KR20130086083A - 리스크-프로파일 생성 장치 - Google Patents

리스크-프로파일 생성 장치 Download PDF

Info

Publication number
KR20130086083A
KR20130086083A KR1020137017324A KR20137017324A KR20130086083A KR 20130086083 A KR20130086083 A KR 20130086083A KR 1020137017324 A KR1020137017324 A KR 1020137017324A KR 20137017324 A KR20137017324 A KR 20137017324A KR 20130086083 A KR20130086083 A KR 20130086083A
Authority
KR
South Korea
Prior art keywords
parameter set
risk
value
risk profile
distribution
Prior art date
Application number
KR1020137017324A
Other languages
English (en)
Other versions
KR101478935B1 (ko
Inventor
사또시 모리나가
Original Assignee
닛본 덴끼 가부시끼가이샤
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 닛본 덴끼 가부시끼가이샤 filed Critical 닛본 덴끼 가부시끼가이샤
Publication of KR20130086083A publication Critical patent/KR20130086083A/ko
Application granted granted Critical
Publication of KR101478935B1 publication Critical patent/KR101478935B1/ko

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
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Technology Law (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Processing (AREA)
  • Stored Programmes (AREA)
  • Image Generation (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

리스크 프로파일 생성 장치는 제1 파라미터 집합에 의해 정의되는 리스크 프로파일의 모델 정보와, 제2 파라미터 집합에 의해 정의되는 제1 파라미터 집합의 확률 분포의 모델 정보와, 요구 조건을 저장하는 메모리, 및 이 메모리에 접속된 프로세서를 포함한다. 프로세서는, 확률 분포에 따라 생성된 제1 파라미터 집합의 값을 리스크 프로파일의 모델 정보에 적용함으로써 특정되는 리스크 프로파일이 요구 조건을 보다 높은 확률로 충족시키도록 제2 파라미터 집합의 값을 산출하고, 산출된 제2 파라미터 집합의 값을 확률 분포의 모델 정보에 적용함으로써 특정되는 확률 분포에 따라 제1 파라미터 집합의 값을 생성하도록 구성된다.

Description

리스크-프로파일 생성 장치{RISK-PROFILE GENERATION DEVICE}
본 발명은 금융 기관 등의 기업에 있어서의 리스크 관리에 관한 것으로, 더 구체적으로는, 어떤 종류의 손실 사상(event)들이 어떤 종류의 조합들로 발생하고, 각각의 손실 사상이 어느 정도의 규모인지의 확률 분포를 나타내는 리스크 프로파일을 생성하는 방법과 장치에 관한 것이다.
본 발명의 설명에 앞서, 금융 기관에 있어서의 리스크 관리에 관한 몇 개의 용어를 여기서 정의한다. 리스크는 주로 운영 리스크라고 가정하지만, 본 발명은 이 종류의 리스크에 한정되지 않고, 대출 서비스 등의 마진 거래(margin trading)에 관한 신용 리스크, 환 거래 및 금리 거래에 관한 시장 리스크 등에 대하여도 적용될 수 있다.
우선, 손실 사상(event)은 손실을 수반하는 사상이라고 하며, x = (a, b)로서 표현된다고 한다. 이 식에서, a는 사상의 내용을 나타낸다고 한다. 예를 들면, a = Tokai 지진이다. 이 식에서, b는 손실의 규모를 나타낸다고 한다. 예를 들면, b = 10억엔이다. 손실의 규모는 금액일 필요는 없고, 잃어버린 시간 또는 잃어버린 자원의 양 등에 의해 가중화될 수 있다. 단, 하기에서는 설명의 편의상, b는 손실 금액을 나타내는 것으로 한다.
특정 기간 T 동안에 일어나는 손실 사상의 열 x_1, x_2, ..., x_n을 X에 의해 나타낸다고 한다(기호 "_"은 뒤의 문자가 앞의 문자의 아래첨자로서의 인덱스인 것을 나타낸다(예를 들면, x_1은 x1을 나타낸다)). 여기서, x_i = (a_i, b_i)이다. 따라서, X = x_1, ..., x_n = (a_1, b_1), ..., (a_n, b_n)이다. 예를 들면, X = (Tokai 지진, 10억엔), (계좌 이체 사기, 20만엔), (계좌 이체 사기, 150만엔)이라는 손실 사상의 열 X는 기간 T 동안에 Tokai 지진에 의해 10억엔의 손실이 유발되고, 계좌 이체 사기에 의해 20만엔의 손실이 유발되고, 계좌 이체 사기에 의해 다시 150만엔의 손실이 유발되는 것을 나타낸다. 이 예에서와 같이, 동일한 손실 사상이 복수 회 일어날 수 있다.
리스크 프로파일 P는 X의 확률 분포 P(X)라고 하며, 손실 사상 열 X를 랜덤 변수로서 간주한다. 사상의 개수 n도 랜덤 변수라고 한다. 따라서, 확률 분포 P(X)의 값은 일정한 개수 n에 대한 손실 사상의 열 X뿐만 아니라, 여러 개수 n에 대한 손실 사상의 열 X에 대하여도 정의된다.
바꾸어 말하면, 리스크 프로파일 P는 기간 T 동안에, "어떤 손실액으로 어떤 종류의 손실 사상들이 어떤 종류의 조합으로 일어나는 확률"에 관한 정보이다. 기간 T는 관습상 보유 기간이라고 불리며, 본 명세서에서도 그렇게 기술하기로 한다.
금융 공학 및 신뢰성 공학 등에 있어서의 리스크 분석은 대부분의 경우에서 전술한 리스크 프로파일의 특징값들의 추정 및 계산에 귀착된다. 본 명세서에서는, 확률 분포 함수(특정 랜덤 변수의 평균 및 확률 퍼센타일 등의 확률 분포를 정함으로써 결정됨)를 그 확률 분포의 특징값이라고 부르기로 한다.
예를 들면, 보유 기간 동안의 평균 누적 손실은 리스크 프로파일 P(X) 하에서의 손실액 b_1 +, ..., + 손실액 b_n의 평균이다. 또한, 특정한 고정된 확률(신뢰 수준 P%; 예를 들면, P = 99.9)로 유발될 가능성 있는 장래의 손실액의 최대값으로서 정의되는 VaR(Value at Risk)은 리스크 프로파일 P(X) 하에서의 손실액 b_1 +, ..., + 손실액 b_n의 하측 퍼센타일 포인트(P% 포인트)이다.
리스크 프로파일 P(X) 하에서의 개수 n의 확률 분포를 빈도 분포라고 부르기로 하고, Pf(n)로서 표현하기로 한다. 즉, 빈도 분포 Pf(n)는 보유 기간 동안에 생기는 손실 사상의 횟수의 확률 분포이다.
또한, 리스크 프로파일 P(X) 하에서 생기는 손실액 b_1 +, ....,+ 손실액 b_n으로부터 무작위로 취출된 손실액 b_*의 확률 분포를 규모 분포라고 부르기로 하고, Ps(b)로서 표현하기로 한다. 즉, 규모 분포 Ps(b)는 보유 기간 동안에 생기는 손실 사상의 손실액(1개의 손실 사상, 누적액은 아님)의 확률 분포이다.
전술한 빈도 분포 Pf(n) 및 규모 분포 Ps(b)는 리스크 프로파일의 특징값의 예이다.
또한, 관습상, 보다 상세한 리스크 분석 및 논의를 용이하게 하기 위해, 사상 내용마다 빈도 분포 및 규모 분포를 취급할 경우가 많기 때문에, 본 명세서에서도 다음과 같이 정의한다. 우선, 리스크 프로파일 P(X) 하에서 사상 내용 a_i의 치역은 A = {A^1, ..., A^c}라고 한다(기호 "^"은 뒤의 문자가 앞의 문자의 위첨자로서의 인덱스인 것을 나타낸다(예를 들면, A^1은 A1을 나타낸다)). 즉, 리스크 프로파일 P(X) 하에서 가능한 손실 사상의 내용은 A^1 내지 A^c 중 어느 것으로 한정되는 것으로 한다. 이후, A를 사상 내용의 치역이라고 부르기로 한다.
또한, X = x_1, ..., x_n = (a_1, b_1), ..., (a_n, b_n)으로부터, a_i∈A^c, 즉, 사상 내용 A^c를 갖는 손실 사상을 취출해서 배열하고, 또한, "_"의 첨자를 1로부터의 숫자들로 대체하면, 하기와 같이 기술될 것이다.
X^c = x^c_1, ..., x^c_nc = (a^c_1, b^c_1), ..., (a^c_nc, b^c_nc)
여기에서, a^c_i∈A^c이다. 또한, X 하에서 사상 내용 A^c를 갖는 손실 사상의 발생 횟수를 nc라고 기술한다. X^c는 X의 함수이기 때문에, 그의 확률 분포 P^c(X^c)는 리스크 프로파일 P(X)에 의해 일의적으로 결정된다.
그리고, nc의 확률 분포, 즉, 사상 내용 A^c를 갖는 손실 사상의 보유 기간 동안의 발생 횟수의 확률 분포를 Pf^c(n)라고 기술하기로 하고, 사상 내용 A^c의 빈도 분포라고 부르기로 한다.
또한, b^c_i로부터 무작위로 취출된 b^c_*의 확률 분포를 Ps^c(b)라고 기술하기로 하고, 사상 내용 A^c의 규모 분포라고 부르기로 한다. Pf^c(0) = 1의, 즉, 발생 확률 0의 손실 사상의 규모 분포는 편의상 Ps^c(0) = 1이 된다고 하고, 즉, 손실액도 확정적으로 0엔이 된다고 한다.
사상 내용 A^c의 빈도 분포 Pf^c(n)와 규모 분포 Ps^c(b) 둘 다는 리스크 프로파일 P(X)에 의해 결정되기 때문에, 그들도 P(X)의 특징값의 예이다. 예를 들면, A^1 = Tokai 지진이라고 가정하면, Pf^1(n)은 보유 기간 동안의 "Tokai 지진의 발생 횟수"의 확률 분포이고, Ps^1(b)은 "Tokai 지진이 일어난 때의 손실액"의 확률 분포이다. 이들 Pf^1(n) 및 Ps^1(b)은 리스크 프로파일 P(X)가 주어진다면, 즉, 보유 기간 동안에 어떤 종류의 손실 사상이 어떤 종류의 조합으로 일어나고, 손실 사상 각각이 얼마의 손실액이 발생할 지의 확률 분포가 주어지면, 결정된다.
리스크 분석의 분야에서는 특정 조건을 충족시키는 많은 리스크 프로파일 P(X)를 작성하는 것이 필요하게 될 경우가 있다. 예를 들면, 리스크 계량 장치의 정밀도 검증에서, 특정 리스크 프로파일 하에서 랜덤 변수의 실제 값이 실제로 리스크 계량 장치의 입력이다. 그리고, 리스크 계량 장치에 의해 출력되는 값과 그 리스크 프로파일의 특징값이 비교된다. 이러한 작업을, 리스크 프로파일을 바꾸면서 실행함으로써, 어떤 종류의 리스크 프로파일 하에서 리스크 계량 장치의 정밀도가 어떻게 될 지의 검증이 행해진다(예를 들면, 비특허 문헌 1을 참조). 대안적으로, 리스크 계량 장치의 정밀도 검증 이외의 목적을 위해, 특정 조건을 충족시키는 많은 리스크 프로파일 P(X)를 작성할 필요가 있게 될 경우도 있다. 예를 들면, 어떤 종류의 리스크 프로파일이 어떤 종류의 특징값을 취하는지를 조사할 목적을 위해, 특정 조건을 충족시키는 많은 리스크 프로파일 P(X)를 생성하는 경우가 있다.
그러나, 비특허 문헌 1을 포함한 대부분의 문헌들은 특정 조건을 충족시키는 리스크 프로파일을 생성하는 구체적인 방법에 대해서 개시하지 않는다.
한편, 특허 문헌 1은 파생 금융 상품을 포함하는 자산의 리스크를 분석하기 위해, 자산이 보유 기간 동안에 고정 확률로 입는 최대 예상 손실을 통계적으로 표시하기 위한 지표가 되는 VaR의 모델을 제공하는 시스템을 개시한다. 이 시스템은 VaR 산출을 위해 필요한 파라미터와 데이터 처리 방법의 설정 조건을 입력하는 수단과, 입력된 설정 조건의 모든 조합 각각에 대해서, 관측 데이터로부터 변동성 데이터(volatility data) 및 상관 계수 데이터를 산출하고, 보유 자산 데이터로부터 자산의 감응도 데이터를 산출함으로써, 복수의 VaR 모델을 생성한다.
일본특개평 JP-A 제10-222488호 일본특허 제4241083호
Kobayashi, Shimizu, Nishiguchi and Morinaga "Operational Risk Management" Kinzai Institute for Financial Affairs, Inc, issued on April 24, 2009, pp. 127-134
특허 문헌 1에 따른 방법을 리스크 프로파일의 생성에 적용할 경우에, 리스크 프로파일 P(X)에 파라미터를 도입하고, 이용자에 의해 지정된 조건을 충족시키도록 파라미터의 값을 조절함으로써, 특정 조건을 충족시키는 리스크 프로파일 P(X)가 작성된다. 즉, 1개 이상의 파라미터에 의해 구성되는 파라미터 집합을 θ라고 기술한다고 가정하면, 파라미터 집합 θ에 의해 리스크 프로파일이 변화하도록 리스크 프로파일을 P(X;θ)라고 정의하고, 원하는 조건을 충족시키도록 파라미터 집합 θ의 값을 조절한다. 하기에서, 구체적인 예를 들어 설명한다.
예를 들면, λk, μk, 및 σk (k = 1 내지 10)의 30개의 파라미터의 집합을 θ라고 나타낸다고 가정하면, 리스크 프로파일 P(X;θ)는 하기와 같이 정의된다.
(1) 손실 사상을 나타내는 랜덤 변수 x_1, x_2, ... 는 서로 독립적이다.
(2) 사상 내용 k의 빈도 분포는 파라미터 λk를 평균으로 하는 포와송 분포에 따른다.
(3) 사상 내용 k의 규모 분포는 파라미터 μk를 대수 평균으로 하고 파라미터 σk를 대수 표준 편차로 하는 대수 정규 분포에 따른다.
(4) k = 1 내지 10이다.
이 리스크 프로파일 P(X;θ)에 관해서는, 파라미터 집합 θ의 원소인 λk, μk, 및 σk (k = 1 내지 10)의 값을 바꿈으로써 생성될 리스크 프로파일이 달라진다. 그 때문에, 파라미터 집합 θ의 값을 적절하게 선택함으로써, 특정 조건을 충족시키는 리스크 프로파일을 생성할 수 있다.
이제, 다음과 같은 조건이 주어진다고 가정한다.
(a) 사상 내용 k를 갖는 사상의 개수의 평균이 2이다.
(b) 규모 분포가 평균 파라미터 10의 지수 분포이다.
이 경우에, 상술된 조건 (a)를 충족시키기 위해서는 파라미터 λk가 2의 값만을 취할 수 있다는 것은 자명하다. 그러나, 조건 (b)를 거의 충족시키기 위해는 나머지 20개의 파라미터 μk 및 σk가 어떠한 값을 취해야 하는지는 자명하지 않다.
우리가, 파라미터 μk 및 σk의 후보 값을 임의의 방법에 의해 결정하고, 이 결정된 값에 의해 특정되는 리스크 프로파일과, 요구 조건 (b) 사이의 괴리도를 나타내는 함수를 목적 함수라고 가정하면, 파라미터 μk 및 σk의 최적의 값을 구하는 문제는 목적 함수를 최소화하는 해를 구하는 최적화 문제가 된다.
그러나, 후보 파라미터 값들의 조합의 수가 방대한 경우에, 소위 조합 폭발 때문에, 현실적인 리소스(메모리 또는 마이크로프로세서 등)에 의해 실용적인 시간 내에 최적의 파라미터 μk 및 σk를 구하는 것은 곤란하다.
또한, 전술한 바와 같은 최적화 문제를 푸는 것에 의해, 요구 조건을 거의 충족시키는 한 쌍의 파라미터 μk 및 σk의 값만을, 즉, 오직 1개의 리스크 프로파일을 구할 수 있다. 따라서, 요구 조건 (b)를 거의 충족시키는 다수의 리스크 프로파일을 생성하기 위해서는, 전술한 바와 같은 많은 최적화 문제를 풀어야 할 필요가 있다. 이 때문에, 현실적인 리소스에 의해 실용적인 시간 내에 요구 조건을 거의 충족시키는 많은 리스크 프로파일을 생성하는 것은 매우 곤란하다.
본 발명의 목적은 전술한 바와 같은 과제, 즉, 특정 조건을 충족시키는 많은 리스크 프로파일을 생성하는 것이 사실상 곤란하다는 과제를 해결하는 리스크 프로파일 생성 장치를 제공하는 것이다.
본 발명의 실시예에 따른 리스크 프로파일 생성 장치는,
1개 이상의 파라미터를 포함하는 제1 파라미터 집합에 의해 정의되는 리스크 프로파일의 모델 정보와, 1개 이상의 파라미터를 포함하는 제2 파라미터 집합에 의해 정의되는 상기 제1 파라미터 집합의 확률 분포의 모델 정보와, 요구 조건을 저장하는 메모리; 및
상기 메모리에 접속된 프로세서를 포함하고,
상기 프로세서는,
상기 확률 분포에 따라 생성된 상기 제1 파라미터 집합의 값을 상기 리스크 프로파일의 모델 정보에 적용함으로써 특정되는 리스크 프로파일이 상기 요구 조건을 보다 높은 확률로 충족시키도록 상기 제2 파라미터 집합의 값을 산출하고,
산출된 상기 제2 파라미터 집합의 값을 상기 확률 분포의 모델 정보에 적용함으로써 특정되는 확률 분포에 따라 상기 제1 파라미터 집합의 값을 생성하도록 구성된다.
또한, 본 발명의 다른 실시예에 따른 리스크 프로파일 생성 방법은, 1개 이상의 파라미터를 포함하는 제1 파라미터 집합에 의해 정의되는 리스크 프로파일의 모델 정보와, 1개 이상의 파라미터를 포함하는 제2 파라미터 집합에 의해 정의되는 상기 제1 파라미터 집합의 확률 분포의 모델 정보와, 요구 조건을 저장하는 메모리, 및 상기 메모리에 접속된 프로세서를 포함하는 리스크 프로파일 생성 장치에 의해 실행되는 리스크 프로파일 생성 방법으로서,
상기 리스크 프로파일 생성 방법은, 상기 프로세서에 의해,
상기 확률 분포에 따라 생성된 상기 제1 파라미터 집합의 값을 상기 리스크 프로파일의 모델 정보에 적용함으로써 특정되는 리스크 프로파일이 상기 요구 조건을 보다 높은 확률로 충족시키도록 상기 제2 파라미터 집합의 값을 산출하는 단계; 및
산출된 상기 제2 파라미터 집합의 값을 상기 확률 분포의 모델 정보에 적용함으로써 특정되는 확률 분포에 따라 상기 제1 파라미터 집합의 값을 생성하는 단계를 포함하는, 리스크 프로파일 생성 방법이다.
본 발명은 전술한 구성에 의해, 현실적인 리소스에 의해 실용적인 시간 내에 특정 조건을 거의 충족시키는 많은 리스크 프로파일을 생성하는 것을 가능하게 한다.
도 1은 본 발명의 제1 실시예의 블록도이다.
도 2는 본 발명의 제1 실시예에 있어서의 입력 정보의 예를 도시하는 도면이다.
도 3은 본 발명의 제1 실시예에 있어서의 중간 정보의 예를 도시하는 도면이다.
도 4는 본 발명의 제1 실시예에 있어서의 출력 정보의 예를 도시하는 도면이다.
도 5는 본 발명의 제1 실시예의 동작의 예를 나타내는 플로우차트이다.
도 6은 본 발명의 제1 실시예에 있어서의 제너레이터 분포 조정 유닛의 동작의 예를 도시하는 플로우차트이다.
도 7은 본 발명의 제1 실시예에 있어서의 입력 정보의 구체적인 예를 도시하는 도면이다.
도 8은 본 발명의 제1 실시예에 있어서의 입력 정보의 다른 구체적인 예를 도시하는 도면이다.
도 9는 본 발명의 제1 실시예에 있어서의 출력 정보의 구체적인 예를 도시하는 도면이다.
도 10은 본 발명의 제2 실시예의 블록도이다.
도 11은 본 발명의 제2 실시예에 있어서의 입력 정보의 예를 도시하는 도면이다.
도 12는 본 발명의 제2 실시예에 있어서의 중간 정보의 예를 도시하는 도면이다.
도 13은 본 발명의 제2 실시예에 있어서의 출력 정보의 예를 도시하는 도면이다.
도 14는 본 발명의 제2 실시예의 동작의 예를 나타내는 플로우차트이다.
도 15는 본 발명의 제2 실시예에 있어서의 입력 정보의 구체적인 예를 도시하는 도면이다.
도 16은 본 발명의 제3 실시예의 개략적인 구성도이다.
도 17은 본 발명의 제3 실시예의 블록도이다.
도 18은 본 발명의 제3 실시예에 있어서의 테스트 데이터의 예를 도시하는 도면이다.
도 19는 본 발명의 제3 실시예의 동작의 예를 나타내는 플로우차트이다.
도 20은 본 발명의 제3 실시예에 있어서의 테스트 데이터 생성 유닛의 동작의 예를 도시하는 플로우차트이다.
다음에, 본 발명의 실시예들에 대해서 도면을 참조하여 상세하게 설명한다.
[제1 실시예]
우선, 도 1을 참조하여, 본 발명의 제1 실시예에 따른 리스크 프로파일 생성 장치(1)에 대해서 상세하게 설명한다.
예시적인 본 실시예에 따른 리스크 프로파일 생성 장치(1)는 특정 조건을 거의 충족시키는 많은 리스크 프로파일을 생성하는 기능을 갖는다.
이 리스크 프로파일 생성 장치(1)는 주된 기능 유닛들로서 통신 인터페이스 유닛(이후, 통신 I/F 유닛이라고 칭함)(11), 조작 입력 유닛(12), 화면 표시 유닛(13), 저장 유닛(14), 및 프로세서(15)를 갖는다.
통신 I/F 유닛(11)은 전용의 데이터 통신 회로에 의해 형성되고, 통신 회선(도면에 도시 생략)을 통해 접속된, 도면에 도시되지 않은 각종 장치들과의 데이터 통신을 행하는 기능을 갖는다.
조작 입력 유닛(12)은 키보드 및 마우스 등의 조작 입력 장치에 의해 형성되고, 오퍼레이터에 의한 조작을 검출해서 프로세서(15)에 출력하는 기능을 갖는다.
화면 표시 유닛(13)은 LCD 및 PDP 등의 화면 표시 장치에 의해 형성되고, 프로세서(15)로부터의 지시에 따라 조작 메뉴 및 생성된 리스크 프로파일 등의 각종 정보를 화면에 표시하는 기능을 갖는다.
저장 유닛(14)은 하드 디스크 및 반도체 메모리 등의 저장 장치에 의해 형성되고, 프로세서(15)에 의한 각종 처리에 필요한 처리 정보 및 프로그램(14P)을 저장하는 기능을 갖는다. 프로그램(14P)은 프로세서(15)에 로드되어 실행됨으로써 각종 처리 유닛들을 실현하는 프로그램이며, 통신 I/F 유닛(11) 등의 데이터 입력/출력 기능을 통해 외부 장치(도시 생략), 또는 플렉시블 디스크, 광 디스크, 자기-광 디스크, 자기 디스크, 및 반도체 메모리 등의 컴퓨터 판독 가능 저장 매체(도시 생략)로부터 미리 로드되어 저장 유닛(14)에 저장된다. 저장 유닛(14)에 의해 저장되는 주요 처리 정보는 입력 정보(14A), 중간 정보(14B), 및 출력 정보(14C)이다.
입력 정보(14A)는 통신 I/F 유닛(11) 또는 조작 입력 유닛(12)으로부터 입력되는 정보이다. 도 2는 입력 정보(14A)의 구성예를 도시한다. 이 예의 입력 정보(14A)는, 1개 이상의 파라미터로 이루어지는 파라미터 집합 θ를 이용해서 정의되는 리스크 프로파일 P(X;θ)의 모델 정보(14A1)와, 1개 이상의 파라미터로 이루어지는 파라미터 집합 η를 이용해서 정의되는 파라미터 집합 θ의 확률 분포 P(θ;η)의 모델 정보(14A2)와, 요구 조건(14A3)으로 구성된다. 본 명세서에 있어서, 확률 분포 P(θ;η)는 제너레이터 분포라고도 칭해진다. 여기에서, 파라미터 집합 η의 원소의 개수는 파라미터 집합 θ의 원소의 개수보다 적다.
파라미터 집합 θ를 이용해서 리스크 프로파일 P(X;θ)의 모델 정보(14A1)를 정의하는 것은 임의의 방법에 의해 행해질 수 있다. 예를 들면, 리스크 프로파일(X) 하에서, 사상(event) 내용 A^c의 빈도 분포는 파라미터 θf^c의 포와송 분포이고, 사상 내용 A^c의 규모 분포는 평균 파라미터 θs_μ^c 및 표준 편차 파라미터 θs_σ^c의 정규 분포이고, 사상 내용의 치역은 {A^1, A^2}이고, 각 사상은 확률적으로 독립적이라고 정의할 수 있다. 이 경우에, 이 2개의 사상 내용에 관해서 θ = (θf^1, θs_μ^1, θs_σ^1, θf^2, θs_μ^2, θs_σ^2)의 6차원 파라미터에 의해 표현된다. 따라서, 예를 들면, 사상 내용의 종류의 개수가 200일 때, 상기의 θ의 각 성분의 위첨자들은 1로부터 200까지의 값을 취하고, θ = (θf^1, θs_μ^1, θs_σ^1, ..., θf^200, θs_μ^200, θs_σ^200)이라는 전부 600-차원의 파라미터에 의해 표현된다.
파라미터 집합 η를 이용해서 파라미터 집합 θ의 확률 분포 P(θ;η)의 모델 정보(14A2)를 정의하는 것은 임의의 방법에 의해 행해질 수 있다. 예를 들면, θ = (θf^1, θs_μ^1, θs_σ^1, ..., θf^C, θs_μ^C, θs_σ^C)의 경우에, 예를 들면, θf^1, ..., θf^C는 독립적으로 평균 파라미터 η_1 및 분산 파라미터 η_2의 정규 분포에 따르고, θs_μ^1, ..., θs_μ^C도 독립적으로 평균 파라미터 η_3 및 분산 파라미터 η_4의 정규 분포에 따르고, θs_σ^1, ..., θs_σ^C도 독립적으로 평균 파라미터 η_5 및 분산 파라미터 η_6의 정규 분포에 따른다고 정의될 수 있다. 이 경우에, θ의 확률 분포는 η = (η_1, ..., η_6)의 6차원 파라미터에 의해 일의적으로 결정된다.
요구 조건(14A3)은, 생성될 리스크 프로파일이 높은 확률로 충족시키기를 바라는 성질이다. 예를 들면, 빈도 분포 Pf(n) 및 규모 분포 Ps(b)가 평균 파라미터 = 1 등의 지수 분포에 가능한 한 가깝도록 리스크 프로파일 P(X)를 생성하는 경우에, 이것은 요구 조건(14A3)으로서 지정된다.
중간 정보(14B)는 프로세서(15)에 의한 연산 과정에서 생성되는 중간적인 정보이다. 도 3은 중간 정보(14B)의 구성예를 도시한다. 이 예의 중간 정보(14B)는 파라미터 집합 η의 값(14B1)으로 구성된다.
출력 정보(14C)는 프로세서(15)에 의한 연산에 의해 생성된 리스크 프로파일에 관한 정보이다. 도 4는 출력 정보(14C)의 구성예를 도시한다. 이 예의 출력 정보(14C)는 복수의 파라미터 집합 θ의 값(14C1 내지 14Cn)으로 구성된다.
프로세서(15)는 CPU 등의 마이크로프로세서와 그 주변 회로를 갖고, 저장 유닛(14)으로부터 프로그램(14P)을 로드해서 실행함으로써, 하드웨어와 프로그램(14P)을 협동시켜서 각종 처리 유닛들을 실현하는 기능을 갖는다. 프로세서(15)에 의해 실현되는 주요 처리 유닛들은 입력 저장 유닛(15A), 제너레이터 분포 조정 유닛(15B), 리스크 프로파일 샘플링 유닛(15C), 및 출력 정형(formatting) 유닛(15D)이다.
입력 저장 유닛(15A)은 통신 I/F 유닛(11) 또는 조작 입력 유닛(12)으로부터 입력된 정보를 입력 정보(14A)로서 저장 유닛(14)에 저장하는 기능을 갖는다.
제너레이터 분포 조정 유닛(15B)은 입력 정보(14A)를 로드하고, 확률 분포 P(θ;η)에 따라 생성되는 파라미터 집합 θ의 값을 모델 정보(14A1)에 적용함으로써 특정되는 리스크 프로파일이 요구 조건(14A3)을 보다 높은 확률로 충족시키도록 모델 정보(14A2) 중의 파라미터 집합 η의 값을 산출하는 기능을 갖는다. 또한, 제너레이터 분포 조정 유닛(15B)은 산출된 파라미터 집합 η의 값을 중간 정보(14B)로서 저장 유닛(14)에 저장하는 기능을 갖는다.
이제, 우리가 확률 분포 P(θ;η)에 따라 생성되는 파라미터 집합 θ의 값을 모델 정보(14A1)에 적용함으로써 특정되는 리스크 프로파일과, 요구 조건(14A3) 사이의 괴리도를 나타내는 함수를 목적 함수라고 가정하면, 최적의 파라미터 집합 η의 값을 구하는 문제는 상기 목적 함수를 최소화하는 해를 구하는 최적화 문제가 된다.
상기 괴리도로서는, 예를 들면, KL 다이버전스, 또는 밀도 함수의 특정 구간에 있어서의 평균 제곱 오차를 이용할 수 있다.
또한, 복수의 요구 조건이 주어진 때에는, 각 요구 조건마다 정의되는 목적 함수의 가중치 부여 합을 목적 함수라고 하는 해법 방법, 및 목적 함수에 우선도를 설정하는 방법 등, 복수의 목적 함수를 가능한 한 동시에 충족시키는 해법 방법을 이용할 수 있다.
최적화 문제를 푸는 기술은 꽤 광범위하게 제안되어 있기 때문에, 제너레이터 분포 조정 유닛(15B)은 이들 해법 기술들 중 임의의 것을 이용할 수 있다. 전술한 η에 관한 최적화 문제를 직접 푸는 것 대신에, 제너레이터 분포 조정 유닛(15B)은 문제를 등가의 또는 이중의 문제로 변환한 후에 풀 수 있다. 목적 함수의 값 및 미분 계수를 η로부터 직접 계산하는 것이 어렵다면, 제너레이터 분포 조정 유닛(15B)은 그 η 하에서 P(θ;η)에 따라 실제로 1개 이상의 θ를 생성할 수 있고, 요구 조건이 어느 정도 충족되는지를 계산하거나, 또는 충족 확률을 시뮬레이션이나 수치 적분 등을 통해 구할 수 있다. 그 방법들 중 임의의 방법에 의해, 특정 η에 대한 목적 함수의 값의 계산, 또는 그 근사 계산에 대한 대강의 정보를 취득할 수 있을 때, η에 관한 최적화 문제를 적어도 근사적으로 풀 수 있다. 물론, η에 관한 최적화 문제의 난이도는 요구 조건에도 의존하지만, 제너레이터 분포의 모델화의 방법, 즉, P(θ;η)의 함수 형태가 복잡하게 됨에 따라 그 난이도는 현저하게 상승하므로, 모델화 방법을 충분히 간단하게 하는 것이 바람직하다.
리스크 프로파일 샘플링 유닛(15C)은 입력 정보(14A)와 중간 정보(14B)를 로드하고, 중간 정보(14B)로 나타내지는 파라미터 집합 η의 값을 모델 정보(14A2)에 적용함으로써 특정되는 확률 분포 P(θ;η)에 따라 파라미터 집합 θ의 값을 반복적으로 생성하는 기능을 갖는다. 특정 확률 분포에 따라 값을 생성하는 것은 임의의 방법에 의해 행해질 수 있다. 이것은 랜덤 변수 θ의 분포 P(θ;η)에 기초하는 샘플링이기 때문에, 일반적으로, 샘플링할 때마다 요구 조건(14A3)을 높은 확률로 충족시키면서 상이한 θ를 구할 수 있다. 또한, 리스크 프로파일 샘플링 유닛(15C)은 생성된 파라미터 집합 θ의 값을 출력 정보(14C)로서 저장 유닛(14)에 저장하는 기능을 갖는다.
출력 정형 유닛(15D)은 출력 정보(14C)에 포함되는 파라미터 집합 θ의 값을 로드하고, 최종 결과로서 화면 표시 유닛(13)에 출력하거나, 또는 통신 I/F 유닛(11)을 통해 외부에 출력하는 기능을 갖는다. 출력 정형 유닛(15D)은 파라미터 집합 θ의 값 대신에, 또는 파라미터 집합 θ의 값 외에도, 다른 종류의 데이터를 화면 표시 유닛(13)에 출력하거나, 또는 통신 I/F 유닛(11)을 통해 외부에 출력하는 기능을 가질 수 있다. 후자의 기능에 대해서는 본 실시예의 변형예로서 후술한다.
다음에, 도 5를 참조하여, 본 실시예에 따른 리스크 프로파일 생성 장치(1)의 동작에 대해서 설명한다.
우선, 입력 저장 유닛(15A)은 리스크 프로파일 P(X;θ)의 모델식(14A1)과, 파라미터 집합 θ의 확률 분포 P(θ;η)의 모델식(14A2)과, 요구 조건(14A3)을 통신 I/F 유닛(11) 또는 조작 입력 유닛(12)으로부터 수신하고, 입력 정보(14A)로서 저장 유닛(14)에 저장한다(단계 S1).
다음에, 제너레이터 분포 조정 유닛(15B)은 리스크 프로파일 P(X;θ)의 모델식(14A1)과, 파라미터 집합 θ의 확률 분포 P(θ;η)의 모델식(14A2)과, 요구 조건(14A3)을 저장 유닛(14)으로부터 로드하고, 확률 분포 P(θ;η)에 따라 생성되는 파라미터 집합 θ의 값에 의해 정해지는 리스크 프로파일 P(X;θ)가 요구 조건(14A3)을 보다 높은 확률로 충족시키도록 파라미터 집합 η의 값(14B1)을 산출하고, 중간 정보(14B)로서 저장 유닛(14)에 저장한다(단계 S2). 이 단계 S2의 상세에 대해서는 후술한다.
다음에, 리스크 프로파일 샘플링 유닛(15C)은 산출된 파라미터 집합 η의 값(14B1)을 로드하고, 그 파라미터 집합 η의 값(14B1)에 의해 정해지는 확률 분포 P(θ;η)에 따라 파라미터 집합 θ의 값을 반복적으로 생성하고, 생성된 파라미터 집합 θ의 값(14C1 내지 14Cn)을 출력 정보(14C)로서 저장 유닛(14)에 저장한다(단계 S3).
마지막으로, 출력 정형 유닛(15D)은 생성된 파라미터 집합 θ의 값(14C1 내지 14Cn)을 저장 유닛(14)으로부터 로드하고, 최종 결과로서 화면 표시 유닛(13)에 출력하거나, 또는 통신 I/F 유닛(11)을 통해 외부에 출력한다(단계 S4).
도 6은 도 5의 단계 S2의 처리의 예를 도시하는 플로우차트이다. 이하, 도 6을 참조하여, 제너레이터 분포 조정 유닛(15B)에 의한 처리의 예에 대해서 설명한다.
우선, 제너레이터 분포 조정 유닛(15B)은 파라미터 집합 η의 초기값 η_0을, 예를 들면, 난수에 의해 결정하고, 또한, 변수 t를 1로 리셋한다(단계 S11).
다음에, 제너레이터 분포 조정 유닛(15B)은 최후의 조정 결과인 파라미터 집합 η_t-1(개시 시점에서는 초기값)로부터, 서로 상이한, 갱신 후의 η의 복수의 후보 η^1, ..., η^k를 생성한다(단계 S12). 복수의 후보 η^1, ..., η^k를 생성하는 가장 쉬운 방법은 갱신 전의 파라미터 집합 η_t-1의 각 원소를 미소량만큼 증가 또는 감소시키는 것이다. 예를 들면, 우리가 갱신 전의 파라미터 집합 η_t-1이 2차원의 (η1, η2)이고, 미소량을 0.001이라고 가정하면, 제너레이터 분포 조정 유닛(15B)은 하기에 나타낸 바와 같은 복수의 후보 η^1, ..., η^4를 생성한다.
후보 η^1 = (η1-0.001, η2-0.001)
후보 η^2 = (η1-0.001, η2 + 0.001)
후보 η^3 = (η1 + 0.001, η2-0.001)
후보 η^4 = (η1 + 0.001, η2 + 0.001)
상기의 예에서는 미소량이 고정값이지만, 미소량은 가변적인 값일 수 있다. 특히 이 경우와 같이, 요구 조건(14A3)을 가능한 한 충족시키도록 η을 갱신할 필요가 있는 경우에는, 전술한 후보 각각이 어느 정도 요구 조건(14A3)을 위반할 지에 따라 다시 미소량을 조정하고, 위반의 정도가 가능한 한 적도록 한다. 수치적 최적화 문제의 분야에서 다양한 기술이 연구되었기 때문에, 그 기술들 중 임의의 것을 사용할 수 있다.
다음에, 제너레이터 분포 조정 유닛(15B)은 각 파라미터 집합 η^k (k = 1, ..., K)에 대하여 확률 분포 P(θ;η^k)의 목적 함수를 계산한다(단계 S13). 특정 파라미터 집합 η^k에 대하여 확률 분포 P(θ;η^k)의 목적 함수를 계산하는 처리는, 예를 들면, 다음과 같이 실행된다.
우선, 제너레이터 분포 조정 유닛(15B)은 확률 분포 P(θ;η^k)에 따라 1개 이상의 리스크 프로파일 P(X;θ^l)(여기서, l은 L의 소문자이다(l = 1, ..., L; 이하 동일하게 적용됨))를 생성한다(단계 S21). 구체적으로는, 제너레이터 분포 조정 유닛(15B)은 확률 분포 P(θ;η^k)에 따라 파라미터 집합 θ의 값을 생성하고, 이 생성된 값을 리스크 프로파일 P(X;θ)의 모델 정보(14A1)에 적용하고, 1개의 리스크 프로파일을 생성한다. 제너레이터 분포 조정 유닛(15B)은 이러한 처리를, 생성하고 싶은 리스크 프로파일의 개수 L만큼 반복적으로 실행한다.
다음에, 제너레이터 분포 조정 유닛(15B)은 생성된 각 리스크 프로파일 P(X;θ^l) (여기서, l = 1, ..., L)에 대하여 요구 조건의 충족 정도를 계산한다(단계 S22). 특정 리스크 프로파일의 요구 조건의 충족 정도로서, 리스크 프로파일과 요구 조건 간의 괴리도(예를 들면, KL 다이버전스, 또는 밀도 함수의 특정 구간에 있어서의 평균 제곱 오차 등)를 이용할 수 있다.
다음에, 제너레이터 분포 조정 유닛(15B)은 각 리스크 프로파일 P(X;θ^l)(여기서, l = 1, ..., L)의 요구 조건의 충족 정도의 평균을 계산하고, 이 계산 결과를 목적 함수로서 설정한다(단계 S23).
계속해서, 제너레이터 분포 조정 유닛(15B)은 각 파라미터 집합 η^k(k = 1, ..., K)에 관해서 계산된 목적 함수들을 비교하고, 요구 조건의 충족 정도가 가장 좋은 파라미터 집합 η^k를 선택하고, 이 선택된 파라미터 집합 η^k를 파라미터 집합 η_t로서 저장한다(단계 S14).
다음에, 제너레이터 분포 조정 유닛(15B)은 파라미터 집합 η의 갱신을 반복할 필요가 있는지를 판정한다(단계 S15). η 갱신의 완결을 판정하는 방법으로서는, 예를 들면, 금회의 파라미터 집합 η_t와 전회의 파라미터 집합 η_t-1 간의 요구 조건에 대한 충족 정도를 비교하고, 충족 정도가 미리 설정된 기준 이하가 될 때, 즉, η가 갱신되어도 충족 정도가 증가될 수 없을 때, η의 갱신이 완결되었다고 판정하는 방법을 이용할 수 있다.
제너레이터 분포 조정 유닛(15B)은 파라미터 집합 η의 갱신을 더 반복할 필요가 있다고 판정할 때, 변수 t를 증분시키고(단계 S16), 단계 S12로 되돌아가서 전술한 처리와 마찬가지의 처리를 반복한다. 한편, 제너레이터 분포 조정 유닛(15B)은 파라미터 집합 η의 갱신을 반복할 필요가 없다고 판정할 때, 단계 S17로 진행한다.
단계 S17에서, 제너레이터 분포 조정 유닛(15B)은 최후의 조정 결과의 파라미터 집합 η_t를 최적의 η로서 중간 정보(14B)에 저장한다.
따라서, 본 실시예에서는, 파라미터 집합 θ의 확률 분포 P(θ;η)를 도입하고(η는 이 확률 분포의 파라미터이다), 파라미터 집합 θ가 요구 조건(14A3)을 충족시킬 확률이 높아지도록 파라미터 집합 η를 조정함으로써, 확률 분포 P(θ;η)에 따라 파라미터 집합 θ를 생성하기 때문에, 현실적인 리소스에 의해 실용적인 시간 내에 특정 조건을 충족시키는 많은 리스크 프로파일을 생성할 수 있다. 그 이유는 다음과 같다.
(1) 파라미터 집합 η를 구성하는 파라미터의 개수를 파라미터 집합 θ의 것보다 적게 함으로써, 파라미터 집합 η의 조정을 현실적인 리소스에 의해 실용적인 시간 내에 행할 수 있다.
(2) 제너레이터 분포 P(θ;η)에 따른 파라미터 집합 θ의 샘플링은 원래 현실적인 리소스에 의해 가능하다.
(3) 제너레이터 분포 P(θ;η)를 한번 조정하면, 그것에 따른 파라미터 집합 θ의 샘플링을 반복하는 것만으로, 지정된 요구 조건(14A3)을 높은 확률로 충족시키는 다양한 파라미터 집합 θ, 즉, 다양한 리스크 프로파일 P(X;θ)를 구할 수 있다.
다음에, 구체적인 예를 들어, 본 실시예의 동작을 상세하게 설명한다.
도 7을 참조하면, 입력 정보(14A)에 포함되는 리스크 프로파일 P(X;θ)의 모델 정보(14A1)는 다음의 4개의 정보에 의해 리스크 프로파일 P(X;θ)를 정의한다.
(1) 손실 사상을 나타내는 랜덤 변수 x_1, x_2, ... 는 서로 독립적이다.
(2) 사상 내용 k의 빈도 분포는 파라미터 λk를 평균으로 하는 포와송 분포(Poisson distribution)에 따른다.
(3) 사상 내용 k의 규모 분포는 파라미터 μk 및 σk를 대수 평균 및 대수 표준 편차로 하는 대수 정규 분포에 따른다.
(4) k = 1 내지 10이다.
이 경우에, θ는 λk, μk, 및 σk(k = 1 내지 10)의 합계 30개의 파라미터의 집합이 된다.
또한, 도 7을 참조하면, 입력 정보(14A)에 포함되는 확률 분포 P(θ;η)의 모델 정보(14A2)는 다음의 4개의 정보에 의해 확률 분포 P(θ;η)를 정의한다.
(1) 확률 분포 P(θ;η)는 k 마다 독립적이다.
(2) (λk, μk, σk)의 분포는 다차원 정규 분포이다.
(3) 상기 다차원 정규 분포의 평균 벡터는 (2, e1, e2)이다.
(4) 상기 다차원 정규 분포의 공분산 행렬은 ((0, 0, 0), (0, e3, e4), (0, e4, e5))이다.
이 경우에, η는 e1 내지 e5를 포함한 합계 5개의 파라미터의 집합이 된다.
다차원 정규 분포의 평균 벡터의 제1 성분을 2의 값으로 고정하고, 공분산 행렬의 제1 행과 제1 열을 0의 값으로 고정하는 이유는, 사상 내용 k를 갖는 사상의 개수의 평균을 2로 설정하는 것이 바람직하기 때문이다. 즉, 사상 내용 k를 갖는 사상의 개수의 평균이 2일 때, λk는 2의 값만을 취하고, 그것은 다차원 정규 분포의 파라미터에 있어서, 평균 벡터의 해당 원소(제1 성분)가 2의 값이 되고, 공분산 행렬의 해당 행과 해당 열이 0의 값이 되기 때문이다.
또한, 도 7을 참조하면, 입력 정보(14A)에 포함되는 요구 조건은 다음의 조건을 지정한다.
(1) 규모 분포는 평균 파라미터 10의 지수 분포이다.
도 7에 도시된 바와 같이 입력 정보(14A)가 입력 저장 유닛(15A)에 의해 저장 유닛(14)에 저장될 때, 제너레이터 분포 조정 유닛(15B)은 도 6에 도시된 프로시져에 의해 최적의 파라미터 집합 η를 결정한다. 즉, 제너레이터 분포 조정 유닛(15B)은, 예를 들면, 실제로 제너레이터 분포 P(θ;η)에 따라 발생된 리스크 프로파일들 P(X;θ)의 규모 분포와, 요구 조건에 의해 지정되는 규모 분포(평균 10의 지수 분포) 간의 괴리도(예를 들면, KL 다이버전스, 또는 밀도 함수의 특정 구간에 있어서의 평균 제곱 오차 등)의 평균을 목적 함수로서 이용하여, 그 목적 함수가 작아지도록 η를 조절한다. 이 예에서는, η에 따라서 θ를 발생시키는 것이, 주어진 분포 파라미터 하에서 정규 난수를 발생시키는 것으로 충분하기 때문에, 용이하다. 또한, 그렇게 해서 얻은 θ에 있어서의 P(X;θ)의 규모 분포는 10개의 대수 정규 컴포넌트의 혼합 분포가 되고, 혼합 분포와 평균 10의 지수 분포 간의 괴리도를 계산하는 것은 공지의 기술에 의해 용이하게 실현될 수 있다. 따라서, 임의의 η에 대하여, 목적 함수의 값을 용이하게 계산할 수 있기 때문에, 그 최적화 문제는 공지의 기술에 의해 풀 수 있다.
전술한 바와 같이 제너레이터 분포 조정 유닛(15B)에 의해 조정된 제너레이터 분포의 파라미터를 η*로서 표현한다고 가정하면, η*는 중간 정보(14B)로서 저장 유닛(14)에 저장된다.
다음에, 리스크 프로파일 샘플링 유닛(15C)은 제너레이터 분포 P(θ;η*)에 따라 필요한 개수의 리스크 프로파일의 파라미터 θ = ((λ1, μ1, σ1), ..., (λ10, μ10, σ10))를 생성하고, 출력 정보(14C)로서 저장 유닛(14)에 저장한다. 이렇게 하여 생성된 θ를 갖는 리스크 프로파일 P(X;θ)는 요구 조건을 가능한 한 많이 충족시킨다.
그 후에, 출력 정형 수단(15D)은 리스크 프로파일의 파라미터 θ를 외부에 출력한다.
전술한 설명에 있어서, 사상의 종류의 개수가 10이라는 것, 사상의 개수가 포와송 분포에 따르는 것, 손실액이 대수 정규 분포에 따르는 것은 설명을 알기 쉽게 하기 위해 도입된 예들이며, 본 발명을 한정하지 않는다. 리스크도 운영 리스크에 한정되지 않고, 본 발명은 다른 리스크에도 적용될 수 있다. 또한, 본 실시예는 다음과 같이 변형될 수 있다.
[제1 실시예의 변형예]
제너레이터 분포 조정 유닛(15B)은 입력 정보(14A) 중의 필수 조건을 해석하고, 그 필수 조건을 충족시키도록, 입력 정보(14A) 중의 리스크 프로파일 P(X;θ)의 모델 정보(14A1) 및 파라미터 집합 θ의 확률 분포 P(θ;η)의 모델 정보(14A2)로부터, 최적화 문제의 해법에 사용되는 리스크 프로파일 P(X;θ)의 모델 정보 및 파라미터 집합 θ의 확률 분포 P(θ;η)의 모델 정보를 생성하는 기능을 가질 수 있다.
예를 들면, 제너레이터 분포 조정 유닛(15B)은 도 8에 도시된 바와 같은 입력 정보(14A)로부터 도 7에 도시된 입력 정보(14A) 중의 모델 정보(14A1 및 14A2)를 생성하는 기능을 가질 수 있다.
도 8에 도시된 입력 정보(14A)는 다음과 같은 필수 조건(14A4)을 포함한다.
(1) 사상 내용의 치역은 {사상 내용 1, ..., 사상 내용 10}이다.
(2) 사상 내용 k를 갖는 사상의 개수의 평균은 2이다.
제너레이터 분포 조정 유닛(15B)은 필수 조건 (1)으로부터 사상 내용의 치역이 10인 것을 인식하고, 도 8의 리스크 프로파일 P(X;θ)의 모델 정보(14A1A)에 k = 1, ..., k = 10이라는 정보를 부가함으로써, 도 7에 도시된 모델 정보(14A1A)를 생성한다.
또한, 제너레이터 분포 조정 유닛(15B)은 필수 조건 (2)를 해석하고, 파라미터 집합 θ의 확률 분포 P(θ;η)의 모델 정보(14A2)에 있어서의 (λk, μk, σk)의 다차원 정규 분포의 평균 벡터의 제1 성분이 2의 값을 갖고, 공분산 행렬의 제1 행과 제1 열이 0의 값을 갖는 것을 결정하고, 도 8의 모델 정보(14A2A) 중의 파라미터 e6이 2이고, 파라미터 e7, e8, 및 e9가 0인 것을 결정함으로써, 도 7에 도시된 모델 정보(14A2)를 생성한다.
또한, 다른 변형예로서, 출력 정형 유닛(15D)은 출력 정보(14C)에 포함되는 파라미터 집합 θ의 값 대신에, 또는 파라미터 집합 θ의 값 외에도, 하기에 나타낸 정보를 화면 표시 유닛(13)에 출력하거나, 또는 통신 I/F 유닛(11)을 통해 출력하는 기능을 가질 수 있다.
예를 들면, 출력 정형 유닛(15D)은 출력 정보(14C)에 포함되는 파라미터 집합 θ의 값을 모델 정보(14A1)에 대입한 리스크 프로파일 P(X;θ)에 따라 샘플링한 X의 집합을 출력한다. 대안적으로, 출력 정형 유닛(15D)은 규모 분포 및 사상 내용 A^c의 빈도 분포의 특징값, 및 VaR 등의 리스크 프로파일 P(X;θ)의 특징값을 출력할 수 있거나, 또는 특별한 경우로서, 각 사상 내용의 빈도 분포 및 규모 분포의 특징값들을 그 사상 내용과 함께 출력할 수 있다. 또한, 출력 정형 유닛(15D)은 그들을 조합하여 출력할 수 있다. 이하, 더 구체적으로 설명한다.
예를 들면, 사상 내용 A^c의 빈도 분포가 포와송 분포이고, 사상 내용 A^c의 규모 분포가 평균 파라미터 θs_μ^c 및 표준 편차 파라미터 θs_σ^c의 정규 분포이고, 사상 내용의 치역이 {A^1, A^2} = {Tokai 지진, 계좌 이체 사기}이고, θ = (θf^1, θs_μ^1, θs_σ^1, θf^2, θs_μ^2, θs_σ^2)이고, 최종적으로 구해진 θ가 θ = (1, 3, 2억, 3000만, 100만, 50만)의 값이라고 가정한다. 즉, Tokai 지진의 빈도 분포가 평균 1의 포와송 분포이고, Tokai 지진의 규모 분포는 평균 2억 및 표준 편차 3000만의 정규 분포이고, 계좌 이체 사기의 빈도 분포는 평균 3의 포와송 분포이고, 계좌 이체 사기의 규모 분포는 평균 100만 및 표준 편차 50만의 정규 분포이도록, 리스크 프로파일 P(X;θ)가 생성된다.
이 경우에, 출력 정형 유닛(15D)은 생성된 θ의 값을 그대로 출력할 수 있거나, 또는 P(X;θ)의 VaR 등의 특징값을 출력할 수 있다. 또한, 출력 정형 유닛(15D)은 P(X;θ)로부터의 샘플링 결과와, 사상 내용의 빈도 분포의 특징값으로서 평균과, 규모 분포의 특징값으로서 평균 + 표준 편차×2(이것은 2 시그마의 안전 마진을 갖는 평균이 된다)와, 부가적으로 사상 내용을, 도 9에 도시된 바와 같은 형식으로 출력할 수 있다. 물론, 출력 정형 유닛(15D)은 특징값으로서 임의의 값을 출력할 수 있다. 예를 들면, 출력 정형 유닛(15D)은 사상 내용의 빈도 분포 및 규모 분포의 특징값이 아닌, P(X;θ)의 특징값들 중 원하는 것을 출력할 수 있다. P(X;θ)로부터 출력하고 싶은 특징값을 계산하기 위해, 출력 정형 유닛(15D)은 그것을 계산하는 기능을 갖도록 만들어진다. 복수의 θ가 존재할 때, 다른 θ에 관련되는 특징값들이 명확하게 구별될 수 있도록 그들을 분류한 후에 출력하는 것이 바람직하다. 또한, 출력 정형 유닛(15D)은 η의 값을 출력할 수 있다.
[제2 실시예]
다음에, 도 10을 참조하여, 본 발명의 제2 실시예에 따른 리스크 프로파일 생성 장치(2)에 대해서 상세하게 설명한다.
예시적인 본 실시예에 따른 리스크 프로파일 생성 장치(2)는 특정 조건을 거의 충족시키는 많은 리스크 프로파일을 생성하는 기능을 갖는다.
이 리스크 프로파일 생성 장치(2)는 주요 기능 유닛들로서 통신 I/F 유닛(21), 조작 입력 유닛(22), 화면 표시 유닛(23), 저장 유닛(24), 및 프로세서(25)를 갖는다.
통신 I/F 유닛(21), 조작 입력 유닛(22), 및 화면 표시 유닛(23)은 제1 실시예에 있어서의 도 1에 도시된 통신 I/F 유닛(11), 조작 입력 유닛(12), 및 화면 표시 유닛(13)과 동일한 기능을 갖는다.
저장 유닛(24)은 하드 디스크 및 반도체 메모리 등의 저장 장치에 의해 형성되고, 프로세서(25)에 의한 각종 처리에 필요한 처리 정보 및 프로그램(24P)을 저장하는 기능을 갖는다. 프로그램(24P)은 프로세서(25)에 로드되어 그에 의해 실행됨으로써 각종 처리 유닛을 실현하는 프로그램이며, 통신 I/F 유닛(21) 등의 데이터 입력/출력 기능을 통해 외부 장치(도시 생략) 또는 컴퓨터 판독 가능 저장 매체(도시 생략)로부터 미리 로드되어 저장 유닛(24)에 저장된다. 저장 유닛(24)에 저장되는 주요 처리 정보는 입력 정보(24A), 중간 정보(24B), 및 출력 정보(24C)이다.
입력 정보(24A)는 통신 I/F 유닛(21) 및 조작 입력 유닛(22)으로부터 입력되는 정보이다. 도 11은 입력 정보(24A)의 구성예이다. 이 예의 입력 정보(24A)는 리스크 프로파일 P(X;θ)의 모델 정보(24A1), 파라미터 집합 θ의 확률 분포 P(θ;η)(24A2), 복수의 요구 조건(24A31 내지 24A3m), 및 가중치 정보(24A4)로 구성된다.
리스크 프로파일 P(X;θ)의 모델 정보(24A1), 파라미터 집합 θ의 확률 분포 P(θ;η)(24A2), 및 요구 조건(24A31 내지 24A3m)은 제1 실시예에 있어서의 도 2에 도시된 모델 정보(14A1 및 14A2) 및 요구 조건(14A3)과 동일하다. 단, 본 실시예에서, 2개 이상의 요구 조건이 존재한다.
가중치 정보(24A4)는 각 요구 조건(24A31 내지 24A3m)마다의 가중 계수이다. 모든 가중 계수의 합은 1과 같다. 또한, 내분(internal division)에 의해 새로운 확률 분포 P(θ|η_N)를 생성할 때, 가중 계수는 0 이상 1 이하의 값을 갖는다. 또한, 외분(external division)에 의해 새로운 확률 분포 P(θ|η_N)를 생성할 때, 가중 계수는 0 이상 1 이하의 값 이외의 값을 갖는다.
중간 정보(24B)는 프로세서(25)에 의한 연산 프로세스에서 생성되는 중간적인 정보이다. 도 12는 중간 정보(24B)의 구성예이다. 이 예에서 중간 정보(24B)는 복수의 파라미터 집합 η의 값(24B11 내지 24B1m), 및 이 복수의 파라미터 집합 η의 값(24B11 내지 24B1m)과 가중치 정보(24A4)에 기초하여 생성된 확률 분포 P(θ|η_N)(24B2)로 구성된다.
출력 정보(24C)는 프로세서(25)에 의한 연산 처리에서 생성된 리스크 프로파일에 관한 정보이다. 도 13은 출력 정보(24C)의 구성예이다. 이 예에서 출력 정보(24C)는 복수의 파라미터 집합 θ의 값(24C1 내지 24Cn)으로 구성된다.
프로세서(25)는 CPU 등의 마이크로프로세서와 그 주변 회로를 갖고, 저장 유닛(24)으로부터 프로그램(24P)을 로드하여 실행함으로써, 하드웨어와 프로그램(24P)을 서로 협동시켜서 각종 처리 유닛들을 실현하는 기능을 갖는다. 프로세서(25)에 의해 실현되는 주요 처리 유닛들은 입력 저장 유닛(25A), 제너레이터 분포 조정 유닛(25B), 리스크 프로파일 샘플링 유닛(25C), 출력 정형 유닛(25D), 및 제너레이터 분포 결합 유닛(25E)이다.
입력 저장 유닛(25A)은 제1 실시예의 입력 저장 유닛(15A)과 마찬가지로, 통신 I/F 유닛(21) 또는 조작 입력 유닛(22)으로부터 입력된 정보를 입력 정보(24A)로서 저장 유닛(24)에 저장하는 기능을 갖는다.
제너레이터 분포 조정 유닛(25B)은 제1 실시예의 제너레이터 분포 조정 유닛(15B)과 마찬가지로, 입력 정보(24A)를 로드하고, 확률 분포 P(θ;η)에 따라 생성되는 파라미터 집합 θ의 값을 모델 정보(24A1)에 적용함으로써 특정되는 리스크 프로파일이, 요구 조건을 보다 높은 확률로 충족시키도록 모델 정보(24A2) 중의 파라미터 집합 η의 값을 산출하는 기능을 갖는다. 단, 제너레이터 분포 조정 유닛(25B)은 각 요구 조건(24A31 내지 24A3m)마다에 대해, 그 요구 조건을 보다 높은 확률로 충족시키도록 파라미터 집합 η의 값(24B11 내지 24B1m)을 산출하고, 중간 정보(24B)로서 저장 유닛(24)에 저장한다.
제너레이터 분포 결합 유닛(25E)은 입력 정보(24A) 및 중간 정보(24B)를 로드하고, 각 요구 조건에 대해 산출된 파라미터 집합 η의 값(24B11 내지 24B1m)과 가중치 정보(24A4)로부터 확률 분포 P(θ|η_N)를 생성하는 기능을 갖는다.
요구 조건(24A31 내지 24A3m) 각각의 가중치를 W_1 내지 W_m이라고 기술하고, 요구 조건(24A31 내지 24A3m)에 대해 산출된 파라미터 집합 η의 값(24B11 내지 24B1m)을 η_1 내지 η_m라고 기술하고, η_1 내지 η_m을 확률 분포의 모델 정보(24A2)에 적용한 확률 분포를 P(θ;η_1) 내지 P(θ;η_m)라고 기술한다고 할 때, 제너레이터 분포 결합 유닛(25E)은, 예를 들면, 다음과 같은 방법에 의해 확률 분포 P(θ|η_N)를 생성한다.
(1) 파라미터의 결합에 의한 생성
이 생성 방법에서는, 각 요구 조건마다에 대해 산출된 파라미터 집합 η의 값을 가중 계수를 이용해서 가중치 부여 가산하여 구한 값을 확률 분포의 모델 정보에 적용함으로써, 파라미터 집합 θ의 확률 분포를 생성한다.
*확률 분포 P(θ|η_N) = P(θ|η_1×W_1 +, ..., + η_m×W_m)
여기에서, 파라미터의 가중치 부여 가산은 같은 종류의 파라미터에 대해 실행된다. 예를 들면, 확률 분포 P(θ;η)의 모델 정보(24A2)에 의해 정의되는 파라미터 집합 η 중의 하나의 파라미터를 e1이라고 가정하고, e1에 대응하는 η_1 내지 η_m 중의 파라미터를 e11 내지 e1m이라고 가정하면, 확률 분포 P(θ|η_N)의 e1의 값은 e11×W_1 +, ..., + e1m×W_m으로서 계산된다.
(2) 분포의 혼합에 의한 생성
이 생성 방법에서는, 각 요구 조건마다에 대해 산출된 파라미터 집합 η의 값을 확률 분포의 모델 정보에 적용함으로써 생성된 각 요구 조건마다의 파라미터 집합 θ의 확률 분포들을, 가중 계수를 이용해서 혼합함으로써, 파라미터 집합 θ의 확률 분포를 생성한다.
확률 분포 P(θ|η_N) = P(θ|η_1)×W_1 +, ..., + P(θ|η_m)×W_m
(3) 분포의 지수 혼합에 의한 생성
이 생성 방법에서는, 각 요구 조건마다에 대해 산출된 파라미터 집합 η의 값을 확률 분포의 모델 정보에 적용함으로써 생성된 각 요구 조건마다의 파라미터 집합 θ의 확률 분포들을, 가중 계수를 이용해서 지수 혼합함으로써, 파라미터 집합 θ의 확률 분포를 생성한다.
확률 분포 P(θ|η_N)
= P(θ|η_1)^W_1×, ..., ×P(θ|η_m)^W_m×C(η_N)
C(η_N)는 모든 확률의 합이 1이 되도록 하는 규격화 상수이다.
리스크 프로파일 샘플링 유닛(25C)은 중간 정보(24B)를 로드하고, 중간 정보(24B) 중의 확률 분포 P(θ|η_N)에 따라 파라미터 집합 θ의 값을 반복적으로 생성하는 기능을 갖는다. 특정 확률 분포에 따라 값을 생성하는 것은 임의의 방법에 의해 행해질 수 있다. 랜덤 변수 θ의 분포 P(θ;η_N)에 기초하여 샘플링을 행하기 때문에, 일반적으로 리스크 프로파일 샘플링 유닛(25C)은 샘플링을 행할 때마다 다른 θ를 구할 수 있다. 또한, 리스크 프로파일 샘플링 유닛(25C)은 생성된 파라미터 집합 θ의 값(24C1 내지 24Cn)을 출력 정보(24C)로서 저장 유닛(24)에 저장하는 기능을 갖는다.
출력 정형 유닛(25D)은 출력 정보(24C)에 포함되는 파라미터 집합 θ의 값을 로드하고, 최종 결과로서 화면 표시 유닛(23)에 출력하거나, 또는 통신 I/F 유닛(21)을 통해 외부에 출력하는 기능을 갖는다. 출력 정형 유닛(25D)은 어떤 제너레이터 분포에 대한 결과인지, 그리고 가중 계수의 값 등을 부가 정보로서 출력할 수 있다. 또한, 제1 실시예의 변형예에서 설명한 바와 마찬가지로, 출력 정형 유닛(25D)은 파라미터 집합 θ의 값 대신에, 또는 파라미터 집합 θ의 값 외에도, 다른 종류의 데이터를 화면 표시 유닛(23)에 출력하거나, 또는 통신 I/F 유닛(21)을 통해 외부에 출력하는 기능을 가질 수 있다.
다음에, 도 14를 참조하여, 본 실시예에 따른 리스크 프로파일 생성 장치(2)의 동작에 대해서 설명한다.
우선, 입력 저장 유닛(25A)은 리스크 프로파일 P(X;θ)의 모델식(24A1)과, 파라미터 집합 θ의 확률 분포 P(θ;η)의 모델식(24A2)과, 복수의 요구 조건(24A31 내지 24A3m)과, 가중치 정보(24A4)를 통신 I/F 유닛(21) 또는 조작 입력 유닛(22)으로부터 입력받고, 입력 정보(24A)로서 저장 유닛(24)에 저장한다(단계 S31).
다음에, 제너레이터 분포 조정 유닛(25B)은 리스크 프로파일 P(X;θ)의 모델식(24A1)과, 파라미터 집합 θ의 확률 분포 P(θ;η)의 모델식(24A2)과, 복수의 요구 조건(24A31 내지 24A3m)을 저장 유닛(24)으로부터 로드하고, 각 요구 조건(24A31 내지 24A3m)마다에 대해, 확률 분포 P(θ;η)에 따라 생성되는 파라미터 집합 θ의 값에 의해 정해지는 리스크 프로파일 P(X;θ)가, 그 요구 조건을 보다 높은 확률로 충족시키도록 파라미터 집합 η의 값(24B11 내지 24B1m)을 산출하고, 중간 정보(24B)로서 저장 유닛(24)에 저장한다(단계 S32).
다음에, 제너레이터 분포 결합 유닛(25E)은 입력 정보(24A) 및 중간 정보(24B)를 로드하고, 각 요구 조건에 대해 산출된 파라미터 집합 η의 값(24B11 내지 24B1m)으로부터 새로운 확률 분포 P(θ|η_N)를 생성하고, 출력 정보(24C)로서 저장 유닛(24)에 저장한다(단계 S33).
다음에, 리스크 프로파일 샘플링 유닛(25C)은 생성된 확률 분포 P(θ|η_N)를 로드하고, 그 확률 분포 P(θ|η_N)에 따라 파라미터 집합 θ의 값을 반복적으로 생성하고, 생성된 파라미터 집합 θ의 값(24C1 내지 24Cn)을 출력 정보(24C)로서 저장 유닛(24)에 저장한다(단계 S34).
마지막으로, 출력 정형 유닛(25D)은 생성된 파라미터 집합 θ의 값(24C1 내지 24Cn)을 저장 유닛(24)으로부터 로드하고, 최종 결과로서 화면 표시 유닛(23)에 출력하거나, 또는 통신 I/F 유닛(21)을 통해 외부에 출력한다(단계 S35).
따라서, 본 실시예에서는, 파라미터 집합 θ의 확률 분포 P(θ;η)를 사용하여(η는 이 확률 분포의 파라미터이다), 각 요구 조건(24A31 내지 24A3m)마다에 대해, 파라미터 집합 θ가 그 요구 조건을 충족시키는 확률이 보다 높아지도록 파라미터 집합 η를 산출하고, 이 각 요구 조건마다에 대해 산출된 파라미터 집합 η와 각 요구 조건의 가중치로부터 새로운 확률 분포 P(θ;ηN)를 생성하고, 이 생성된 확률 분포 P(θ;ηN)에 따라 파라미터 집합 θ를 생성한다. 따라서, 현실적인 리소스에 의해 실용적인 시간 내에 특정 조건을 충족시키는 많은 리스크 프로파일을 생성할 수 있다. 그 이유는 하기에 나타낸다.
(1) 파라미터 집합 η를 구성하는 파라미터의 개수를 파라미터 집합 θ의 것보다 적게 하기 때문에, 각 요구 조건마다에 대해 파라미터 집합 η의 조정은 현실적인 리소스에 의해 실용적인 시간 내에 행할 수 있다.
(2) 각 요구 조건마다에 대해 산출된 파라미터 집합 η와 각 요구 조건의 가중치로부터 확률 분포 P(θ;ηN)의 생성과, 이 확률 분포 P(θ;ηN)에 따른 파라미터 집합 θ의 샘플링이 현실적인 리소스에 의해 행해질 수 있다.
(3) 확률 분포 P(θ;ηN)를 한번 생성하면, 확률 분포 P(θ;ηN)에 따른 파라미터 집합 θ의 샘플링을 반복하는 것만으로, 복수의 요구 조건(24A31 내지 24A3m)과 그 가중치 정보(24A4)와 확률 분포 P(θ;ηN)의 생성 방법의 조합에 의해 정해지는 특정 조건을 높은 확률로 충족시키는 다양한 파라미터 집합 θ, 즉, 다양한 리스크 프로파일 P(X;θ)를 얻을 수 있다.
다음에, 구체적인 예를 들어, 본 실시예의 동작을 보다 상세하게 설명한다.
입력 정보(24A)의 구체적인 예를 도 15에 도시한다. 도 15를 참조하면, 리스크 프로파일 P(X;θ)의 모델 정보(24A1) 및 확률 분포 P(θ;η)의 모델 정보(24A2)는 제1 실시예의 구체적인 예를 도시하는 도 7의 리스크 프로파일 P(X;θ)의 모델 정보(14A1) 및 확률 분포 P(θ;η)의 모델 정보(14A2)와 동일하다.
또한, 입력 정보(24A)에서는, 하기의 2개의 요구 조건(24A31 및 24A32)이 지정된다.
(1) 규모 분포는 평균 파라미터 2의 지수 분포이다.
(2) 규모 분포는 평균 파라미터 10의 지수 분포이다.
또한, 입력 정보(24A)의 가중치 정보(24A4)에서는 하기의 6개의 가중 계수의 집합이 지정된다.
(1) (W_1, W_2) = (0.0, 1.0)
(2) (W_1, W_2) = (0.2, 0.8)
(3) (W_1, W_2) = (0.4, 0.6)
(4) (W_1, W_2) = (0.6, 0.4)
(5) (W_1, W_2) = (0.8, 0.2)
(6) (W_1, W_2) = (1.0, 0.0)
도 15에 도시된 바와 같은 입력 정보(24A)가 입력 저장 유닛(25A)에 의해 저장 유닛(24)에 저장되면, 제너레이터 분포 조정 유닛(25B)은 우선, 확률 분포 P(θ;η)에 따라 생성되는 파라미터 집합 θ의 값에 의해 정해지는 리스크 프로파일 P(X;θ)이, 요구 조건(24A31)을 보다 높은 확률로 충족시키도록 파라미터 집합 η의 값 η_1을 산출하고, 저장 유닛(24)에 저장한다. 마찬가지로, 제너레이터 분포 조정 유닛(25B)은 확률 분포 P(θ;η)에 따라 생성되는 파라미터 집합 θ의 값에 의해 정해지는 리스크 프로파일 P(X;θ)가 요구 조건(24A32)을 보다 높은 확률로 충족시키도록 파라미터 집합 η의 값 η_2를 산출하고, 저장 유닛(24)에 저장한다.
다음에, 제너레이터 분포 결합 유닛(25E)은 요구 조건(24A31 및 24A32)에 대해 산출된 파라미터 집합 η의 값 η_1 및 η_2와, 가중치 정보(24A4) 중의 6개 집합의 가중 계수로부터 6개의 확률 분포 P(θ|η_N1) 내지 P(θ|η_N6)를 생성하고, 출력 정보(24C)로서 저장 유닛(24)에 저장한다.
예를 들면, 파라미터의 결합에 의한 생성 방법을 사용하는 경우에, 제너레이터 분포 결합 유닛(25E)은 하기의 6개의 확률 분포 P(θ|η_N1) 내지 P(θ|η_N6)를 생성한다.
확률 분포 P(θ|η_N1) = P(θ|η_1×0 + η_2×1) = P(θ|η_2)
확률 분포 P(θ|η_N2) = P(θ|η_1×0.2 + η_2×0.8)
확률 분포 P(θ|η_N3) = P(θ|η_1×0.4 + η_2×0.6)
확률 분포 P(θ|η_N4) = P(θ|η_1×0.6 + η_2×0.4)
확률 분포 P(θ|η_N5) = P(θ|η_1×0.8 + η_2×0.2)
확률 분포 P(θ|η_N6) = P(θ|η_1×1 + η_2×0) = P(θ|η_1)
또한, 예를 들면, 분포의 혼합에 의한 생성 방법을 사용하는 경우에, 제너레이터 분포 결합 유닛(25E)은 하기의 6개의 확률 분포 P(θ|η_N1) 내지 P(θ|η_N6)를 생성한다.
확률 분포 P(θ|η_N1) = P(θ|η_1)×0 + P(θ|η_2)×1 = P(θ|η_2)
확률 분포 P(θ|η_N2) = P(θ|η_1)×0.2 + P(θ|η_2)×0.8
확률 분포 P(θ|η_N3) = P(θ|η_1)×0.4 + P(θ|η_2)×0.6
확률 분포 P(θ|η_N4) = P(θ|η_1)×0.6 + P(θ|η_2)×0.4
확률 분포 P(θ|η_N5) = P(θ|η_1)×0.8 + P(θ|η_2)×0.2
확률 분포 P(θ|η_N6) = P(θ|η_1)×1 + P(θ|η_2)×0 = P(θ|η_1)
또한, 예를 들면, 분포의 지수 혼합에 의한 생성 방법을 사용하는 경우에, 제너레이터 분포 결합 유닛(25E)은 하기의 6개의 확률 분포 P(θ|η_N1) 내지 P(θ|η_N6)를 생성한다.
확률 분포 P(θ|η_N1) = P(θ|η_1)^0×P(θ|η_2)^1×C(η_N1)
= P(θ|η_2)×C(η_N1)
확률 분포 P(θ|η_N2) = P(θ|η_1)^0.2×P(θ|η_2)^0.8×C(η_N2)
확률 분포 P(θ|η_N3) = P(θ|η_1)^0.4×P(θ|η_2)^0.6×C(η_N3)
확률 분포 P(θ|η_N4) = P(θ|η_1)^0.6×P(θ|η_2)^0.4×C(η_N4)
확률 분포 P(θ|η_N5) = P(θ|η_1)^0.8×P(θ|η_2)^0.2×C(η_N5)
확률 분포 P(θ|η_N6) = P(θ|η_1)^1×P(θ|η_2)^0×C(η_N6)
= P(θ|η_1)×C(η_N6)
다음에, 리스크 프로파일 샘플링 유닛(25C)은 상기 6개의 확률 분포 P(θ|η_N1) 내지 P(θ|η_N6) 각각에 대해, 그 확률 분포에 따라, 필요한 개수의 리스크 프로파일의 파라미터 θ를, 즉, θ = ((λ1, μ1, σ1), ..., (λ10, μ10, σ10))를 생성하고, 출력 정보(24C)로서 저장 유닛(24)에 저장한다.
그 후에, 출력 정형 유닛(25D)은 리스크 프로파일의 파라미터 θ를 외부에 출력한다.
전술한 구체적인 예로부터 분명한 바와 같이, 본 실시예에 따르면, 복수의 요구 조건(24A31 내지 24A3m)에 대응하는 가중 계수의 비율들을 서로 조금씩 다르게 한 복수의 가중 계수를 이용함으로써, 충족시킬 조건이 서로 조금씩 다른 많은 리스크 프로파일을 효율적으로 생성할 수 있다.
실제의 리스크 분석에서는, 특정 조건을 충족시키는 리스크 프로파일의 생성 작업을 그 조건을 조금씩 바꾸면서 반복적으로 실행하기 때문에, 본 실시예에 따르면 그러한 작업의 효율을 향상시킬 수 있다.
[제3 실시예]
도 16을 참조하면, 본 발명의 제3 실시예에 따른 리스크 프로파일 생성 장치(3)는 통신 회선(4)을 통해 리스크 계량 장치(5)에 접속된다. 본 실시예에 따른 리스크 프로파일 생성 장치(3)는 특정 조건을 거의 충족시키는 리스크 프로파일을 생성하는 기능 외에도, 생성된 리스크 프로파일에 의해 리스크 계량 장치(5)의 추정 정밀도를 테스트하는 기능을 갖는다.
리스크 계량 장치(5)는 리스크 프로파일 P(X)에 관한 단편적인 정보를 입력하고, 이 입력 데이터로부터 리스크 프로파일 P(X)의 특징값(예를 들면, VaR)을 계량(추정)해서 출력하는 장치이다. 리스크 계량 장치(5)의 실제의 사용 환경에서, 리스크 계량 장치(5)에 입력되는 단편적인 정보는 미지의 리스크 프로파일 P(X)에 관한 것이다. 그러나, 미지의 리스크 프로파일 P(X)에 관한 단편적인 정보를 사용함에 의해, 리스크 계량 장치(5)의 계량 정밀도를 판정할 수 없다. 왜냐하면, 리스크 프로파일이 미지일 때에는, 그 정답 값도 미지로 되기 때문이다. 따라서, 리스크 계량 장치(5)의 테스트 환경에서, 리스크 계량 장치(5)에 입력되는 단편적인 정보로서, 기지의 리스크 프로파일 P(X), 즉, 리스크 프로파일 생성 장치(3)에 의해 생성된 리스크 프로파일에 관한 정보를 사용한다.
리스크 프로파일 생성 장치(3)는 제1 및 제2 실시예에 따른 리스크 프로파일 생성 장치(1 및 2)와 마찬가지의 리스크 프로파일 생성 기능을 갖는다. 또한, 리스크 프로파일 생성 장치(3)는 생성된 리스크 프로파일로부터 입력용 테스트 데이터와 리스크량 정답 값을 산출하는 기능과, 산출된 입력용 테스트 데이터를 통신 회선(4)을 통해 리스크 계량 장치(5)에 입력하는 기능과, 리스크 계량 장치(5)로부터 출력되는 리스크량과 리스크 프로파일로부터 산출된 리스크량 정답 값을 비교하는 기능을 갖는다.
통신 회선(4)은 통신 케이블, LAN, WAN, 또는 인터넷 등에 의해 형성된다.
하기에서, 리스크 프로파일 생성 장치(3)에 대해서 상세하게 설명한다.
도 17을 참조하면, 리스크 프로파일 생성 장치(3)는 주요 기능 유닛들로서 통신 I/F 유닛(31), 조작 입력 유닛(32), 화면 표시 유닛(33), 저장 유닛(34), 및 프로세서(35)를 갖는다.
통신 I/F 유닛(31), 조작 입력 유닛(32), 및 화면 표시 유닛(33)은 제1 실시예에 있어서의 도 1의 통신 I/F 유닛(11), 조작 입력 유닛(12), 및 화면 표시 유닛(13)과 동일한 기능을 갖는다.
저장 유닛(34)은 하드 디스크 및 반도체 메모리 등의 저장 장치에 의해 형성되고, 프로세서(35)에 의한 각종 처리에 필요한 처리 정보 및 프로그램(34P)을 저장하는 기능을 갖는다. 프로그램(34P)은 프로세서(35)에 로드되어 그에 의해 실행됨으로써 각종 처리 유닛들을 실현하는 프로그램이며, 통신 I/F 유닛(31) 등의 데이터 입력/출력 기능을 통해 외부 장치(도시 생략) 또는 컴퓨터 판독 가능 저장 매체(도시 생략)로부터 미리 로드되어 저장 유닛(34)에 저장된다. 저장 유닛(34)에 저장되는 주요 처리 정보는 리스크 프로파일 생성 관련 정보(34D), 테스트 데이터(34E), 및 테스트 결과(34F)이다.
리스크 프로파일 생성 관련 정보(34D)는 제1 실시예에 있어서의 도 1의 입력 정보(14A), 중간 정보(14B), 및 출력 정보(14C)와 동일하다. 대안적으로, 리스크 프로파일 생성 관련 정보(34D)는 제2 실시예에 있어서의 도 10의 입력 정보(24A), 중간 정보(24B), 및 출력 정보(24C)와 동일하다.
테스트 데이터(34E)는 리스크 계량 장치(5)의 정밀도 테스트에 이용되는 데이터이다. 도 18은 테스트 데이터(34E)의 구성예를 도시한다. 이 예의 테스트 데이터(34E)는 입력용 테스트 데이터(34E1)와 리스크량 정답 값(34E2)으로 구성된다.
입력용 테스트 데이터(34E1)는 1개 이상의 손실 사상의 열 X(34E11)와, 각 사상 내용마다의 빈도 분포의 평균(34E12)과, 각 사상 내용마다의 규모 분포의 평균(34E13)으로 구성된다. 입력용 테스트 데이터(34E1)를 구성하는 모든 데이터는 프로세서(35)에 의한 연산에서 생성된 리스크 프로파일 P(X;θ)에 기초하여 생성된다. 입력용 테스트 데이터(34E1)의 종류는 리스크 계량 장치(5)가 리스크 프로파일 P(X;θ)에 관한 어떤 종류의 입력 데이터를 필요로 하는지에 따라 변화한다. 따라서, 테스트 데이터(34E1)는 도 18에 도시된 종류의 데이터에 한정되지 않는다.
리스크량 정답 값(34E2)은 프로세서(35)에 의한 연산에서 생성된 리스크 프로파일 P(X;θ)의 참 리스크량(true risk amount)이다. 리스크량의 종류는 리스크 계량 장치(5)가 출력 데이터로서, 리스크 프로파일 P(X;θ)에 관한 어떤 리스크량을 출력하는지에 따라 변화한다. 예를 들면, 리스크 계량 장치(5)가 리스크 프로파일 P(X;θ)의 99.9% VaR을 리스크량으로서 출력하는 장치인 경우에, 그 리스크량 정답 값(34E2)이 생성된다.
테스트 결과(34F)는 리스크 계량 장치(5)에 의해 출력되는 리스크량과 리스크량 정답 값(34E2) 간의 비교 결과에 기초한 리스크 계량 장치(5)의 추정 정밀도의 테스트 결과이다.
프로세서(35)는 CPU 등의 마이크로프로세서와 그 주변 회로를 갖고, 저장 유닛(34)으로부터 프로그램(34P)을 로드하여 실행함으로써, 하드웨어와 프로그램(34P)을 서로 협동시켜서 각종 처리 유닛들을 실현하는 기능을 갖는다. 프로세서(35)에 의해 실현되는 주요 처리 유닛들은 리스크 프로파일 생성 유닛(35F), 테스트 데이터 생성 유닛(35G), 및 비교 유닛(35H)이다.
리스크 프로파일 생성 유닛(35F)은 제1 실시예에 있어서의 도 1에 도시된 입력 저장 유닛(15A), 제너레이터 분포 조정 유닛(15B), 및 리스크 프로파일 샘플링 유닛(15C)의 각 기능을 갖는다. 대안적으로, 리스크 프로파일 생성 유닛(35F)은 제2 실시예에 있어서의 도 10에 도시된 입력 저장 유닛(25A), 제너레이터 분포 조정 유닛(25B), 리스크 프로파일 샘플링 유닛(25C), 및 제너레이터 분포 결합 유닛(25E)의 각 기능들을 가질 수 있다.
테스트 데이터 생성 유닛(35G)은 리스크 프로파일 생성 관련 정보(34D)를 로드하고, 생성된 파라미터 집합 θ의 값을 리스크 프로파일의 모델 정보에 적용함으로써 특정되는 리스크 프로파일로부터 리스크 계량 장치(5)의 테스트 데이터(34E)를 산출하고, 저장 유닛(34)에 저장하는 기능을 갖는다. 또한, 테스트 데이터 생성 유닛(35G)은 저장 유닛(34)으로부터 테스트 데이터(34E) 중의 입력용 테스트 데이터(34E1)를 로드하고, 통신 I/F 유닛(31)에 의해 통신 회선(4)을 통해 리스크 계량 장치(5)에 송신하는 기능을 갖는다.
비교 유닛(35H)은 리스크 계량 장치(5)에 의해 추정된 리스크량을 통신 I/F 유닛(31)으로부터 수신하고, 저장 유닛(34)에 저장된 테스트 데이터(34E) 중의 리스크량 정답 값(34E2)과 비교하고, 그 비교 결과 등을 포함하는 테스트 결과(34F)를 저장 유닛(34D)에 저장하는 기능을 갖는다. 또한, 비교 유닛(35H)은 저장 유닛(34)으로부터 테스트 결과(34F)를 검색해내고, 화면 표시 유닛(33)에 출력하거나, 또는 통신 I/F 유닛(31)을 통해 외부에 출력하는 기능을 갖는다.
다음에, 도 19를 참조하여, 본 실시예에 따른 리스크 프로파일 생성 장치(3)의 동작에 대해서 설명한다.
우선, 리스크 프로파일 생성 유닛(35F)은 제1 실시예에 있어서의 도 5의 단계 S1 내지 S3, 또는 제2 실시예에 있어서의 도 14의 단계 S31 내지 S34와 마찬가지의 처리를 실행함으로써, 파라미터 집합 θ의 값, 즉, 리스크 프로파일 P(X;θ)를 생성한다(단계 S41).
다음에, 테스트 데이터 생성 유닛(35G)은 생성된 리스크 프로파일 P(X;θ)로부터 리스크 계량 장치(5)의 입력용 테스트 데이터(34E1)와 리스크량 정답 값(34E2)을 포함하는 테스트 데이터(34E)를 생성하고, 저장 유닛(34)에 저장한다(단계 S42). 이 테스트 데이터(34E)를 생성하는 처리에 대해 상세하게 후술한다.
다음에, 테스트 데이터 생성 유닛(35G)은 생성된 입력용 테스트 데이터(34E1)를, 통신 I/F 유닛(31)을 통해 통신 회선(4)을 거쳐 리스크 계량 장치(5)에 송신한다(단계 S43).
리스크 계량 장치(5)는 리스크 프로파일 생성 장치(3)로부터 통신 회선(4)을 통해 송신된 입력용 테스트 데이터(34E1)를 수신하고, 이 수신된 입력용 테스트 데이터(34E1)로부터, 예를 들면, 각 사상 내용마다의 빈도 분포와 규모 분포를 추정하고, 추정된 빈도 분포와 규모 분포에 의해 리스크량을 추정한다. 예를 들면, 99.9% VaR을 리스크량으로서 출력하면, 리스크 계량 장치(5)는 리스크량을 몬테카를로 시뮬레이션(Monte Carlo simulation)에 의해 추정한다. 이 추정 방법에서, 각 사상 내용마다에 대해, 리스크 계량 장치(5)는 사상 개수를 추정된 빈도 분포에 따르는 의사 난수(pseudorandom numbers)에 의해 생성하고, 생성된 개수만큼의 손실 금액을 의사 난수에 의해 생성하고, 그 합계액을 구함에 의해, 1개의 총 손실 분포를 계산함으로써 1개의 총 손실액을 계산한다. 리스크 계량 장치(5)는 이러한 계산을 몇천 내지 몇백만 회를 반복적으로 실행하여 얻어진 총 손실액을 내림차순으로 소트하고, 하측 99.9 퍼센타일 포인트를 리스크량으로서 산출한다. 이러한 리스크 계량 방법은 일반적으로 손실 분포 방식이라고 칭해진다. 손실 분포 방식을 사용하는 리스크 계량 장치는 특허 문헌 2 등의 각종 문헌에 기재되어 있다.
리스크 계량 장치(5)가 추정된 리스크량을 통신 회선(4)을 통해 리스크 프로파일 생성 장치(3)에 송신하면, 리스크 프로파일 생성 장치(3)의 비교 유닛(35H)은 이 리스크량을 통신 I/F 유닛(31)을 통해 수신한다(단계 S44).
다음에, 비교 유닛(35H)은 수신된 리스크량과, 테스트 데이터(34E) 중의 리스크량 정답 값(34E2)을 비교하고, 비교 결과를 테스트 결과(34F)로서 저장 유닛(34)에 저장한다(단계 S45). 비교 처리에서, 비교 유닛(35H)은, 예를 들면, 대소 관계의 비교 및 값의 괴리도의 계산을 행한다. 그 후에, 비교 유닛(35H)은 저장 유닛(34)으로부터 테스트 결과(34F)를 검색해내고, 화면 표시 유닛(33)에 표시하거나, 또는 통신 I/F 유닛(31)을 통해 외부에 출력한다(단계 S46).
다음에, 도 20을 참조하여, 테스트 데이터(34E)를 생성하는 처리를 상세하게 설명한다.
도 20을 참조하면, 테스트 데이터 생성 유닛(35G)은 우선, 리스크 프로파일 생성 유닛(35F)에 의해 생성된 파라미터 집합 θ의 값을 리스크 프로파일 생성 관련 정보(34D)로부터 판독한다(단계 S51).
다음에, 테스트 데이터 생성 유닛(35G)은 각 사상 내용마다에 대해 빈도 분포의 평균(34E12)과 규모 분포의 평균(34E13)을 산출하고, 입력용 테스트 데이터(34E1)의 일부로서 저장 유닛(34)에 저장한다(단계 S52). 파라미터 집합 θ의 값이 결정되었기 때문에, 각 사상 내용의 빈도 분포와 규모 분포는 결정된 파라미터 집합 θ의 값을 리스크 프로파일 P(X;θ)의 모델 정보에 적용하는 것에 의해 일의적으로 정해진다. 예를 들면, 도 7의 리스크 프로파일 P(X;θ)의 모델 정보(14A1)의 각 사상 내용의 빈도 분포는 파라미터 집합 θ 중의 λk를 평균으로 하는 포와송 분포로서 일의적으로 정해지고, 각 사상 내용의 규모 분포는 파라미터 집합 θ 중의 μk 및 σk를 대수 평균 및 대수 표준 편차로 하는 대수 정규 분포로서 일의적으로 정해진다. 따라서, 정해진 빈도 분포에 따르는 복수의 의사 난수를 생성해서 평균을 계산함으로써, 빈도 분포의 평균을 산출할 수 있다. 또한, 정해진 규모 분포에 따르는 복수의 의사 난수를 생성해서 평균을 계산하면, 규모 분포의 평균을 산출할 수 있다.
다음에, 테스트 데이터 생성 유닛(35G)은 1개 이상의 손실 사상의 열(34E11)을 생성하고, 입력용 테스트 데이터(34E1)의 일부로서 저장 유닛(34)에 저장한다(단계 S53). 전술한 바와 같이 파라미터 집합 θ의 값이 결정되기 때문에, 각 사상 내용의 빈도 분포와 규모 분포는 일의적으로 정해진다. 빈도 분포에 따르는 의사 난수에 의해 특정 사상 내용의 발생 횟수를 생성하고, 생성된 발생 횟수만큼 규모 분포에 따르는 의사 난수에 의해 그 사상 내용의 손실액을 생성함으로써, 사상 내용의 보유 기간 동안의 손실 사상의 열을 생성할 수 있다. 마찬가지의 처리를 모든 사상 내용에 대해 실행하고 그 모두를 결합함으로써, 보유 기간 동안의 손실 사상의 열들을 생성할 수 있다. 또한, 보유 기간 동안의 손실 사상의 열들의 생성 처리를 복수 회 반복적으로 실행함으로써, 보유 기간의 몇 배의 기간 동안의 손실 사상의 열들을 생성할 수 있다.
마지막으로, 테스트 데이터 생성 유닛(35G)은 리스크량 정답 값(34E2)을 생성하고, 저장 유닛(34)에 저장한다(단계 S54). 전술한 바와 같이 각 사상 내용마다의 빈도 분포와 규모 분포가 정해지기 때문에, 리스크량 정답 값을 용이하게 산출할 수 있다. 예를 들면, 99.9% VaR을 리스크량으로서 산출한다면, 테스트 데이터 생성 유닛(35G)은, 예를 들면, 다음의 프로시져에 의해 산출한다. 우선, 테스트 데이터 생성 유닛(35G)은 각 사상 내용마다에 대해 사상의 개수를 빈도 분포에 따르는 의사 난수에 의해 생성하고, 이 생성된 개수만큼의 손실액을 빈도 분포에 따른 의사 난수에 의해 생성하고, 그들의 합계액을 구함으로써 1개의 총 손실액을 계산한다. 다음에, 테스트 데이터 생성 유닛(35G)은 전술한 바와 같은 계산을 몇천 내지 몇백만 회 반복적으로 실행함으로써 구해진 총 손실액을 내림차순으로 소트하고, 하측 99.9 퍼센타일 포인트를 리스크량 정답 값으로서 산출한다.
따라서, 본 실시예의 리스크 프로파일 생성 장치(3)에 따르면, 특정 조건을 거의 충족시키는 리스크 프로파일을 생성할 수 있고, 이 생성된 리스크 프로파일을 이용해서 리스크 계량 장치(5)의 추정 정밀도를 테스트할 수 있다.
[제3 실시예의 변형예]
전술한 산출 방법은 일 예이며, 다른 방법에 의해, 사상 내용마다의 빈도 분포의 평균과 규모 분포의 평균, 1개 이상의 손실 사상의 열, 및 리스크량 정답 값을 산출할 수 있다.
예를 들면, 산출된 빈도 분포와 규모 분포의 평균들이 미리 설정된 임계값들 미만인 사상 내용은 추정 결과의 리스크량에 끼치는 영향이 경미하기 때문에, 산출된 평균들은 입력용 테스트 데이터(34E1)로부터 제외될 수 있다. 마찬가지의 이유로 인해, 생성된 손실 사상의 열로부터, 손실 금액이 미리 설정된 값 미만인 손실 사상을 제외할 수 있다.
또한, 규모 분포의 평균으로서, 2 시그마의 안전 마진을 갖는 평균으로서, "평균 + 표준 편차×2"를 사용할 수 있다.
또한, 리스크 계량 장치(5)의 실제의 운용 시에는, 수동으로 데이터가 리스크 계량 장치(5)에 입력되기 때문에, 예를 들면, 입력되는 손실 사상의 열의 개수가 규정된 개수보다 적거나, 또는 입력 데이터에 임의의 에러가 혼입되는 등, 입력 데이터의 품질이 변동할 우려가 있다. 그러므로, 리스크 계량 장치(5)가, 어떤 품질의 데이터가 입력되는 것에 대해 어느 만큼 정밀하게 리스크량을 추정할 수 있을지에 대해서 테스트하기 위한 목적으로, 생성된 입력용 테스트 데이터(34E1)를 조작 입력 유닛(32) 등을 통해 입력되는 테스트 조건 하에서 지정된 입력 데이터 품질을 충족시키도록 가공할 수 있다. 예를 들어, 손실 사상의 열의 개수는 7개이고, 각 사상 내용에 대해서 빈도 분포의 평균은 10%의 확률로 제로로서 오입력되고, 규모 분포의 평균 + 2×표준 편차는 5%의 확률로 20% 더 작은 값으로 입력된다고 지정한다면, 테스트 데이터 생성 유닛(35G)은 7개의 손실 사상의 열을 생성할 수 있고, 각 사상 내용의 빈도 분포 및 규모 분포의 평균을 지정된 조건을 충족시키도록 가공할 수 있고, 저장 유닛(34)에 저장할 수 있다.
또한, 제3 실시예에서는, 특정 조건(예를 들면, 규모 분포는 평균 파라미터 2의 지수 분포이다)을 거의 충족시키는 1개의 리스크 프로파일 P(X;θ)을 생성하고, 이 생성된 리스크 프로파일 P(X;θ)에 대응하는 1개의 테스트 데이터(34E)를 생성함으로써, 리스크 계량 장치(5)의 테스트를 행하였다. 그러나, 특정 조건을 거의 충족시키는 다양한 리스크 프로파일 P(X;θ)를 생성해서 테스트를 반복적으로 행할 수 있거나, 또는 특정 리스크 프로파일 P(X;θ) 하에서 다양한 테스트 데이터를 생성해서 테스트를 반복적으로 행할 수 있다. 이 경우에, 전술한 프로세스 전체를 반복할 필요가 없고, 필요한 범위의 프로세스만 반복하는 것으로 충분하다. 예를 들면, 동일한 리스크 프로파일 P(X;θ) 하에서 다양한 테스트 데이터를 사용해서 테스트를 반복적으로 행하는 경우에, 도 19 중의 단계 S42 내지 S46의 처리를 반복하는 것으로 충분하다. 또한, 동일한 특정 조건을 충족시키는 다양한 리스크 프로파일 P(X;θ)를 생성해서 테스트를 반복적으로 행하는 경우에, 한번 최적화된 파라미터 집합 η를 이용해서 확률 분포 P(θ;η)에 따르는 파라미터 θ를 샘플링하는 것으로부터 반복하는 것으로 충분하다. 이것은 또한, 리스크 프로파일 생성 유닛(35F)으로부터의 출력으로서, 처음부터 θ의 샘플링 결과를 복수개 출력함으로써 실현될 수 있다.
또한, 제3 실시예에서는 특정의 조건(예를 들면, 규모 분포는 평균 파라미터 2의 지수 분포이다) 하에서 테스트를 행하는 예를 설명했지만, 특정 조건을 조금씩 바꾸면서 다수회의 테스트를 행할 수 있다. 이 경우에는, 조금씩 조건들을 서로 다르게 하면서 많은 리스크 프로파일 P(X;θ)를 효율적으로 생성할 수 있는 제2 실시예에 따른 리스크 프로파일 생성 방법을 사용함으로써, 효율적으로 테스트를 행할 수 있다. 이하, 그 구체적인 예를 설명한다.
[테스트의 구체적인 예]
예를 들면, 하기와 같은 테스트를 행한다.
(1) 테스트될 리스크 계량 장치(5)에의 입력은 리스크 프로파일로부터의 손실 사상의 열의 집합과, 각 사상 내용마다의 빈도 분포의 평균과, 규모 분포의 평균 + 2×표준 편차이다.
(2) 동일한 리스크 프로파일 P(X;θ) 하에서 50 세트의 테스트 데이터를 생성하고 테스트를 반복적으로 행한다.
(3) "규모 분포는 평균 파라미터 10의 지수 분포이다"라는 조건을 거의 충족시키는 제너레이터 분포 P(θ;η_N1), "규모 분포는 평균 파라미터 2의 지수 분포이다"라는 조건을 거의 충족시키는 제너레이터 분포 P(θ;η_N6), 및 제너레이터 분포 P(θ;η_N1) 및 P(θ;η_N6)의 파라미터 η_2 및 η_1을 가중 계수와 결합해서 생성한 제너레이터 분포 P(θ;η_N2), P(θ;η_N3), P(θ;η_N4), 및 P(θ;η_N5)의 각각 하에서, 100 세트의 리스크 프로파일 P(X;θ)를 생성하고 그것에 대해 테스트를 반복적으로 행한다.
(4) 입력 데이터의 품질로서, 샘플의 개수는 7개이고, 각 사상 내용에 대한 빈도 분포의 평균이 10%의 확률로 제로로서 오입력되고, 규모 분포의 평균 + 2×표준 편차가 5%의 확률로 20% 더 작은 값으로서 입력된다.
우선, 리스크 프로파일 생성 유닛(35F)은 제2 실시예의 구체적인 예와 마찬가지의 방법에 의해, 파라미터 집합 η_2를 산출하고, 그것에 기초하여 100 세트의 리스크 프로파일 P(X;θ)를 생성한다.
다음에, 테스트 데이터 생성 유닛(35G)은 생성된 100 세트의 리스크 프로파일 P(X;θ) 중 하나의 리스크 프로파일 P(X;θ)에 주목한다.
다음에, 테스트 데이터 생성 유닛(35G)은 주목된 리스크 프로파일 P(X;θ)에 대해서 첫번째의 테스트 데이터(34E)를 생성한다. 입력 데이터의 품질로서 손실 사상의 열의 개수는 7이라고 정의되어 있기 때문에, 테스트 데이터 생성 유닛(35G)은 주목된 리스크 프로파일 P(X;θ)로부터 7개의 손실 사상의 열을 생성한다. 또한, 테스트 데이터 생성 유닛(35G)은 주목된 리스크 프로파일 P(X;θ)로부터 각 사상 내용의 빈도 분포의 평균, 및 규모 분포의 평균 + 2×표준 편차를 산출한다. 이때, 입력 데이터의 품질에 의해 지정된 오입력을 인위적으로 발생시킴으로써, 각 사상 내용의 빈도 분포의 평균은 10%의 확률로 제로가 되고, 규모 분포의 평균 + 2×표준 편차는 5%의 확률로 20% 더 작은 값이 된다. 오입력의 인위적인 발생은 의사 난수에 의해 용이하게 실현할 수 있다. 또한, 테스트 데이터 생성 유닛(35G)은 주목된 리스크 프로파일 P(X;θ)로부터 리스크량 정답 값을 산출한다. 그리고, 테스트 데이터 생성 유닛(35G)은 그들을 입력용 테스트 데이터(34E1)로서 저장 유닛(34)에 저장한다.
다음에, 테스트 데이터 생성 유닛(35G)은 주목중의 리스크 프로파일 P(X;θ)에 대해서 생성된 입력용 테스트 데이터(34E1) 중의 손실 사상의 열과, 사상 내용마다의 빈도 분포의 평균과, 규모 분포의 평균 + 2×표준 편차를, 통신 I/F 유닛(31)을 통해 통신 회선(4)을 거쳐 리스크 계량 장치(5)에 송신한다.
다음에, 비교 유닛(35H)은 리스크 계량 장치(5)로부터 송신되어 온 리스크량을 통신 I/F 유닛(31)으로부터 수신하면, 테스트 데이터(34E) 중의 리스크량 정답 값과 비교하고, 비교 결과를 테스트 결과(34F)의 일부로서 저장 유닛(34)에 저장한다.
다음에, 테스트 데이터 생성 유닛(35G)은 첫번째 처리와 마찬가지의 처리를 다시 실행한다. 이에 따라, 주목중의 리스크 프로파일 P(X;θ)에 대해서, 두번째의 테스트 데이터(34E)의 생성과 그 데이터를 이용한 리스크 계량 장치(5)의 테스트가 실행되어, 그 결과가 테스트 결과(34F)에 기록된다. 마찬가지의 처리를 50번째의 테스트 데이터(34E)의 생성과 그 데이터를 이용한 리스크 계량 장치(5)의 테스트가 완료될 때까지 반복한다.
주목중의 리스크 프로파일 P(X;θ)에 관해서 50 세트의 테스트 데이터를 사용한 테스트를 완료하면, 테스트 데이터 생성 유닛(35G)은 생성된 100 세트의 리스크 프로파일 P(X;θ) 중 아직 주목되지 않은 다른 하나의 리스크 프로파일 P(X;θ)에 그 다음으로 주목한다. 그리고, 새롭게 주목된 리스크 프로파일 P(X;θ)에 관해서, 테스트 데이터 생성 유닛(35G)은 전회 주목된 리스크 프로파일 P(X;θ)에 대해 실행한 것과 마찬가지의 처리를 다시 실행한다. 이에 따라, 두번째 리스크 프로파일 P(X;θ)에 대해서 50 세트의 테스트 데이터를 이용한 테스트가 실행된다. 그 후, 마찬가지의 처리를 나머지 모든 리스크 프로파일 P(X;θ)에 대해서 반복적으로 실행한다.
파라미터 집합 η_2에 기초하여 생성된 100 세트의 리스크 프로파일 P(X;θ)각각에 대해서 50 세트의 테스트 데이터를 이용한 처리를 완료하면, 리스크 프로파일 생성 유닛(35F)은 제2 실시예의 구체적인 예와 마찬가지의 방법에 의해 파라미터 집합 η_1을 산출하고, 파라미터 집합 η_1에 기초하여 100 세트의 리스크 프로파일 P(X;θ)를 생성한다. 그리고, 테스트 데이터 생성 유닛(35G)은 파라미터 집합 η_2에 기초하여 생성된 100 세트의 리스크 프로파일 P(X;θ)에 대한 처리와 마찬가지의 처리를, 파라미터 집합 η_1에 기초하여 생성된 100 세트의 리스크 프로파일 P(X;θ)에 대하여 반복적으로 실행한다.
제너레이터 분포 P(θ;η_N1) 및 P(θ;η_N6)의 파라미터 η_2 및 η_1을 가중 계수와 결합해서 생성된 제너레이터 분포 P(θ;η_N2), P(θ;η_N3), P(θ;η_N4), 및 P(θ;η_N5)의 각각 하에서 생성된 100 세트의 리스크 프로파일 P(X;θ)에 대하여, 파라미터 집합 η_2 또는 η_1에 기초하여 생성된 100 세트의 리스크 프로파일 P(X;θ)에 대해 실행한 처리와 마찬가지의 처리를 반복적으로 실행한다. 이에 따라, 전술한 조건 하에서의 리스크 계량 장치(5)의 테스트가 완료된다.
마지막으로, 비교 유닛(35H)은 테스트 결과(34F)에 기록된 테스트 결과를 화면 표시 유닛(33)에 표시하거나, 또는 통신 I/F 유닛(31)으로부터 출력한다. 이때, 비교 유닛(35H)은 동일 제너레이터 분포 P(θ;η) 하에서의 100 세트의 리스크 프로파일 P(X;θ)에 대한 50회씩의 비교 결과를 개별적으로 출력할 수 있고, 그 5000 세트의 비교 결과의 가시성을 향상시키기 위해, 과소 추정된 비율을 출력할 수 있거나, 또는 괴리도의 히스토그램을 표시할 수 있다. 여기에서, 과소 추정은, 리스크 계량 장치(5)에 의해 추정된 리스크량이 정답 값보다 작은 경우이다.
본 발명은 2011년 3월 29일자로 출원된 일본특허출원 제2011-072746호에 기초하고 그의 우선권의 이익을 주장하며, 그 전체 내용이 본 명세서에 참조되어 포괄된다.
본 발명은 금융 공학 및 신뢰성 공학의 리스크 분석의 분야에 활용될 수 있다. 구체적으로, 본 발명은 특정 조건을 거의 충족시키는 많은 리스크 프로파일을 생성하기 위해 특히 유익하다.
상술된 예시적인 실시예들의 전부 또는 일부는 다음의 부기와 같이 기술될 수 있지만, 그것에 한정되지 않는다.
[부기 1]
리스크 프로파일 생성 장치로서,
1개 이상의 파라미터를 포함하는 제1 파라미터 집합에 의해 정의되는 리스크 프로파일의 모델 정보와, 1개 이상의 파라미터를 포함하는 제2 파라미터 집합에 의해 정의되는 상기 제1 파라미터 집합의 확률 분포의 모델 정보와, 요구 조건을 저장하는 저장 수단,
상기 확률 분포에 따라 생성된 상기 제1 파라미터 집합의 값을 상기 리스크 프로파일의 모델 정보에 적용함으로써 특정되는 리스크 프로파일이 상기 요구 조건을 보다 높은 확률로 충족시키도록 상기 제2 파라미터 집합의 값을 산출하는 제너레이터 분포 조정 수단, 및
산출된 상기 제2 파라미터 집합의 값을 상기 확률 분포의 모델 정보에 적용함으로써 특정되는 확률 분포에 따라 상기 제1 파라미터 집합의 값을 생성하는 리스크 프로파일 샘플링 수단을 포함하는, 리스크 프로파일 생성 장치.
[부기 2]
부기 1에 있어서,
상기 제너레이터 분포 조정 수단은 상기 확률 분포에 따라 생성되는 상기 제1 파라미터 집합의 값을 상기 리스크 프로파일의 모델 정보에 적용함으로써 특정되는 리스크 프로파일이 상기 요구 조건을 최대 정도로 충족시키도록 상기 제2 파라미터 집합의 값을 구하는 최적화 문제를 풀도록 구성되어, 상기 요구 조건을 보다 높은 확률로 충족시키는 상기 제2 파라미터 집합의 값을 산출하는, 리스크 프로파일 생성 장치.
[부기 3]
부기 1 또는 부기 2에 있어서,
상기 리스크 프로파일의 모델 정보는 상기 제1 파라미터 집합에 의해 정의되는 각 사상 내용의 빈도 분포와 규모 분포의 모델 정보를 갖는, 리스크 프로파일 생성 장치.
[부기 4]
부기 1 내지 부기 3 중 어느 한 부기에 있어서,
생성된 상기 제1 파라미터 집합의 값을 상기 리스크 프로파일의 모델 정보에 적용함으로써 특정되는 리스크 프로파일로부터, 테스트될 리스크 계량 장치에의 입력으로서 사용될 입력용 테스트 데이터와 리스크량 정답 값을 산출하는 테스트 데이터 생성 수단, 및
산출된 상기 입력용 테스트 데이터를 상기 리스크 계량 장치에 송신하고, 상기 리스크 계량 장치로부터 계량된 리스크량을 수신하고, 수신된 상기 리스크량과 상기 리스크량 정답 값을 비교하는 비교 수단을 포함하는, 리스크 프로파일 생성 장치.
[부기 5]
부기 4에 있어서,
상기 입력용 테스트 데이터는 상기 리스크 프로파일에 따른 손실 사상의 열과, 각 사상 내용의 빈도 분포의 평균과, 각 사상 내용의 규모 분포의 평균을 포함하는, 리스크 프로파일 생성 장치.
[부기 6]
1개 이상의 파라미터를 포함하는 제1 파라미터 집합에 의해 정의되는 리스크 프로파일의 모델 정보와, 1개 이상의 파라미터를 포함하는 제2 파라미터 집합에 의해 정의되는 상기 제1 파라미터 집합의 확률 분포의 모델 정보와, 요구 조건을 저장하는 저장 수단, 제너레이터 분포 조정 수단, 및 리스크 프로파일 샘플링 수단을 포함하는 리스크 프로파일 생성 장치에 의해 실행되는 리스크 프로파일 생성 방법으로서,
상기 리스크 프로파일 생성 방법은,
상기 제너레이터 분포 조정 수단에 의해, 상기 확률 분포에 따라 생성된 상기 제1 파라미터 집합의 값을 상기 리스크 프로파일의 모델 정보에 적용함으로써 특정되는 리스크 프로파일이 상기 요구 조건을 보다 높은 확률로 충족시키도록 상기 제2 파라미터 집합의 값을 산출하는 단계, 및
상기 리스크 프로파일 샘플링 수단에 의해, 산출된 상기 제2 파라미터 집합의 값을 상기 확률 분포의 모델 정보에 적용함으로써 특정되는 확률 분포에 따라 상기 제1 파라미터 집합의 값을 생성하는 단계를 포함하는, 리스크 프로파일 생성 방법.
[부기 7]
부기 6에 있어서,
상기 제너레이터 분포 조정 수단에 의해, 상기 확률 분포에 따라 생성되는 상기 제1 파라미터 집합의 값을 상기 리스크 프로파일의 모델 정보에 적용함으로써 특정되는 리스크 프로파일이 상기 요구 조건을 최대 정도로 충족시키도록 상기 제2 파라미터 집합의 값을 구하는 최적화 문제를 풀고, 그에 의해 상기 요구 조건을 보다 높은 확률로 충족시키는 상기 제2 파라미터 집합의 값을 산출하는 단계를 포함하는, 리스크 프로파일 생성 방법.
[부기 8]
부기 6 또는 부기 7에 있어서,
상기 리스크 프로파일의 모델 정보는 상기 제1 파라미터 집합에 의해 정의되는 각 사상 내용의 빈도 분포와 규모 분포의 모델 정보를 갖는, 리스크 프로파일 생성 방법.
[부기 9]
부기 6 내지 부기 8 중 어느 한 부기에 있어서,
리스크 프로파일 생성 장치는 테스트 데이터 생성 수단 및 비교 수단을 더 포함하고,
상기 리스크 프로파일 생성 방법은,
상기 테스트 데이터 생성 수단에 의해, 생성된 상기 제1 파라미터 집합의 값을 상기 리스크 프로파일의 모델 정보에 적용함으로써 특정되는 리스크 프로파일로부터, 테스트될 리스크 계량 장치에의 입력으로서 사용될 입력용 테스트 데이터와, 리스크량 정답 값을 산출하는 단계, 및
상기 비교 수단에 의해, 산출된 상기 입력용 테스트 데이터를 상기 리스크 계량 장치에 송신하고, 상기 리스크 계량 장치로부터 계량된 리스크량을 수신하고, 수신된 상기 리스크량과 상기 리스크량 정답 값을 비교하는 단계를 포함하는, 리스크 프로파일 생성 방법.
[부기 10]
1개 이상의 파라미터를 포함하는 제1 파라미터 집합에 의해 정의되는 리스크 프로파일의 모델 정보와, 1개 이상의 파라미터를 포함하는 제2 파라미터 집합에 의해 정의되는 상기 제1 파라미터 집합의 확률 분포의 모델 정보와, 요구 조건을 저장하는 저장 수단을 갖는 컴퓨터로 하여금,
상기 확률 분포에 따라 생성된 상기 제1 파라미터 집합의 값을 상기 리스크 프로파일의 모델 정보에 적용함으로써 특정되는 리스크 프로파일이 상기 요구 조건을 보다 높은 확률로 충족시키도록 상기 제2 파라미터 집합의 값을 산출하는 제너레이터 분포 조정 수단, 및
산출된 상기 제2 파라미터 집합의 값을 상기 확률 분포의 모델 정보에 적용함으로써 특정되는 확률 분포에 따라 상기 제1 파라미터 집합의 값을 생성하는 리스크 프로파일 생성 수단으로서 기능하게 하기 위한 명령어들을 포함하는 컴퓨터 프로그램 또는 프로그램을 저장한 컴퓨터 판독 가능한 매체.
1, 2, 3: 리스크 프로파일 생성 장치
11, 21, 31: 통신 I/F 유닛
12, 22, 32: 조작 입력 유닛
13, 23, 33: 화면 표시 유닛
14, 24, 34: 저장 유닛
14A, 24A: 입력 정보
14A1, 24A1: 리스크 프로파일 P(X;θ)의 모델 정보
14A2, 24A2: 파라미터 집합 θ의 확률 분포 P(θ;η)의 모델 정보
14A3, 24A31 내지 24A3m: 요구 조건
14B, 24B: 중간 정보
14B1, 24B11 내지 24B1m: 파라미터 집합 η의 값
24B2: 확률 분포
14C, 24C: 출력 정보
14C1 내지 14Cn, 24C1 내지 24Cn: 파라미터 집합 θ의 값
34D: 리스크 프로파일 생성 관련 정보
34E: 테스트 데이터
34F: 테스트 결과
14P, 24P, 34P: 프로그램
15, 25, 35: 프로세서
15A, 25A: 입력 저장 유닛
15B, 25B: 제너레이터 분포 조정 유닛
15C, 25C: 리스크 프로파일 샘플링 유닛
15D, 25D: 출력 정형 유닛
25E: 제너레이터 분포 결합 유닛
35F: 리스크 프로파일 생성 유닛
35G: 테스트 데이터 생성 유닛
35H: 비교 유닛

Claims (10)

  1. 리스크 프로파일 생성 장치로서,
    1개 이상의 파라미터를 포함하는 제1 파라미터 집합에 의해 정의되는 리스크 프로파일의 모델 정보와, 1개 이상의 파라미터를 포함하는 제2 파라미터 집합에 의해 정의되는 상기 제1 파라미터 집합의 확률 분포의 모델 정보와, 요구 조건을 저장하는 메모리; 및
    상기 메모리에 접속된 프로세서를 포함하고,
    상기 프로세서는,
    상기 확률 분포에 따라 생성된 상기 제1 파라미터 집합의 값을 상기 리스크 프로파일의 모델 정보에 적용함으로써 특정되는 리스크 프로파일이 상기 요구 조건을 보다 높은 확률로 충족시키도록 상기 제2 파라미터 집합의 값을 산출하고,
    산출된 상기 제2 파라미터 집합의 값을 상기 확률 분포의 모델 정보에 적용함으로써 특정되는 확률 분포에 따라 상기 제1 파라미터 집합의 값을 생성하도록 구성되는, 리스크 프로파일 생성 장치.
  2. 제1항에 있어서,
    상기 제2 파라미터 집합의 값이 산출될 때, 상기 확률 분포에 따라 생성된 상기 제1 파라미터 집합의 값을 상기 리스크 프로파일의 모델 정보에 적용함으로써 특정되는 리스크 프로파일이 상기 요구 조건을 최대 정도로 충족시키도록 상기 제2 파라미터 집합의 값을 구하는 최적화 문제를 푸는, 리스크 프로파일 생성 장치.
  3. 제1항 또는 제2항에 있어서,
    상기 리스크 프로파일의 모델 정보는 상기 제1 파라미터 집합에 의해 정의되는 복수의 사상 내용의 빈도 분포와 규모 분포의 모델 정보를 갖는, 리스크 프로파일 생성 장치.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 프로세서는
    생성된 상기 제1 파라미터 집합의 값을 상기 리스크 프로파일의 모델 정보에 적용함으로써 특정되는 리스크 프로파일로부터, 상기 프로세서에 접속된 리스크 계량 장치에의 입력으로서 사용될 입력용 테스트 데이터와, 리스크량 정답 값을 산출하고,
    산출된 상기 입력용 테스트 데이터를 상기 리스크 계량 장치에 송신하고,
    상기 리스크 계량 장치로부터 계량된 리스크량을 수신하고,
    수신된 상기 리스크량과 상기 리스크량 정답 값을 비교하도록 더 구성되는, 리스크 프로파일 생성 장치.
  5. 제4항에 있어서,
    상기 입력용 테스트 데이터는 상기 리스크 프로파일에 따른 손실 사상의 열과, 각 사상 내용의 빈도 분포의 평균과, 각 사상 내용의 규모 분포의 평균을 포함하는, 리스크 프로파일 생성 장치.
  6. 1개 이상의 파라미터를 포함하는 제1 파라미터 집합에 의해 정의되는 리스크 프로파일의 모델 정보와, 1개 이상의 파라미터를 포함하는 제2 파라미터 집합에 의해 정의되는 상기 제1 파라미터 집합의 확률 분포의 모델 정보와, 요구 조건을 저장하는 메모리, 및 상기 메모리에 접속된 프로세서를 포함하는 리스크 프로파일 생성 장치에 의해 실행되는 리스크 프로파일 생성 방법으로서,
    상기 리스크 프로파일 생성 방법은, 상기 프로세서에 의해,
    상기 확률 분포에 따라 생성된 상기 제1 파라미터 집합의 값을 상기 리스크 프로파일의 모델 정보에 적용함으로써 특정되는 리스크 프로파일이 상기 요구 조건을 보다 높은 확률로 충족시키도록 상기 제2 파라미터 집합의 값을 산출하는 단계; 및
    산출된 상기 제2 파라미터 집합의 값을 상기 확률 분포의 모델 정보에 적용함으로써 특정되는 확률 분포에 따라 상기 제1 파라미터 집합의 값을 생성하는 단계를 포함하는, 리스크 프로파일 생성 방법.
  7. 제6항에 있어서,
    상기 제2 파라미터 집합의 값을 산출할 때, 상기 확률 분포에 따라 생성된 상기 제1 파라미터 집합의 값을 상기 리스크 프로파일의 모델 정보에 적용함으로써 특정되는 리스크 프로파일이 상기 요구 조건을 최대 정도로 충족시키도록 상기 제2 파라미터 집합의 값을 구하는 최적화 문제를 푸는 단계를 포함하는, 리스크 프로파일 생성 방법.
  8. 제6항 또는 제7항에 있어서,
    상기 리스크 프로파일의 모델 정보는 상기 제1 파라미터 집합에 의해 정의되는 복수의 사상 내용의 빈도 분포와 규모 분포의 모델 정보를 갖는, 리스크 프로파일 생성 방법.
  9. 제6항 내지 제8항 중 어느 한 항에 있어서,
    상기 프로세서에 의해,
    생성된 상기 제1 파라미터 집합의 값을 상기 리스크 프로파일의 모델 정보에 적용함으로써 특정되는 리스크 프로파일로부터, 상기 프로세서에 접속된 리스크 계량 장치에의 입력으로서 사용될 입력용 테스트 데이터와, 리스크량 정답 값을 산출하는 단계;
    산출된 상기 입력용 테스트 데이터를 상기 리스크 계량 장치에 송신하는 단계;
    상기 리스크 계량 장치로부터 계량된 리스크량을 수신하는 단계; 및
    수신된 상기 리스크량과 상기 리스크량 정답 값을 비교하는 단계를 더 포함하는, 리스크 프로파일 생성 방법.
  10. 1개 이상의 파라미터를 포함하는 제1 파라미터 집합에 의해 정의되는 리스크 프로파일의 모델 정보와, 1개 이상의 파라미터를 포함하는 제2 파라미터 집합에 의해 정의되는 상기 제1 파라미터 집합의 확률 분포의 모델 정보와, 요구 조건을 저장하는 메모리에 접속된 프로세서로 하여금,
    상기 확률 분포에 따라 생성된 상기 제1 파라미터 집합의 값을 상기 리스크 프로파일의 모델 정보에 적용함으로써 특정되는 리스크 프로파일이 상기 요구 조건을 보다 높은 확률로 충족시키도록 상기 제2 파라미터 집합의 값을 산출하는 동작, 및
    산출된 상기 제2 파라미터 집합의 값을 상기 확률 분포의 모델 정보에 적용함으로써 특정되는 확률 분포에 따라 상기 제1 파라미터 집합의 값을 생성하는 동작을 포함하는 동작들을 실행하게 하기 위한 명령어들을 포함하는, 컴퓨터 프로그램.
KR1020137017324A 2011-03-29 2012-01-19 리스크-프로파일 생성 장치 KR101478935B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2011072746 2011-03-29
JPJP-P-2011-072746 2011-03-29
PCT/JP2012/000302 WO2012132169A1 (ja) 2011-03-29 2012-01-19 リスクプロファイル生成装置

Publications (2)

Publication Number Publication Date
KR20130086083A true KR20130086083A (ko) 2013-07-30
KR101478935B1 KR101478935B1 (ko) 2014-12-31

Family

ID=46929966

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020137017324A KR101478935B1 (ko) 2011-03-29 2012-01-19 리스크-프로파일 생성 장치

Country Status (8)

Country Link
US (1) US20130332225A1 (ko)
EP (1) EP2693388A4 (ko)
JP (1) JP5348351B2 (ko)
KR (1) KR101478935B1 (ko)
MX (1) MX2013009237A (ko)
MY (1) MY158410A (ko)
WO (1) WO2012132169A1 (ko)
ZA (1) ZA201305527B (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109712008A (zh) * 2018-12-20 2019-05-03 泰康保险集团股份有限公司 保单处理方法、装置、介质及电子设备

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10972366B2 (en) * 2017-12-14 2021-04-06 International Business Machines Corporation Orchestration engine blueprint aspects for hybrid cloud composition
US11025511B2 (en) 2017-12-14 2021-06-01 International Business Machines Corporation Orchestration engine blueprint aspects for hybrid cloud composition

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10222488A (ja) 1997-02-04 1998-08-21 Hitachi Ltd 金融資産のリスク管理手法のモデル提供システム
US20040215551A1 (en) * 2001-11-28 2004-10-28 Eder Jeff S. Value and risk management system for multi-enterprise organization
JP2003036346A (ja) * 2001-07-23 2003-02-07 Mitsubishi Trust & Banking Corp オペレーショナル・リスク評価方法及びそのシステム
JP2005512180A (ja) * 2001-11-29 2005-04-28 スイス　リインシュアランス　カンパニー 損失仮説を立てるためのシステム及び方法
AU2003303250A1 (en) * 2002-12-20 2004-07-14 Accenture Global Services Gmbh Quantification of operational risks
JP4241083B2 (ja) * 2003-02-21 2009-03-18 富士通株式会社 オペレーショナルリスク計量プログラム、オペレーショナルリスク計量方法およびオペレーショナルリスク計量装置
US20040260703A1 (en) * 2003-06-20 2004-12-23 Elkins Debra A. Quantitative property loss risk model and decision analysis framework
US20050187851A1 (en) * 2003-10-08 2005-08-25 Finsage Inc. Financial portfolio management and analysis system and method
GB0424656D0 (en) * 2004-11-08 2004-12-08 Crescent Technology Ltd bScale:an adaptive multi-strategy trading framework
US7698213B2 (en) * 2005-08-19 2010-04-13 The Hartford Steam Boiler Inspection And Insurance Co. Method of risk modeling by estimating frequencies of loss and loss distributions for individual risks in a portfolio
US7958067B2 (en) * 2006-07-12 2011-06-07 Kofax, Inc. Data classification methods using machine learning techniques
US7822670B2 (en) * 2007-06-29 2010-10-26 Risked Revenue Energy Associates Performance risk management system
US8548884B2 (en) * 2007-10-24 2013-10-01 Barclays Capital Inc. Systems and methods for portfolio analysis
US8521631B2 (en) * 2008-05-29 2013-08-27 Sas Institute Inc. Computer-implemented systems and methods for loan evaluation using a credit assessment framework
US10115111B2 (en) * 2008-06-12 2018-10-30 Guardian Analytics, Inc. Modeling users for fraud detection and analysis
US20100010895A1 (en) * 2008-07-08 2010-01-14 Yahoo! Inc. Prediction of a degree of relevance between query rewrites and a search query
US8862491B2 (en) * 2009-01-15 2014-10-14 International Business Machines Corporation System and method for creating and expressing risk-extended business process models
AU2010284044A1 (en) * 2009-08-20 2012-03-15 Stamford Risk Analytics Llc Risk assessment/measurement system and risk-based decision analysis tool
US20120221486A1 (en) * 2009-12-01 2012-08-30 Leidner Jochen L Methods and systems for risk mining and for generating entity risk profiles and for predicting behavior of security
US8756233B2 (en) * 2010-04-16 2014-06-17 Video Semantics Semantic segmentation and tagging engine
US8457998B2 (en) * 2010-07-07 2013-06-04 Infosys Limited Computer implemented method for analyzing service based systems using similarity estimates, inference and business models
US10453070B2 (en) * 2011-06-15 2019-10-22 Blue Kai, Inc. Non-invasive sampling and fingerprinting of online users and their behavior
US20140081832A1 (en) * 2012-09-18 2014-03-20 Douglas Merrill System and method for building and validating a credit scoring function

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109712008A (zh) * 2018-12-20 2019-05-03 泰康保险集团股份有限公司 保单处理方法、装置、介质及电子设备

Also Published As

Publication number Publication date
US20130332225A1 (en) 2013-12-12
ZA201305527B (en) 2014-10-29
MY158410A (en) 2016-10-14
MX2013009237A (es) 2013-08-29
EP2693388A4 (en) 2014-08-20
JPWO2012132169A1 (ja) 2014-07-24
WO2012132169A1 (ja) 2012-10-04
JP5348351B2 (ja) 2013-11-20
KR101478935B1 (ko) 2014-12-31
EP2693388A1 (en) 2014-02-05

Similar Documents

Publication Publication Date Title
US9058449B2 (en) Simulating machine and method for determining sensitivity of a system output to changes in underlying system parameters
US20080178145A1 (en) Method and System for Generating a Predictive Analysis of the Performance of Peer Reviews
EP4075281A1 (en) Ann-based program test method and test system, and application
Caporin et al. Chasing volatility: A persistent multiplicative error model with jumps
CN114819777A (zh) 一种基于数字孪生技术的企业销售业务分析管理系统
KR101478935B1 (ko) 리스크-프로파일 생성 장치
JP6192432B2 (ja) リスク計量システム
KR101478934B1 (ko) 리스크-프로파일 생성 장치
Opdyke et al. Operational risk capital estimation and planning: exact sensitivity analysis and business decision making using the influence function
CN111881008A (zh) 一种数据评测、模型训练方法、装置、设备及存储介质
JP5804492B2 (ja) リスク管理装置
Li et al. Modeling loss given default
Li et al. Modeling loss given default regressions
CN112465310A (zh) 计算机执行的数据处理方法、系统、装置和存储介质
Daradkeh et al. Interactive visualization techniques for exploring model sensitivity
CN116610468A (zh) 一种评估方法、系统、服务器及存储介质
T Kahwachi et al. Forecasting Electricity Generation in Kurdistan Region Using BOX-Jenkins Model
CN116483697A (zh) 一种用于测评人工智能模型的方法及系统
CN117609039A (zh) 策略评估方法、装置、终端设备以及存储介质
CN116629694A (zh) 基于电网工程的esg指标体系算法模型确定方法和装置
Siahaan Monte Carlo Simulation in Prediction of Periodical Sales
CN114238102A (zh) 一种基于复合变量特性的分阶段工作量预测方法及系统
CN115545214A (zh) 用户筛选方法、装置、计算机设备、存储介质和程序产品
CN114510586A (zh) 视频类型的评价方法、装置、计算机设备和存储介质
KR20210043130A (ko) 패널 데이터를 이용한 연구성과 상관관계 산출 장치 및 그 방법

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20181129

Year of fee payment: 5