TWI692735B

TWI692735B - 企業財務曝險管理系統

Info

Publication number: TWI692735B
Application number: TW108106790A
Authority: TW
Inventors: 黃永昇; 鍾添倉; 賴惟正; 林彥君; 簡子翔; 王玲莉
Original assignee: 台北富邦商業銀行股份有限公司
Priority date: 2018-10-12
Filing date: 2019-02-27
Publication date: 2020-05-01
Also published as: TW202014964A; CN111047128A; TWM581246U

Abstract

一種企業財務曝險管理系統包含至少一資料庫、一輸入模組、一資訊擷取模組、一機器學習模組、一分析模組以及一輸出模組。輸入模組用以輸入一企業活動資訊。資訊擷取模組擷取多個金融市場資訊以及至少一事件資訊。機器學習模組以過去之金融市場資訊以及事件資訊進行機器學習並建立一預測模型。分析模組依據企業活動資訊計算出一估計現金流，依據預測模型預測金融市場資訊之一未來走勢，以及依據估計現金流以及未來走勢計算出一避險標的之一損益分析結果並以輸出模組輸出。上述之企業財務曝險管理系統能夠協助使用者作出較佳之避險操作。

Description

企業財務曝險管理系統

本發明是有關一種曝險管理系統，特別是一種企業財務曝險管理系統。

匯率變動對於企業經營的影響包含經濟風險(economic risk)、交易風險(transaction risk)與換算風險(translation risk)。經濟風險起因於匯率的升貶導致企業競爭地位的改變，進而改變未來的現金流量。交易風險是由於外幣交易完成與付款兩時點結算匯率的不同，使實際收到的現金流量與預期產生落差。換算風險則是企業海外營運單位的資產負債取得與結算時點匯率的不一致，導致公司外幣財務報表的評價上有所變動。因此，對於企業而言，匯率波動為跨國企業必須面對的問題之一。

然而，匯率波動除了經濟問題外，還有複雜的政治問題，導致金融市場瞬息萬變，因此即使經驗豐富之金融相關從業人員亦難以準確預測匯率的走勢，以作出適當之避險操作。有鑑於此，如何較為準確地預測金融市場之未來走勢以作為避險操作之依據便是目前極需努力的目標。

本發明提供一種企業財務曝險管理系統，其是以一機器學習模組以過去之金融市場資訊以及至少一事件資訊進行機器學習並建立一預測模型，分析模組即可依據預測模型預測金融市場之一未來走勢，並據以計算出一避險標的於一特定期間之損益分析結果，以作為調整避險操作之參考。

本發明一實施例之企業財務曝險管理系統包含至少一資料庫、一輸入模組、一資訊擷取模組、一機器學習模組、一分析模組以及一輸出模組。輸入模組與資料庫通訊連接，用以輸入一使用者之一企業活動資訊，並儲存於資料庫。資訊擷取模組與資料庫通訊連接，用以擷取多個金融市場資訊以及至少一事件資訊，並儲存於資料庫。機器學習模組與資料庫通訊連接，並以過去之金融市場資訊以及事件資訊進行機器學習並建立一預測模型。分析模組與資料庫以及機器學習模組通訊連接。分析模組依據企業活動資訊計算出多種幣別之一估計現金流，依據預測模型預測金融市場資訊之一未來走勢，以及依據估計現金流以及未來走勢計算出使用者所持有或欲模擬之一避險標的於一特定期間之一損益分析結果。輸出模組與分析模組通訊連接，用以輸出損益分析結果，以供使用者作為調整避險標的之參考。

以下藉由具體實施例配合所附的圖式詳加說明，當更容易瞭解本發明之目的、技術內容、特點及其所達成之功效。

以下將詳述本發明之各實施例，並配合圖式作為例示。除了這些詳細說明之外，本發明亦可廣泛地施行於其它的實施例中，任何所述實施例的輕易替代、修改、等效變化都包含在本發明之範圍內，並以申請專利範圍為準。在說明書的描述中，為了使讀者對本發明有較完整的瞭解，提供了許多特定細節；然而，本發明可能在省略部分或全部特定細節的前提下，仍可實施。此外，眾所周知的步驟或元件並未描述於細節中，以避免對本發明形成不必要之限制。圖式中相同或類似之元件將以相同或類似符號來表示。特別注意的是，圖式僅為示意之用，並非代表元件實際之尺寸或數量，有些細節可能未完全繪出，以求圖式之簡潔。

請參照圖1，本發明之一實施例之企業財務曝險管理系統包含一資料庫10、一輸入模組20、一資訊擷取模組30、一機器學習模組40、一分析模組50以及一輸出模組60。需說明的是，本發明之企業財務曝險管理系統可設置於單一伺服器、叢集伺服器或者是雲端平台。伺服器之基本架構為本發明所屬技術領域中具有通常知識者所熟知。舉例而言，伺服器包含輸入/輸出單元、運算單元、儲存單元以及電性連接上述構件之匯流排等。運算單元透過執行適當之指令以實現本發明之企業財務曝險管理系統。可以理解的是，為了彈性應用以及擴充運算資源，於一較佳的實施例中，本發明之企業財務曝險管理系統是設置於雲端平台。

接續上述說明，輸入模組20與資料庫10通訊連接。一使用者可透過輸入模組20輸入一企業活動資訊CI，並儲存於資料庫10。舉例而言，輸入模組20可產生一網頁介面或應用程式介面(Application Programming Interface，API)，以供使用者輸入企業活動資訊CI。於一實施例中，企業活動資訊CI可為一企業財報以及一營運資訊至少其中之一。舉例而言，企業財報可為銷貨收入、銷貨成本、應收帳款天期、應付帳款天期、在外流通股數、每股盈餘、約當現金、短期借款、短期投資、存貨、管銷比、匯兌損益以及營業淨利至少其中之一；營運資訊可為財報貨幣(reporting currency)及功能性貨幣(functional currency)、外購比例、外銷比例、應收帳款天期以及應付帳款天期的帳齡天期、過去持有各外匯幣別以及會計科目的比例與帳齡天期、一次性現金變動、未來財務預估資料(銷貨收入、銷貨成本)、未來各外匯幣別及會計科目的比例預估與帳齡天期、原物料成本結構、原物料付款天期以及預計避險會計科目至少其中之一。

資訊擷取模組30與資料庫10通訊連接。資訊擷取模組30可擷取多個金融市場資訊FI以及至少一事件資訊EI，並儲存於資料庫10。於一實施例中，金融市場資訊FI包含一金融商品之買價、賣價以及選擇權之履約價及天期至少其中之一，其中金融商品可為外匯、利率、股票、商品、信用市場或以上之組合。舉例而言，金融商品可為即期匯率、遠期匯率、匯率選擇權、匯率交換、即期利率、遠期利率、利率選擇權、利率交換、基差交換(Basis swap)、交叉貨幣互換(Cross currency swap)、即期商品價格、遠期商品價格、商品選擇權、即期股價、遠期股價、股票選擇權、信用違約交換或以上之組合。事件資訊EI可為重大新聞資訊，例如天然災害、重大工安事件、罷工事件或各國央行的新聞稿等。於一實施例中，資訊擷取模組30可為一網路爬蟲或一機器人流程自動化(Robotic Process Automation，RPA)，因此，上述金融市場資訊FI或事件資訊EI可透過網路爬蟲或機器人流程自動化(RPA)自動從網際網路(Internet)或企業內部資料庫自動擷取，但不限於此。於一實施例中，資訊擷取模組30可為一使用者介面，使用者即可透過此使用者介面輸入上述金融市場資訊FI或事件資訊EI。可以理解的是，資料庫10可為多個。舉例而言，企業活動資訊CI包含較為敏感之資訊，其可儲存於存取限制較為嚴格之一第一資料庫，而金融市場資訊FI以及事件資訊EI可儲存於與第一資料庫邏輯上或實體上相異之一第二資料庫。

機器學習模組40與資料庫10通訊連接。機器學習模組40能夠以過去之金融市場資訊FI以及事件資訊EI進行機器學習並建立一預測模型PM。於一實施例中，機器學習模組40能夠以自然語言處理法(Natural Language Processing，NLP)分析事件資訊EI以獲得至少一特徵詞彙以及特徵詞彙之一出現頻率。機器學習模組40再利用每日金融市場資訊之歷史價格走勢，例如高低價位、收盤、開盤價、成交量的歷史資訊等，以長短期記憶網路(Long short Term Memory Network，LSTM)進行機器學習即可建立每一金融市場資訊相對於特徵詞彙以及出現頻率之一相關性以及預測模型PM。長短期記憶網路(LSTM)是一種時間遞歸神經網絡，由於其獨特的設計結構，LSTM適合於處理和預測時間序列中間隔和延遲非常長的重要事件。舉例而言，資訊擷取模組30可蒐集各國央行的新聞稿、會議紀錄以及央行總裁的發言等，再以機器學習模組40利用自然語言處理法(NLP)分析各時期的特徵詞彙，例如升息、降息、通膨、寬鬆、失業率、就業人數等，以量化判斷對各市場的語氣的強烈程度並對應發生日期。接著，配合所累積之金融市場資訊FI以長短期記憶網路(LSTM)進行機器學習以建立預測模型PM。

於一實施例中，資訊擷取模組30可擷取至少一總體經濟領先指標，例如採購經理人指數(Purchasing Managers' Index，PMI)、通膨指數等，而機器學習模組40則以過去之金融市場資訊FI、總體經濟領先指標以及事件資訊EI進行機器學習並建立預測模型PM。於一實施例中，機器學習模組40除了採用長短期記憶網路(LSTM)外，還可利用回歸分析以及決策樹等分析方法以建立預測模型PM。舉例而言，回歸分析可為貝氏嶺回歸(Bayesian ridge regression)、套索回歸(Lasso regression)或支持向量機回歸(Support vector machine regression)等；決策樹可為決策樹回歸(decision tree regressor)。

分析模組50與資料庫10以及機器學習模組40通訊連接。分析模組50可依據使用者輸入之企業活動資訊CI計算出多種幣別之一估計現金流，並依據預測模型PM預測金融市場資訊FI之一未來走勢，如此，分析模組50即可依據估計現金流以及金融市場資訊FI之未來走勢計算出使用者所持有或欲模擬之一避險標的於一特定期間之一損益分析結果PL，例如未來一年之每季的損益分析。於一實施例中，避險標的可為外匯、利率、商品、股票、信用市場或以上之組合之結構型商品(其包含複雜性高風險衍生性金融商品)等。舉例而言，避險標的可為即期匯率、遠期匯率、匯率選擇權、匯率交換、即期利率、遠期利率、利率選擇權、利率交換、基差交換、交叉貨幣互換、即期商品價格、遠期商品價格、商品選擇權、即期股價、遠期股價、股票選擇權以及信用違約交換其中之一之金融商品，或上述多個金融商品組成之結構型商品。可以理解的是，結構型商品可為線性組合、非線性組合、路徑相關、多期結算或跨市場標的等不同特性之結構型商品。於一實施例中，除了預測模型PM外，分析模組50可進一步依據至少一專家調整參數預測金融市場資訊FI之未來走勢。舉例而言，分析模組50可依據交易員之交易經驗所撰寫的演算法調整預測模型PM，或者先以預測模型PM預測金融市場資訊FI之未來走勢，再由適當的演算法或參數調整金融市場資訊FI之未來走勢。

另需說明的是，使用者所持有的避險標的可能包含公開市場的金融商品(例如匯率、利率、公開發行的股票)以及非公開市場的金融商品(例如匯率選擇權、利率選擇權、結構型商品等)。公開市場的金融商品的交易價格可透過資訊擷取模組30從公開市場上取得，避險標的之損益即能夠以公開市場的交易價格作為分析的基礎。然而，非公開市場的金融商品缺少可信賴的公開交易價格作為損益分析基礎，因此，分析模組50需進一步對非公開市場的金融商品估算市場價格。於一實施例中，分析模組50可選擇符合金融商品與市場特性的評價模型，並將評價模型比對市場流動性較佳的金融商品進行校準。接著，透過適當的數值方法估算非公開市場的金融商品的市場價格，如此一來，分析模組50即可依據估算之市場價格分析非公開市場的金融商品於一特定期間之損益。舉例而言，評價模型可為布萊克休斯模型(Black-Scholes Model)、Bachelier Model、局部波動模型(Local volatility Model)、Libor市場模型(Libor Market Model)、國際交換交易暨衍生性商品協會(International Swap and Derivatives Association，ISDA)所發布的ISDA信用違約交換(Credit Default Swap)模型(ISDA CDS Model)；數值方法可為蒙地卡羅模擬法或封閉解法等。

輸出模組60與分析模組50通訊連接。分析模組50所分析之損益分析結果PL可透過輸出模組60輸出，以供使用者作為調整其避險標的之參考，進而作出較適當之避險操作。需說明的是，相較於過去以指標波動而建議買進或賣出特定金融商品的操作方式，本發明之企業財務曝險管理系統是以避險標的於特定期間的損益分析結果(例如一年內每季之損益分析)作為調整避險標的之參考，因此，本發明不僅能夠具體呈現長期的損益結果供使用者參考，且能避免短期內頻繁調整避險標的。於一實施例中，輸出模組60可為一顯示裝置。可以理解的是，在雲端平台架構下，輸出模組60則可為一通訊介面，例如有線或無線網路介面、行動通訊網路介面等，以將損益分析結果PL傳送至遠端之使用者裝置。

於一實施例中，分析模組50可依據估計現金流以及金融市場資訊FI之未來走勢計算出至少一推薦避險標的於特定期間之損益分析結果PL，並以輸出模組60輸出推薦避險標的之損益分析結果PL，以供使用者作為調整避險標的之參考，亦即分析模組50提出避險操作的建議，如此有助於使用者作出避險操作的決策。

請參照圖2，於一實施例中，本發明之企業財務曝險管理系統更包含一監控模組70，其與分析模組50通訊連接。監控模組70可監控事件資訊EI對使用者所持有之避險標的的影響，並事先提出預警。舉例而言，監控模組70監控當前或近期之特徵詞彙以及出現頻率，且在特徵詞彙之出現頻率大於或等於一監控預計值時，即要求分析模組50重新計算使用者所持有之避險標的於特定期間之損益分析結果PL。當重新計算之損益分析結果PL的波動過大，可通知使用者以提示使用者調整避險標的。舉例而言，重新計算之避險標的的一日報酬波動度大於或等於一預設倍數之一歷史波動度時，即通知使用者。於一實施例中，預設倍數可為1.5倍或1.96倍。可以理解的是，預設倍數可由使用者依需求自行設定。另需注意的是，監控預計值可為一變動值。舉例而言，當重大事件發生時，相對應之特徵詞彙的出現頻率較少，此時監控預計值可相對較小。隨著此重大事件發生的時間延長，相對應之特徵詞彙的出現頻率可能逐漸增加，且金融市場相對於此重大事件的反應可能鈍化，此時監控預計值可相對較大。

可以理解的是，單一事件資訊EI之特徵詞彙以及其出現頻率不一定影響所有避險標的之損益，因此，若發生單一重大事件資訊即重新計算所有避險標的之損益分析結果PL可能佔用較多的運算資源。為了減少所需之運算資源，於一實施例中，機器學習模組40可利用特徵詞彙、出現頻率以及過去之金融市場資訊FI進行機器學習，以建立特定之避險標的相對於特定特徵詞彙以及其出現頻率之一敏感度。此時，當特定特徵詞彙之出現頻率大於或等於監控預計值時，只需重新計算相對於特定特徵詞彙之敏感度大於或等於一敏感度預計值之避險標的的損益分析結果PL即可。

以下舉例說明本發明之企業財務曝險管理系統之實作方式。以外匯市場為例，英國於2016年6月30日意外通過脫歐公投，導致英鎊兌美元大幅下跌。本發明之企業財務曝險管理系統即分析過去之金融市場資訊來判斷英鎊重貶後金融市場的可能反應，並檢討各交互相關幣別的匯率以及利率之歷史走勢以確認可能的走勢。舉例而言，依據過去經驗，英鎊重貶會造成日圓大幅升值。因此，本發明之企業財務曝險管理系統不僅檢討上下游客戶與英鎊有關之避險標的，同時檢討與英鎊重貶產生交互作用之各幣別相關之避險標的。若造成避險標的之波動較大，即通知使用者採取適當之避險操作。舉例而言，本發明之企業財務曝險管理系統通知從日本進貨的廠商，未來1個月內成本走高的風險，並建議客戶進行相關避險。此外，本發明之企業財務曝險管理系統持續即時監控英國脫歐對後續金融市場之可能反應以及影響的時間。

以商品市場為例，大型銅礦場生產全球8%的產銅礦石。當銅礦場進行罷工時，銅商品市場即立即反應。本發明之企業財務曝險管理系統檢討銅價大幅漲價對上下游廠商之成本的影響。當損益分析結果PL較大時，即通知相關廠商(例如銅箔基板廠商、銅線材廠等)作較佳的避險操作。同樣的，本發明之企業財務曝險管理系統監控罷工的持續時間，對後續銅商品市場之可能反應以及影響的時間。

綜合上述，本發明之企業財務曝險管理系統是以一機器學習模組利用過去之金融市場資訊以及至少一事件資訊進行機器學習並建立一預測模型，分析模組即可依據預測模型預測金融市場之一未來走勢，並據以計算出一避險標的於一特定期間之損益分析結果，以作為調整避險操作之參考並作出適當之避險操作。

以上所述之實施例僅是為說明本發明之技術思想及特點，其目的在使熟習此項技藝之人士能夠瞭解本發明之內容並據以實施，當不能以之限定本發明之專利範圍，即大凡依本發明所揭示之精神所作之均等變化或修飾，仍應涵蓋在本發明之專利範圍內。

10 資料庫 20 輸入模組 30 資訊擷取模組 40 機器學習模組 50 分析模組 60 輸出模組 70 監控模組 CI 企業活動資訊 EI 事件資訊 FI 金融市場資訊 PM 預測模型 PL 損益分析結果

圖1為一示意圖，顯示本發明一實施例之企業財務曝險管理系統。圖2為一示意圖，顯示本發明另一實施例之企業財務曝險管理系統。

10 資料庫 20 輸入模組 30 資訊擷取模組 40 機器學習模組 50 分析模組 60 輸出模組 CI 企業活動資訊 EI 事件資訊 FI 金融市場資訊 PM 預測模型 PL 損益分析結果

Claims

一種企業財務曝險管理系統，包含：至少一資料庫；一輸入模組，其與該資料庫通訊連接，用以輸入一使用者之一企業活動資訊，並儲存於該資料庫；一資訊擷取模組，其與該資料庫通訊連接，用以擷取多個金融市場資訊以及至少一事件資訊，並儲存於該資料庫；一機器學習模組，其與該資料庫通訊連接，並以過去之該金融市場資訊以及該事件資訊進行機器學習並建立一預測模型；一分析模組，其與該資料庫以及該機器學習模組通訊連接，並依據該企業活動資訊計算出多種幣別之一估計現金流，依據該預測模型預測該金融市場資訊之一未來走勢，以及依據該估計現金流以及該未來走勢計算出該使用者所持有或欲模擬之一避險標的於一特定期間之一損益分析結果；以及一輸出模組，其與該分析模組通訊連接，用以輸出該損益分析結果，以供該使用者作為調整該避險標的之參考。
如請求項1所述之企業財務曝險管理系統，其中該分析模組依據該估計現金流以及該未來走勢計算出至少一推薦避險標的於該特定期間之該損益分析結果，並以該輸出模組輸出該推薦避險標的之該損益分析結果，以供該使用者作為調整該避險標的之參考。
如請求項1所述之企業財務曝險管理系統，其中該分析模組更估算該避險標的中之一非公開市場之金融商品之一市場價格，並依據該估計現金流、該未來走勢以及該市場價格計算出該避險標的於該特定期間之該損益分析結果。
如請求項1所述之企業財務曝險管理系統，其中該機器學習模組以自然語言處理法分析該事件資訊以獲得至少一特徵詞彙以及該特徵詞彙之一出現頻率。
如請求項4所述之企業財務曝險管理系統，其中該機器學習模組以該特徵詞彙、該出現頻率以及過去之該金融市場資訊學習並建立每一該金融市場資訊相對於該特徵詞彙以及該出現頻率之一相關性。
如請求項4所述之企業財務曝險管理系統，其中該機器學習模組以該特徵詞彙、該出現頻率以及過去之該金融市場資訊學習並建立該避險標的相對於該特徵詞彙以及該出現頻率之一敏感度。
如請求項4所述之企業財務曝險管理系統，更包含：一監控模組，其與該分析模組通訊連接，並監控當前之該特徵詞彙以及該出現頻率，且在該出現頻率大於或等於一監控預計值時，要求該分析模組重新計算該避險標的於該特定期間之該損益分析結果。
如請求項7所述之企業財務曝險管理系統，其中重新計算之該避險標的之一日報酬波動度大於或等於一預設倍數之一歷史波動度時，即通知該使用者。
如請求項7所述之企業財務曝險管理系統，其中相對於該特徵詞彙之一敏感度大於或等於一敏感度預計值之該避險標的進行重新計算。
如請求項1所述之企業財務曝險管理系統，其中該資訊擷取模組更擷取至少一總體經濟領先指標，且該機器學習模組以過去之該金融市場資訊、該總體經濟領先指標以及該事件資訊進行機器學習並建立該預測模型。
如請求項1所述之企業財務曝險管理系統，其中該機器學習模組以長短期記憶網路進行機器學習並建立該預測模型。
如請求項1所述之企業財務曝險管理系統，其中該機器學習模組以長短期記憶網路、回歸分析以及決策樹進行機器學習並建立該預測模型。
如請求項1所述之企業財務曝險管理系統，其中該分析模組依據該預測模型以及至少一專家調整參數預測該金融市場資訊之一未來走勢。
如請求項1所述之企業財務曝險管理系統，其中該企業活動資訊包含一企業財報以及一營運資訊至少其中之一。
如請求項14所述之企業財務曝險管理系統，其中該企業財報至少包含應收帳款天期以及應付帳款天期。
如請求項14所述之企業財務曝險管理系統，其中該企業財報包含銷貨收入、銷貨成本、應收帳款天期、應付帳款天期、在外流通股數、每股盈餘、約當現金、短期借款、短期投資、存貨、管銷比、匯兌損益以及營業淨利至少其中之一。
如請求項14所述之企業財務曝險管理系統，其中該營運資訊至少包含應收帳款天期以及應付帳款天期的帳齡天期。
如請求項14所述之企業財務曝險管理系統，其中該營運資訊包含財報貨幣及功能性貨幣、外購比例、外銷比例、應收帳款天期以及應付帳款天期的帳齡天期、過去持有各外匯幣別以及會計科目的比例與帳齡天期、一次性現金變動、未來財務預估資料、未來各外匯幣別及會計科目的比例預估與帳齡天期、原物料成本結構、原物料付款天期以及預計避險會計科目至少其中之一。
如請求項1所述之企業財務曝險管理系統，其中該資訊擷取模組包含一網路爬蟲、一機器人流程自動化或一使用者介面。
如請求項1所述之企業財務曝險管理系統，其中該金融市場資訊包含一金融商品之買價、賣價以及選擇權之履約價及天期至少其中之一。
如請求項20所述之企業財務曝險管理系統，其中該金融商品包含外匯、利率、股票、商品、信用市場或以上之組合。
如請求項20所述之企業財務曝險管理系統，其中該金融商品包含即期匯率、遠期匯率、匯率選擇權、匯率交換、即期利率、遠期利率、利率選擇權、利率交換、基差交換、交叉貨幣互換、即期商品價格、遠期商品價格、商品選擇權、即期股價、遠期股價、股票選擇權、信用違約交換或以上之組合。
如請求項1所述之企業財務曝險管理系統，其中該避險標的包含即期匯率、遠期匯率、匯率選擇權、匯率交換、即期利率、遠期利率、利率選擇權、利率交換、基差交換、交叉貨幣互換、即期商品價格、遠期商品價格、商品選擇權、即期股價、遠期股價、股票選擇權、信用違約交換或以上之組合之結構型商品。