JPH05120297A - インデクスポートフオリオ構築方法 - Google Patents
インデクスポートフオリオ構築方法Info
- Publication number
- JPH05120297A JPH05120297A JP28268891A JP28268891A JPH05120297A JP H05120297 A JPH05120297 A JP H05120297A JP 28268891 A JP28268891 A JP 28268891A JP 28268891 A JP28268891 A JP 28268891A JP H05120297 A JPH05120297 A JP H05120297A
- Authority
- JP
- Japan
- Prior art keywords
- index
- assets
- portfolio
- value
- price
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000010348 incorporation Methods 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 description 10
- 238000012916 structural analysis Methods 0.000 description 6
- 238000000556 factor analysis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Complex Calculations (AREA)
Abstract
(57)【要約】
【目的】本発明は、金融資産を用いたインデクスポート
フォリオ構築方法において、該資産の時間的変動を考慮
した構築方法を提供することにある。 【構成】データベースより金融資産および構築したポー
トフォリオが追従するべきインデクスについての過去の
データを読み込む。資産群とインデクスを一緒に構造解
析にかけ、インデクスと似た構造を持つ資産を選択す
る。選択された資産群について再び構造解析を行い、そ
の構造に従い資産の価格変動値を計算する。その価格変
動値を用いて、該資産群から構成されるポートフォリオ
がインデクス値を追従するように、その組入れ比率を最
適化する。 【効果】金融資産の価格変動を考慮したポートフォリオ
の構築を行うことができる。
フォリオ構築方法において、該資産の時間的変動を考慮
した構築方法を提供することにある。 【構成】データベースより金融資産および構築したポー
トフォリオが追従するべきインデクスについての過去の
データを読み込む。資産群とインデクスを一緒に構造解
析にかけ、インデクスと似た構造を持つ資産を選択す
る。選択された資産群について再び構造解析を行い、そ
の構造に従い資産の価格変動値を計算する。その価格変
動値を用いて、該資産群から構成されるポートフォリオ
がインデクス値を追従するように、その組入れ比率を最
適化する。 【効果】金融資産の価格変動を考慮したポートフォリオ
の構築を行うことができる。
Description
【0001】
【産業上の利用分野】本発明は、さまざまな金融資産を
用いたポートフォリオ構築方法に係わり、特に資産運用
の際にある特定の指数などを追従する性質を持ったイン
デクスポートフォリオを構築するための手段に関する。
用いたポートフォリオ構築方法に係わり、特に資産運用
の際にある特定の指数などを追従する性質を持ったイン
デクスポートフォリオを構築するための手段に関する。
【0002】
【従来の技術】日経平均株価や東証平均株価などの指数
と連動したパフォーマンスを示すインデクスポートフォ
リオを構築するために、従来はMTVモデルを用いた方
法(刈屋武昭著「ポートフォリオ計量分析の基礎」p9
7−p107)などがあげられている。MTVモデル
は、p変量の金融資産価格の変動はq個の状態変数の変
動によって表されるという状態空間モデルに従っている
とするものである。インデクスポートフォリオは、この
MTVモデルの因子負荷量表現を用いて、インデクスと
状態変数の関係を表す係数(因子負荷量)とポートフォ
リオの因子負荷量が近くなるように組入れ比率を最適化
することによって求められる。
と連動したパフォーマンスを示すインデクスポートフォ
リオを構築するために、従来はMTVモデルを用いた方
法(刈屋武昭著「ポートフォリオ計量分析の基礎」p9
7−p107)などがあげられている。MTVモデル
は、p変量の金融資産価格の変動はq個の状態変数の変
動によって表されるという状態空間モデルに従っている
とするものである。インデクスポートフォリオは、この
MTVモデルの因子負荷量表現を用いて、インデクスと
状態変数の関係を表す係数(因子負荷量)とポートフォ
リオの因子負荷量が近くなるように組入れ比率を最適化
することによって求められる。
【0003】
【発明が解決しようとする課題】このような従来の方法
では次のような課題がある。
では次のような課題がある。
【0004】すなわち、従来のポートフォリオ構築手段
では、構成要素となる金融資産間の相関関係については
最適化を行っているものの、その金融資産、さらにはイ
ンデクス値の時間的な変動構造については考慮されてい
ない。したがって、従来の方法では解析に用いたデータ
の期間についてのパフォーマンスについては最適化され
ているとしても、将来の期間についてのパフォーマンス
については考慮されないことになる。このように、イン
デクスポートフォリオ作成の目的は将来のインデクス値
に追従するパフォーマンスを持つポートフォリオを構築
することであるにもかかわらず、その時間的関係を軽視
している問題がある。
では、構成要素となる金融資産間の相関関係については
最適化を行っているものの、その金融資産、さらにはイ
ンデクス値の時間的な変動構造については考慮されてい
ない。したがって、従来の方法では解析に用いたデータ
の期間についてのパフォーマンスについては最適化され
ているとしても、将来の期間についてのパフォーマンス
については考慮されないことになる。このように、イン
デクスポートフォリオ作成の目的は将来のインデクス値
に追従するパフォーマンスを持つポートフォリオを構築
することであるにもかかわらず、その時間的関係を軽視
している問題がある。
【0005】本発明の目的は、上記の課題を解決するた
め、金融資産の価格変動の時間的構造を考慮したインデ
クスポートフォリオ構築方法を提供することにある。
め、金融資産の価格変動の時間的構造を考慮したインデ
クスポートフォリオ構築方法を提供することにある。
【0006】
【課題を解決するための手段】上記目的を達成するため
に、本発明では、金融資産およびインデクス値の過去の
データを読み込み、その金融資産群およびインデクス値
についての構造解析、および該資産とインデクスとの比
較を繰り返し行い、その結果インデクス値と似た構造を
持つと判断された金融資産をインデクスポートフォリオ
の構築に使用する資産群として選択する手段を設けた。
に、本発明では、金融資産およびインデクス値の過去の
データを読み込み、その金融資産群およびインデクス値
についての構造解析、および該資産とインデクスとの比
較を繰り返し行い、その結果インデクス値と似た構造を
持つと判断された金融資産をインデクスポートフォリオ
の構築に使用する資産群として選択する手段を設けた。
【0007】また、前記手段によって選択された資産群
について、過去のデータより該資産群の価格変動構造を
推定するために、金融資産の価格変動の背後に数個の観
測不能な共通因子が存在し、それらの共通因子が定常時
系列構造を持っているというモデルを設定した。そし
て、共通因子の推定を因子分析を用いて行い、共通因子
の時系列構造についてはカルマンフィルタを用いて高精
度に推定する手段を設けた。さらに前記手段によって推
定された該資産群の価格変動構造をもとに、解析期間内
のデータについての予測値を推定する手段を設け、該予
測値を用いて、ポートフォリオがインデクス値を追従す
るように組入れ比率を最適化する手段を設けた。
について、過去のデータより該資産群の価格変動構造を
推定するために、金融資産の価格変動の背後に数個の観
測不能な共通因子が存在し、それらの共通因子が定常時
系列構造を持っているというモデルを設定した。そし
て、共通因子の推定を因子分析を用いて行い、共通因子
の時系列構造についてはカルマンフィルタを用いて高精
度に推定する手段を設けた。さらに前記手段によって推
定された該資産群の価格変動構造をもとに、解析期間内
のデータについての予測値を推定する手段を設け、該予
測値を用いて、ポートフォリオがインデクス値を追従す
るように組入れ比率を最適化する手段を設けた。
【0008】
【作用】上記の手段は、次のように作用する。金融資産
の母集団およびインデクス値の過去のデータを用いて、
例えば因子分析法により構造解析を行う。次に、各金融
資産とインデクス値と構造の比較を、共通因子の係数で
ある因子負荷量の値を比較することで行い、構造のよく
似た資産をポートフォリオ構築に使用する資産の候補と
して選出する。この操作を複数回繰り返すことによって
使用する資産を絞り込み、最終的にポートフォリオ構築
のための資産群を決定する。
の母集団およびインデクス値の過去のデータを用いて、
例えば因子分析法により構造解析を行う。次に、各金融
資産とインデクス値と構造の比較を、共通因子の係数で
ある因子負荷量の値を比較することで行い、構造のよく
似た資産をポートフォリオ構築に使用する資産の候補と
して選出する。この操作を複数回繰り返すことによって
使用する資産を絞り込み、最終的にポートフォリオ構築
のための資産群を決定する。
【0009】次に、該資産群について因子分析を行う。
その後、抽出された共通因子に対して、カルマンフィル
タを用いて、該共通因子の時系列構造を高精度に推定
し、その構造に基づいて各資産の解析期間内の価格の予
測値を求める。このようにして求められた解析期間内に
ついての各資産の価格予測値とインデクス値を用い、該
価格予測値によるポートフォリオ値がインデクス値を最
もよく追従するように、各資産の組入れ比率を非線形計
画法によって決定する。
その後、抽出された共通因子に対して、カルマンフィル
タを用いて、該共通因子の時系列構造を高精度に推定
し、その構造に基づいて各資産の解析期間内の価格の予
測値を求める。このようにして求められた解析期間内に
ついての各資産の価格予測値とインデクス値を用い、該
価格予測値によるポートフォリオ値がインデクス値を最
もよく追従するように、各資産の組入れ比率を非線形計
画法によって決定する。
【0010】
【実施例】以下、本発明の1実施例を詳細に説明する。
図1は本発明によるインデクスポートフォリオ構築手順
のブロック図であり、図2は図1における処理2での銘
柄選択の手順を詳細に示したフローチャート、図3は図
1における処理4でのインデクスポートフォリオの最適
化の手順を示したブロック図である。
図1は本発明によるインデクスポートフォリオ構築手順
のブロック図であり、図2は図1における処理2での銘
柄選択の手順を詳細に示したフローチャート、図3は図
1における処理4でのインデクスポートフォリオの最適
化の手順を示したブロック図である。
【0011】まず、図1の処理1でデータベース6から
証券価格や市場の状況を示す指標値(インデクス)など
についての過去のデータを読み出す。続いてそれらのデ
ータよりポートフォリオの構築に用いる銘柄を図2の手
順により選択する。
証券価格や市場の状況を示す指標値(インデクス)など
についての過去のデータを読み出す。続いてそれらのデ
ータよりポートフォリオの構築に用いる銘柄を図2の手
順により選択する。
【0012】図2の処理101ではデータベース6から
読み込んだ証券の全銘柄を選択対象の母集団に設定す
る。この後、処理102でその母集団を乱数を用いて数
個の銘柄群に分割する。これは次に行う構造解析の安定
性を確保するため、また処理をより速く行うためであ
る。次に処理104で、処理102で分割された銘柄群
の1つについて、それにインデクスを加えた新たな銘柄
群を構成し、構造解析を行う。ここでは構造解析の1例
として多変量解析のひとつである因子分析(例えば、多
変量解析ハンドブック 第7章p183−p223)を
用いた場合について説明する。
読み込んだ証券の全銘柄を選択対象の母集団に設定す
る。この後、処理102でその母集団を乱数を用いて数
個の銘柄群に分割する。これは次に行う構造解析の安定
性を確保するため、また処理をより速く行うためであ
る。次に処理104で、処理102で分割された銘柄群
の1つについて、それにインデクスを加えた新たな銘柄
群を構成し、構造解析を行う。ここでは構造解析の1例
として多変量解析のひとつである因子分析(例えば、多
変量解析ハンドブック 第7章p183−p223)を
用いた場合について説明する。
【0013】因子分析を用いた場合、各銘柄の価格変動
の構造は数個の共通因子の線形和で表される。したがっ
て、その共通因子の係数である因子負荷量によって、
の構造は数個の共通因子の線形和で表される。したがっ
て、その共通因子の係数である因子負荷量によって、
【0014】
【数1】
【0015】で求められる値によって、各銘柄とインデ
クスとの構造の類似性を調べることができる。なお、重
み係数については、最も簡単な例としては全ての値を1
にして計算することがあげられる。また、インデクス値
に与える影響が、共通因子毎に異なる事を考慮して、そ
の影響の大きさを示す因子負荷量の大きい順に大きな重
みをつけることも考えられる。このようにして求められ
る各銘柄とインデクスの類似性を用いて、処理105で
インデクスと似た構造を持つ銘柄を選択する。
クスとの構造の類似性を調べることができる。なお、重
み係数については、最も簡単な例としては全ての値を1
にして計算することがあげられる。また、インデクス値
に与える影響が、共通因子毎に異なる事を考慮して、そ
の影響の大きさを示す因子負荷量の大きい順に大きな重
みをつけることも考えられる。このようにして求められ
る各銘柄とインデクスの類似性を用いて、処理105で
インデクスと似た構造を持つ銘柄を選択する。
【0016】この処理104〜処理105を、処理10
2で分割された銘柄群全てについて行う(処理106,
107)。その結果、処理108で選択された銘柄数が
基準値以下であるかを確認し、もし基準値よりも多い銘
柄が選択された場合、処理109でその選択された銘柄
群を新たに選択の母集団に設定し、処理102から繰り
返す。また、選択された銘柄数が基準値より少ない場合
には銘柄選択を終了し(処理110)、その選択された
銘柄を用いて次の処理を行う。
2で分割された銘柄群全てについて行う(処理106,
107)。その結果、処理108で選択された銘柄数が
基準値以下であるかを確認し、もし基準値よりも多い銘
柄が選択された場合、処理109でその選択された銘柄
群を新たに選択の母集団に設定し、処理102から繰り
返す。また、選択された銘柄数が基準値より少ない場合
には銘柄選択を終了し(処理110)、その選択された
銘柄を用いて次の処理を行う。
【0017】ポートフォリオの構築に用いる銘柄を選択
したら、次に図1の処理3において該銘柄群の価格変動
の構造をモデル化し、そのモデルに基づき証券価格の解
析期間内のデータについての予測値を求める。モデル
は、証券の価格変動に時間に対する構造を持たせ、証券
価格の予測可能性を持ったものであればよい。例えば、
証券価格の変動をq個の共通因子の変動で表現する観測
方程式、
したら、次に図1の処理3において該銘柄群の価格変動
の構造をモデル化し、そのモデルに基づき証券価格の解
析期間内のデータについての予測値を求める。モデル
は、証券の価格変動に時間に対する構造を持たせ、証券
価格の予測可能性を持ったものであればよい。例えば、
証券価格の変動をq個の共通因子の変動で表現する観測
方程式、
【0018】
【数2】
【0019】および、該共通因子の時系列構造を表現す
る構造方程式、
る構造方程式、
【0020】
【数3】
【0021】によって表され、カルマンフィルタ理論を
用いて価格変動構造を高精度に推定するモデル(特願平
3−263562号公報〔平成3年10月11日出
願〕)などがあげられる。
用いて価格変動構造を高精度に推定するモデル(特願平
3−263562号公報〔平成3年10月11日出
願〕)などがあげられる。
【0022】推定されたモデル構造に基づいての解析期
間内のデータについての価格値の予測は、例えば上記モ
デルを用いた場合、
間内のデータについての価格値の予測は、例えば上記モ
デルを用いた場合、
【0023】
【数4】
【0024】
【数5】
【0025】を用いて行う。
【0026】処理3によって解析期間の該証券銘柄の価
格について、モデルに基づき予測を行った後、図1の処
理4において、該予測値を用いてインデクスポートフォ
リオの組入れ比率を決定する。その詳細を図3を用いて
説明する。
格について、モデルに基づき予測を行った後、図1の処
理4において、該予測値を用いてインデクスポートフォ
リオの組入れ比率を決定する。その詳細を図3を用いて
説明する。
【0027】処理201で、最適化のための目的関数を
設定する。目的関数には解析期間のインデクス値、図1
の処理3で推定した該予測値、それと各銘柄の組入れ比
率によって例えば、
設定する。目的関数には解析期間のインデクス値、図1
の処理3で推定した該予測値、それと各銘柄の組入れ比
率によって例えば、
【0028】
【数6】
【0029】で設定される。この場合、目的関数はイン
デクス値と、該証券銘柄の予測値から計算されるポート
フォリオの実現値との2乗距離として定義される。
デクス値と、該証券銘柄の予測値から計算されるポート
フォリオの実現値との2乗距離として定義される。
【0030】次に、処理202で組入れ比率の制約条件
を設定する。制約条件としては、
を設定する。制約条件としては、
【0031】
【数7】
【0032】で表される組入れ比率の規格化の条件、な
らびに各銘柄が固有に持つ組入れ比率の制約条件などが
考えられるが、その他ポートフォリオ構築に際して制約
が課せられるときは、新たな制約条件を追加することが
できる。
らびに各銘柄が固有に持つ組入れ比率の制約条件などが
考えられるが、その他ポートフォリオ構築に際して制約
が課せられるときは、新たな制約条件を追加することが
できる。
【0033】次に処理203で、制約条件のもと該目的
関数が最小となるように、組入れ比率を最適化する。こ
の最適化については、例えば公知の非線形計画法を用い
る。以上の手続きによって、任意のインデクス値に追従
したインデクスポートフォリオを構築する。
関数が最小となるように、組入れ比率を最適化する。こ
の最適化については、例えば公知の非線形計画法を用い
る。以上の手続きによって、任意のインデクス値に追従
したインデクスポートフォリオを構築する。
【0034】上述の実施例では、ポートフォリオの構築
に用いる銘柄の選択において、選択の条件を満たしたも
のを選択し、その数が規定値以下になるまで銘柄選択を
繰り返す方法を示したが、本発明はそれに限定されるも
のではなく、他の方法でも実現し得る。例えば、図4に
示すフローチャートの方法では、まず処理302で乱数
によって全銘柄からなる母集団を複数の銘柄群に分割す
る。そして、処理304で該銘柄群についてそれぞれイン
デクス値を加えて構造解析を行い、処理305でそのと
きの各銘柄とインデクスとの構造の近さを求める。これ
を全ての銘柄群について行うと、もう1度母集団を乱数
によって分割し(処理302)、処理303から処理3
07を行う。これら処理302から処理309までの一
連の処理を統計的に十分な回数繰り返し、各銘柄毎にイ
ンデクスとの構造の近さを示すデータ(例えば数1で示
される各銘柄とインデクスとの間の重み付き2乗距離)
を蓄積する。その後、処理310で該データについて平
均や分散などの統計量を計算し、処理311で、それら
の統計量によりインデクス値に近い(平均が小さい),
銘柄分割の違いによる該データの散らばりが小さい(分
散が小さい)などの判断基準を用いて、必要銘柄数を選
択する。この方法によると、乱数による選択銘柄の違い
から発生する選択結果のばらつきを防止することができ
る。
に用いる銘柄の選択において、選択の条件を満たしたも
のを選択し、その数が規定値以下になるまで銘柄選択を
繰り返す方法を示したが、本発明はそれに限定されるも
のではなく、他の方法でも実現し得る。例えば、図4に
示すフローチャートの方法では、まず処理302で乱数
によって全銘柄からなる母集団を複数の銘柄群に分割す
る。そして、処理304で該銘柄群についてそれぞれイン
デクス値を加えて構造解析を行い、処理305でそのと
きの各銘柄とインデクスとの構造の近さを求める。これ
を全ての銘柄群について行うと、もう1度母集団を乱数
によって分割し(処理302)、処理303から処理3
07を行う。これら処理302から処理309までの一
連の処理を統計的に十分な回数繰り返し、各銘柄毎にイ
ンデクスとの構造の近さを示すデータ(例えば数1で示
される各銘柄とインデクスとの間の重み付き2乗距離)
を蓄積する。その後、処理310で該データについて平
均や分散などの統計量を計算し、処理311で、それら
の統計量によりインデクス値に近い(平均が小さい),
銘柄分割の違いによる該データの散らばりが小さい(分
散が小さい)などの判断基準を用いて、必要銘柄数を選
択する。この方法によると、乱数による選択銘柄の違い
から発生する選択結果のばらつきを防止することができ
る。
【0035】
【発明の効果】本発明には、以下の効果がある。
【0036】本発明では、組入れ比率の最適化を行う際
に、各証券の構造解析を行い、それによって求められた
構造に基づいて予測された結果を用いるため、価格変動
プロセスを考慮したポートフォリオの構築を実現してい
る。したがって、従来よりあるポートフォリオ構築手段
の持つ欠点、すなわち将来のデータについての最適化が
なされていないという点が克服される。また、各銘柄に
ついての独自で偶発的な要因を予測に用いないため、そ
れら偶発的な要因による見かけ上の変動でポートフォリ
オが不安定になることを排除することができる。さら
に、予測過程においてより精度の高い予測を行うことに
より、ポートフォリオのパフォーマンスをより高いもの
にすることが可能である。
に、各証券の構造解析を行い、それによって求められた
構造に基づいて予測された結果を用いるため、価格変動
プロセスを考慮したポートフォリオの構築を実現してい
る。したがって、従来よりあるポートフォリオ構築手段
の持つ欠点、すなわち将来のデータについての最適化が
なされていないという点が克服される。また、各銘柄に
ついての独自で偶発的な要因を予測に用いないため、そ
れら偶発的な要因による見かけ上の変動でポートフォリ
オが不安定になることを排除することができる。さら
に、予測過程においてより精度の高い予測を行うことに
より、ポートフォリオのパフォーマンスをより高いもの
にすることが可能である。
【図1】本発明の処理手順の1実施例を示すブロック図
である。
である。
【図2】図1における処理2の銘柄選択についての1実
施例の処理手順を示したフローチャートである。
施例の処理手順を示したフローチャートである。
【図3】選択された銘柄の価格の予測結果を用いたイン
デクスポートフォリオ構築の処理手順を示したブロック
図である。
デクスポートフォリオ構築の処理手順を示したブロック
図である。
【図4】図1における処理2の銘柄選択についてのさら
に別の実施例の処理手順を示すフローチャートである。
に別の実施例の処理手順を示すフローチャートである。
Claims (1)
- 【請求項1】インデクスポートフォリオ構築において、
金融資産群およびポートフォリオが追従するべきインデ
クスについてのポートフォリオ構築日以前の一定期間の
データを読み込み、該資産群よりインデクスポートフォ
リオを構成するべき資産を選択し、選択された資産群に
対してその価格変動構造を推定し、その構造に基づいて
その期間内の複数の時点のデータから、それぞれの時点
の次の時点における該資産群の価格値の予測を行い、該
価格予測値から求められるポートフォリオ値が、インデ
クス値の変動を追従するように、該資産の組入れ比率を
決めることを特徴とするインデクスポートフォリオ構築
方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP28268891A JPH05120297A (ja) | 1991-10-29 | 1991-10-29 | インデクスポートフオリオ構築方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP28268891A JPH05120297A (ja) | 1991-10-29 | 1991-10-29 | インデクスポートフオリオ構築方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH05120297A true JPH05120297A (ja) | 1993-05-18 |
Family
ID=17655769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP28268891A Pending JPH05120297A (ja) | 1991-10-29 | 1991-10-29 | インデクスポートフオリオ構築方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH05120297A (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07296052A (ja) * | 1994-04-20 | 1995-11-10 | Nec Software Ltd | 外国債売買シミュレーション装置 |
JP2003150779A (ja) * | 2001-11-14 | 2003-05-23 | Mizuho Trust & Banking Co Ltd | パッシブ運用管理システム及びその方法 |
JP2003527660A (ja) * | 1999-07-01 | 2003-09-16 | エフエムアール コーポレーション | ポートフォリオのための投資選択 |
US7110970B2 (en) * | 1999-12-30 | 2006-09-19 | Ge Capital Commercial Finance, Inc. | Methods and apparatus for rapid deployment of a valuation system |
WO2014171544A1 (ja) * | 2013-04-19 | 2014-10-23 | 独立行政法人科学技術振興機構 | 時系列予測の導出装置、導出方法及び導出プログラム |
-
1991
- 1991-10-29 JP JP28268891A patent/JPH05120297A/ja active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07296052A (ja) * | 1994-04-20 | 1995-11-10 | Nec Software Ltd | 外国債売買シミュレーション装置 |
JP2003527660A (ja) * | 1999-07-01 | 2003-09-16 | エフエムアール コーポレーション | ポートフォリオのための投資選択 |
US7870051B1 (en) | 1999-07-01 | 2011-01-11 | Fmr Llc | Selecting investments for a portfolio |
US7110970B2 (en) * | 1999-12-30 | 2006-09-19 | Ge Capital Commercial Finance, Inc. | Methods and apparatus for rapid deployment of a valuation system |
US7171383B2 (en) * | 1999-12-30 | 2007-01-30 | Ge Corporate Financial Services, Inc. | Methods and systems for rapid deployment of a valuation system |
JP2003150779A (ja) * | 2001-11-14 | 2003-05-23 | Mizuho Trust & Banking Co Ltd | パッシブ運用管理システム及びその方法 |
WO2014171544A1 (ja) * | 2013-04-19 | 2014-10-23 | 独立行政法人科学技術振興機構 | 時系列予測の導出装置、導出方法及び導出プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Acosta-González et al. | Predicting corporate financial failure using macroeconomic variables and accounting data | |
Huber et al. | A Markov switching factor‐augmented VAR model for analyzing US business cycles and monetary policy | |
Neely et al. | Predicting exchange rate volatility: genetic programming versus GARCH and RiskMetrics™ | |
Dudek et al. | Medium-term electric energy demand forecasting using Nadaraya-Watson estimator | |
Özorhan et al. | Short-term trend prediction in financial time series data | |
Raffinot et al. | Investing through economic cycles with ensemble machine learning algorithms | |
CN111932044A (zh) | 一种基于机器学习的钢铁产品价格预测系统和方法 | |
Soybilgen | Identifying US business cycle regimes using dynamic factors and neural network models | |
Consolo et al. | A mixed frequency BVAR for the euro area labour market | |
Grassi et al. | Forecasting with the standardized self‐perturbed Kalman filter | |
Akyildirim et al. | Forecasting high‐frequency excess stock returns via data analytics and machine learning | |
JPH05120297A (ja) | インデクスポートフオリオ構築方法 | |
Byanjankar et al. | Predicting expected profit in ongoing peer-to-peer loans with survival analysis-based profit scoring | |
CN111737308A (zh) | 基于最小熵分值的股票交易点预测方法、系统及存储介质 | |
Grzybowska et al. | Application of Machine Learning Method under IFRS 9 Approach to LGD Modeling. | |
KR20090123351A (ko) | 포트폴리오 최적화 방법 및 상기 방법을 이용한 포트폴리오최적화 시스템 | |
Capponi et al. | Credit risk modeling with misreporting and incomplete information | |
Mittal et al. | Stock price prediction using machine learning algorithm with web interface (GUI) | |
Huriso et al. | Multivariate generalized autoregressive conditional heteroscedasticity modeling of the relationship between major economic indicators in Ethiopia | |
Morantz et al. | A weighted window approach to neural network time series forecasting | |
Özmen et al. | Real-world application with our robust tools | |
Speranza et al. | A monetary policy strategy based on genetic algorithms and neural networks | |
Wang | Forecast GDP with autoregressive distributed lag model and dynamic factor model | |
CN117829975A (zh) | 用于构建风险识别模型的方法、装置、存储介质及处理器 | |
JP5826891B1 (ja) | 予測装置、予測方法、及びコンピュータプログラム |