グラフィカルユーザインタフェース上で動的にレンダリングされることになる前記グラフィカルシナリオツリーを提供するステップと、
    を備えたことを特徴とする非一時的コンピュータ可読記憶媒体。
  9. 前記動作は、ポーリング質問に対する少なくとも機械可読回答を含む受信された入力データセットに基づいて、前記ツリーデータ記憶構造を周期的または連続的に更新するステップをさらに備え、周期的または連続的に更新する前記ステップは、各々の機械可読回答を処理して、前記複数のノードのうちの少なくとも１つのノードに対して１つまたは複数のモーフファクタを判定および適用することを含み、前記１つまたは複数のモーフファクタは、前記確率値および前記データ値のうちの少なくとも１つを修正する、ことを特徴とする請求項８に記載の非一時的コンピュータ可読記憶媒体。
  10. 前記動作は、動的にレンダリングされることになる、１つまたは複数のエキスパートからの入力を表す前記受信された入力データセットを受信するためのエキスパートインタフェースを提供するステップをさらに備え、前記エキスパートインタフェースは、前記１つまたは複数のエキスパートによって対話されたとき、前記１つまたは複数のエキスパートからの前記入力を示す、１つまたは複数のエキスパートインタフェース視覚インタフェース要素を含む、ことを特徴とする請求項９に記載の非一時的コンピュータ可読記憶媒体。
  11. 前記１つまたは複数のエキスパートインタフェース視覚インタフェース要素は、１つまたは複数のスケールに沿った配置のために構成された選択可能なアイコンを含む前記１つまたは複数のスケールを含む、ことを特徴とする請求項１０に記載の非一時的コンピュータ可読記憶媒体。
  12. 前記１つまたは複数のスケールの各々のスケールは、動的に設定された範囲を有し、各々の動的に設定された範囲は、エキスパートが選択するために利用可能な、可能な値のセットを抑制するように判定される、
    前記動的に設定された範囲は、対応するエキスパートについて識別されたバイアスの識別されたパターンに少なくとも基づいて、対応するスケールに沿って、前記可能な値のセットおよび値の分布を抑制するルールのセットに従って基づいて設定される、
    ことを特徴とする請求項１１に記載の非一時的コンピュータ可読記憶媒体。
  13. 前記動作は、
    前記１つまたは複数のユーザインタフェース要素の選択されたセットに対応する１つまたは複数のユーザ入力をユーザ入力デバイスから受信するステップと、
    前記１つまたは複数のユーザインタフェース要素の前記選択されたセットにわたる経路または部分経路を判定し、前記インスタンス化されたグラフィカルシナリオツリーの領域を選択するステップであって、前記領域は、前記経路または部分経路にわたるすべてのノードが前記グラフィカルユーザインタフェース上で視認可能なように選択される、ステップと、
    前記領域が前記グラフィカルシナリオツリーの拡大された部分表示としてグラフィカルに表示されるように、前記グラフィカルユーザインタフェース上に表示されるビューを制限するように適応させるよう、前記グラフィカルユーザインタフェースを制御するステップと、
    をさらに備えたことを特徴とする請求項８に記載の非一時的コンピュータ可読記憶媒体。
  14. 前記動作は、
    分析中の前記特定のポートフォリオポジションへの寄与の１つまたは複数の推定値を判定するステップであって、寄与の前記１つまたは複数の推定値の各々は、前記経路または部分経路の対応するノードに対応する、ステップと、
    前記経路または部分経路の前記対応するノードへの寄与の前記１つまたは複数の推定値を表す１つまたは複数のグラフィカル要素を動的に付加するステップであって、前記１つまたは複数のグラフィカル要素は、前記経路または部分経路の前記ノードと位置合わせされる、ステップと、
    をさらに備えたことを特徴とする請求項８に記載の非一時的コンピュータ可読記憶媒体。
  15. プロセッサと、
    コンピュータプログラム命令を記憶した非一時的コンピュータ可読記憶媒体と、を備え、前記コンピュータプログラム命令は、価格設定およびリスク測度計算のために、グラフィカルユーザインタフェースを使用して、シナリオと、前記シナリオの下で証書の評価を表すユーザインタフェース要素とを生成する動作を実行するよう前記プロセッサによって実行可能であり、前記動作は、
    前記シナリオを表すツリーデータ記憶構造を維持するステップであって、前記ツリーデータ記憶構造は、記述子、確率値、およびデータ値を定義する複数のノードを含み、前記ツリーデータ記憶構造は、ルートノードに対応するイベントノード、前記ルートノードの子に対応する結末ノード、および前記結末ノードのさらなる子に対応するマクロファクタノードを含み、各々のマクロファクタノードは、データ値を含む、ステップと、
    前記ツリーデータ記憶構造を使用して、組合せで、ノードのすべての可能な組合せにわたる、１つまたは複数の経路のセットを判定し、各々の経路について、前記ツリーデータ記憶構造をトラバースして、分析中の特定のポートフォリオポジションへの対応する寄与を判定するステップであって、各経路は、１つまたは複数のマクロファクタに対応する１つまたは複数の金融証書の評価に影響を与える金融シナリオを表す、ステップと、
    前記ツリーデータ記憶構造および前記複数のノードに基づいて、グラフィカルシナリオツリーをインスタンス化するステップであって、前記グラフィカルシナリオツリーは、前記ツリーデータ記憶構造および前記複数のノードの視覚表現をレンダリングし、前記グラフィカルシナリオツリーは、前記複数のノードの各々のノードと関連付けられた１つまたは複数のユーザインタフェース要素を含む、ステップと、
    前記グラフィカルユーザインタフェース上で動的にレンダリングされることになる前記グラフィカルシナリオツリーを提供するステップと、
    を備えたことを特徴とするシステム。
  16. 前記動作は、ポーリング質問に対する少なくとも機械可読回答を含む受信された入力データセットに基づいて、前記ツリーデータ記憶構造を周期的または連続的に更新するステップをさらに備え、周期的または連続的に更新する前記ステップは、各々の機械可読回答を処理して、前記複数のノードのうちの少なくとも１つのノードに対して１つまたは複数のモーフファクタを判定および適用することを含み、前記１つまたは複数のモーフファクタは、前記確率値および前記データ値のうちの少なくとも１つを修正する、ことを特徴とする請求項１５に記載のシステム。
  17. 前記動作は、動的にレンダリングされることになる、１つまたは複数のエキスパートからの入力を表す前記受信された入力データセットを受信するためのエキスパートインタフェースを提供するステップをさらに備え、前記エキスパートインタフェースは、前記１つまたは複数のエキスパートによって対話されたとき、前記１つまたは複数のエキスパートからの前記入力を示す、１つまたは複数のエキスパートインタフェース視覚インタフェース要素を含む、ことを特徴とする請求項１６に記載のシステム。
  18. 前記１つまたは複数のエキスパートインタフェース視覚インタフェース要素は、１つまたは複数のスケールに沿った配置のために構成された選択可能なアイコンを含む前記１つまたは複数のスケールを含む、ことを特徴とする請求項１７に記載のシステム。
  19. 前記動作は、
    前記１つまたは複数のユーザインタフェース要素の選択されたセットに対応する１つまたは複数のユーザ入力をユーザ入力デバイスから受信するステップと、
    前記１つまたは複数のユーザインタフェース要素の前記選択されたセットにわたる経路または部分経路を判定し、前記インスタンス化されたグラフィカルシナリオツリーの領域を選択するステップであって、前記領域は、前記経路または部分経路にわたるすべてのノードが前記グラフィカルユーザインタフェース上で視認可能なように選択される、ステップと、
    前記領域が前記グラフィカルシナリオツリーの拡大された部分表示としてグラフィカルに表示されるように、前記グラフィカルユーザインタフェース上に表示されるビューを制限するように適応させるよう、前記グラフィカルユーザインタフェースを制御するステップと、
    をさらに備えたことを特徴とする請求項１５に記載のシステム。
  20. 前記動作は、
    分析中の前記特定のポートフォリオポジションへの寄与の１つまたは複数の推定値を判定するステップであって、寄与の前記１つまたは複数の推定値の各々は、前記経路または部分経路の対応するノードに対応する、ステップと、
    前記経路または部分経路の前記対応するノードへの寄与の前記１つまたは複数の推定値を表す１つまたは複数のグラフィカル要素を動的に付加するステップであって、前記１つまたは複数のグラフィカル要素は、前記経路または部分経路の前記ノードと位置合わせされる、ステップと、
    をさらに備えたことを特徴とする請求項１５に記載のシステム。
JP2020201203A 2017-05-01 2020-12-03 シナリオシミュレーションのためのシステムおよび方法 Active JP7146882B2 (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201762492668P 2017-05-01 2017-05-01
US62/492,668 2017-05-01
US15/897,010 US20190294633A1 (en) 2017-05-01 2018-02-14 Systems and methods for scenario simulation
US15/897,010 2018-02-14

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2019560301A Division JP6805369B2 (ja) 2017-05-01 2018-04-30 シナリオシミュレーションのためのシステムおよび方法

Publications (2)

Publication Number Publication Date
JP2021044013A JP2021044013A (ja) 2021-03-18
JP7146882B2 true JP7146882B2 (ja) 2022-10-04

Family

ID=64015995

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2019560301A Active JP6805369B2 (ja) 2017-05-01 2018-04-30 シナリオシミュレーションのためのシステムおよび方法
JP2020201203A Active JP7146882B2 (ja) 2017-05-01 2020-12-03 シナリオシミュレーションのためのシステムおよび方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2019560301A Active JP6805369B2 (ja) 2017-05-01 2018-04-30 シナリオシミュレーションのためのシステムおよび方法

Country Status (9)

Country Link
US (1) US20190294633A1 (ja)
EP (1) EP3619674A4 (ja)
JP (2) JP6805369B2 (ja)
KR (3) KR102219549B1 (ja)
CN (1) CN111344722B (ja)
AU (1) AU2018262455A1 (ja)
CA (1) CA3062137A1 (ja)
SG (1) SG11201910091YA (ja)
WO (1) WO2018203226A2 (ja)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10614402B2 (en) * 2017-09-15 2020-04-07 International Business Machines Corporation Human steering dashboard to analyze 360-degree market view for merchants based on financial transactions
US10872090B2 (en) * 2018-09-18 2020-12-22 Mastercard International Incorporated Generating test data based on data value rules of linked data nodes
US20200160450A1 (en) * 2018-11-19 2020-05-21 Jpmorgan Chase Bank, N.A. Systems and methods for decision tree-based management of market risk stress scenarios
EP3683745A1 (en) * 2019-01-18 2020-07-22 Verint Americas Inc. Iva performance dashboard and interactive model and method
TWI824187B (zh) * 2020-07-15 2023-12-01 財團法人工業技術研究院 基金追蹤系統、基金追蹤方法及圖案化使用者介面
US11763919B1 (en) * 2020-10-13 2023-09-19 Vignet Incorporated Platform to increase patient engagement in clinical trials through surveys presented on mobile devices
KR102352957B1 (ko) * 2020-12-28 2022-01-19 한국과학기술원 시뮬레이션 기반 시스템 오브 시스템즈 검증 및 분석 방법 및 장치
US11954018B2 (en) * 2021-07-26 2024-04-09 Charter Communications Operating, Llc Scenario analysis prediction and generation accelerator
US11423680B1 (en) 2021-11-10 2022-08-23 Sas Institute Inc. Leveraging text profiles to select and configure models for use with textual datasets

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002334207A (ja) 2001-05-11 2002-11-22 Keio Gijuku ポートフォリオ最適化システム
JP2003345981A (ja) 2002-05-30 2003-12-05 Keio Gijuku 年金資産配分算出装置
US20030229558A1 (en) 2002-06-05 2003-12-11 Hitachi, Ltd. Business evaluating system and business evaluating apparatus
US20100114794A1 (en) 2008-10-31 2010-05-06 Choudur Lakshminarayan Prediction of financial performance for a given portfolio of marketing investments
US20120303391A1 (en) 2011-05-25 2012-11-29 Model It Ltd Method and system for analyzing insurance contracts and insurance contract portfolios
US20150339604A1 (en) 2014-05-20 2015-11-26 International Business Machines Corporation Method and application for business initiative performance management

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5632007A (en) * 1994-09-23 1997-05-20 Actv, Inc. Interactive system and method for offering expert based interactive programs
US20040236673A1 (en) * 2000-10-17 2004-11-25 Eder Jeff Scott Collaborative risk transfer system
US7447652B2 (en) * 2001-05-31 2008-11-04 Ge Corporate Financial Services, Inc. Methods and systems for portfolio cash flow valuation
US7774191B2 (en) * 2003-04-09 2010-08-10 Gary Charles Berkowitz Virtual supercomputer
US7664664B2 (en) * 2003-04-23 2010-02-16 Oracle International Corporation Methods and systems for portfolio planning
JP4708136B2 (ja) 2005-09-15 2011-06-22 三菱電機株式会社 シミュレーション実行方法
US20090138307A1 (en) * 2007-10-09 2009-05-28 Babcock & Brown Lp, A Delaware Limited Partnership Automated financial scenario modeling and analysis tool having an intelligent graphical user interface
US20140279800A1 (en) * 2013-03-14 2014-09-18 Agincourt Gaming Llc Systems and Methods for Artificial Intelligence Decision Making in a Virtual Environment
CN106255959B (zh) * 2014-03-31 2019-04-19 庞巴迪公司 用于输出多个事件的剩余概率的报告的系统、方法及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002334207A (ja) 2001-05-11 2002-11-22 Keio Gijuku ポートフォリオ最適化システム
JP2003345981A (ja) 2002-05-30 2003-12-05 Keio Gijuku 年金資産配分算出装置
US20030229558A1 (en) 2002-06-05 2003-12-11 Hitachi, Ltd. Business evaluating system and business evaluating apparatus
US20100114794A1 (en) 2008-10-31 2010-05-06 Choudur Lakshminarayan Prediction of financial performance for a given portfolio of marketing investments
US20120303391A1 (en) 2011-05-25 2012-11-29 Model It Ltd Method and system for analyzing insurance contracts and insurance contract portfolios
US20150339604A1 (en) 2014-05-20 2015-11-26 International Business Machines Corporation Method and application for business initiative performance management

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
枇々木 規雄，多期間最適資産配分モデル，リスクの科学，第1版，株式会社朝倉書店，2007年11月15日，ｐ．１－３１
枇々木規雄，金融工学とモデリング，モデリングの諸相 －ＯＲと数理科学の交叉点－ ，第1版，株式会社近代科学社 ，2016年09月30日，ｐ．１２７－１５７

Also Published As

Publication number Publication date
EP3619674A4 (en) 2020-09-16
WO2018203226A2 (en) 2018-11-08
WO2018203226A3 (en) 2019-02-21
US20190294633A1 (en) 2019-09-26
CN111344722A (zh) 2020-06-26
KR20200015509A (ko) 2020-02-12
CA3062137A1 (en) 2018-11-08
KR102219549B1 (ko) 2021-02-23
AU2018262455A1 (en) 2019-12-12
KR102408124B1 (ko) 2022-06-13
SG11201910091YA (en) 2019-11-28
JP6805369B2 (ja) 2020-12-23
EP3619674A2 (en) 2020-03-11
KR20220028141A (ko) 2022-03-08
KR20210021599A (ko) 2021-02-26
JP2020518923A (ja) 2020-06-25
JP2021044013A (ja) 2021-03-18
CN111344722B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
JP7146882B2 (ja) シナリオシミュレーションのためのシステムおよび方法
US10558769B2 (en) Systems and methods for scenario simulation
US10453142B2 (en) System and method for modeling and quantifying regulatory capital, key risk indicators, probability of default, exposure at default, loss given default, liquidity ratios, and value at risk, within the areas of asset liability management, credit risk, market risk, operational risk, and liquidity risk for banks
US9881339B2 (en) Project economics analysis tool
US11645522B2 (en) Method and system using machine learning for prediction of stocks and/or other market instruments price volatility, movements and future pricing by applying random forest based techniques
KR20110056502A (ko) 기업 성과 분석 엔진
WO2015094545A1 (en) System and method for modeling and quantifying regulatory capital, key risk indicators, probability of default, exposure at default, loss given default, liquidity ratios, and value at risk, within the areas of asset liability management, credit risk, market risk, operational risk, and liquidity risk for banks
Eiamkanitchat et al. Fundamental analysis and technical analysis integrated system for stock filtration
Liberatore et al. Analytics capabilities and the decision to invest in analytics
Snášel et al. A generalization of multi-source fusion-based framework to stock selection
Jain Macro forecasting using alternative data
Francis Evaluation of the implementation of business intelligence systems on SME results in Lagos State, Nigeria
Önel et al. The Influence of Capital Structure on Firm Performance: A quantitative study of Swedish listed firms
Azamjon et al. Enhanced Bitcoin Price Direction Forecasting with DQN
Birgirsson et al. Behavioral Impact of Short-Term Stock Price Trends on Equity Research: A Textual Analysis of Trend-Chasing Bias in Norwegian Equity Research Reports Covering the Oslo Stock Exchange
De Grauwe et al. A behavioral finance model of the exchange rate with many forecasting rules
Shetiya et al. BASIC BUSINESS ANALYTICS USING R: e-Book for MBA, 2nd Semester, SPPU
Assadi et al. The impact of intellectual capital on the Pharmaceutical and Food Industry company’s financial performance: By using Data Envelopment Analysis in the Tehran Stock Exchange
Gupta et al. Utilising Diamond Fuzzy AHP Technique to Elucidate the Magnitude & Hierarchy of Investor Biases in the Capital Market
Lerner et al. Appropriate Entrepreneurship? The Rise of Chinese Venture Capital and the Developing World
Chernov Efficacia di un approccio guidato dai dati (data-driven) al processo decisionale manageriale
Tracanna Perspectives on Wealth Management for Foundations
Wilenius Utilization of Artificial Intelligence in Investment Decisions Under Market Volatility: Manager vs. Machine
Demong Data-driven Adaptive Personalized Property Investment Risk Analysis: Frameworks, Methods and System
Serrano SUPPLY CHAIN RISK MANAGEMENT

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210414

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220628

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220804

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: 20220823

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220921

R150 Certificate of patent or registration of utility model

Ref document number: 7146882

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150