WO2020226003A1 - 融資先信用度判定プログラム及びシステム - Google Patents

融資先信用度判定プログラム及びシステム Download PDF

Info

Publication number
WO2020226003A1
WO2020226003A1 PCT/JP2020/014851 JP2020014851W WO2020226003A1 WO 2020226003 A1 WO2020226003 A1 WO 2020226003A1 JP 2020014851 W JP2020014851 W JP 2020014851W WO 2020226003 A1 WO2020226003 A1 WO 2020226003A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
association
creditworthiness
degree
market
Prior art date
Application number
PCT/JP2020/014851
Other languages
English (en)
French (fr)
Inventor
綾子 澤田
Original Assignee
Ａｓｓｅｓｔ株式会社
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 Ａｓｓｅｓｔ株式会社 filed Critical Ａｓｓｅｓｔ株式会社
Priority to US17/608,309 priority Critical patent/US20220207607A1/en
Priority to CN202080033578.0A priority patent/CN113874901A/zh
Priority to EP20801438.1A priority patent/EP3968260A4/en
Publication of WO2020226003A1 publication Critical patent/WO2020226003A1/ja

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
    • G06Q40/03—Credit; Loans; Processing thereof

Definitions

  • the present invention relates to a lender credit rating program and system suitable for determining the creditworthiness of a lender company with high accuracy in determining whether or not to provide a loan.
  • the present invention has been devised in view of the above-mentioned problems, and the purpose of the present invention is to automatically determine the creditworthiness of the lender company in determining whether or not a financial institution provides a loan.
  • the purpose of the present invention is to provide a lender creditworthiness determination program and system capable of making an accurate and accurate determination.
  • the lender creditworthiness determination program includes the latest financial information of the lender company that newly determines the creditworthiness in the lender creditworthiness determination program that determines the creditworthiness of the lender company. , Information acquisition step to acquire market future information about the future of the market where the lender company newly determines the creditworthiness, reference settlement information including the past settlement contents acquired in advance, and the above reference Using the combination with the reference market future potential information on the future potential of the market in which the company that acquired the financial results information has developed, and the credit rating determined based on the past financial results, three or more levels of association are used.
  • FIG. 1 is a block diagram showing an overall configuration of a system to which the present invention is applied.
  • FIG. 2 is a diagram showing a specific configuration example of the search device.
  • FIG. 3 is a diagram showing an example of the degree of association between the reference settlement information and the credit rating at three or more levels.
  • FIG. 4 is a diagram showing an example of configuring the degree of association of the combination of the reference settlement information and the reference management plan information.
  • FIG. 5 is a diagram showing an example of configuring the degree of association of the combination of the reference settlement information and the reference market future potential information.
  • FIG. 6 is a diagram showing an example of configuring the degree of association of the combination of the reference settlement information and the reference intellectual asset information.
  • FIG. 1 is a block diagram showing an overall configuration of a system to which the present invention is applied.
  • FIG. 2 is a diagram showing a specific configuration example of the search device.
  • FIG. 3 is a diagram showing an example of the degree of association between the reference settlement information and the credit rating at three or
  • FIG. 7 is a diagram showing an example of configuring the degree of association of the combination of the reference settlement information and the reference market condition information.
  • FIG. 8 is a diagram showing an example of configuring the degree of association of the combination of the reference settlement information and the reference external environment information.
  • FIG. 9 is a diagram showing an example of configuring the degree of association of a combination of three types of reference information.
  • FIG. 10 is a diagram for explaining another form of the degree of association.
  • FIG. 1 is a block diagram showing an overall configuration of a lender credit determination system 1 in which a lender credit determination program to which the present invention is applied is implemented.
  • the lender credit rating system 1 includes an information acquisition unit 9, a search device 2 connected to the information acquisition unit 9, and a database 3 connected to the search device 2.
  • the information acquisition unit 9 is a device for a person who uses this system to input various commands and information, and is specifically composed of a keyboard, buttons, a touch panel, a mouse, a switch, and the like.
  • the information acquisition unit 9 is not limited to a device for inputting text information, and may be configured by a device such as a microphone that can detect voice and convert it into text information. Further, the information acquisition unit 9 may be configured as an image pickup device capable of capturing an image of a camera or the like.
  • the information acquisition unit 9 may be configured by a scanner having a function of recognizing a character string from a paper-based document. Further, the information acquisition unit 9 may be integrated with the search device 2 described later. The information acquisition unit 9 outputs the detected information to the search device 2.
  • the information acquisition unit 9 may be configured by means for specifying the position information by scanning the map information.
  • the information acquisition unit 9 also includes a temperature sensor, a humidity sensor, a flow rate sensor, and other sensors capable of identifying substances and physical properties.
  • the information acquisition unit 9 may be configured by means for automatically fetching character strings and data posted on a site on the Internet.
  • Database 3 stores various information necessary for determining the creditworthiness of the lender.
  • Information necessary for determining the creditworthiness of a stock lender includes reference settlement information including past settlement details, reference management plan information regarding management plans acquired from companies, and references regarding intellectual assets held by companies.
  • a data set of intellectual asset information for reference, market information for reference regarding market conditions at a certain point in the past, external environment information for reference regarding the external environment at a certain time in the past, and creditworthiness determined in the past is stored.
  • the search device 2 is composed of electronic devices such as a personal computer (PC), but is embodied in all other electronic devices such as mobile phones, smartphones, tablet terminals, and wearable terminals in addition to PCs. It may be converted. The user can obtain a search solution by the search device 2.
  • PC personal computer
  • FIG. 2 shows a specific configuration example of the search device 2.
  • the search device 2 performs wired communication or wireless communication with a control unit 24 for controlling the entire search device 2 and an operation unit 25 for inputting various control commands via operation buttons, a keyboard, or the like.
  • a communication unit 26 for the purpose, an estimation unit 27 for making various judgments, and a storage unit 28 for storing a program for performing a search to be executed represented by a hard disk or the like are connected to the internal bus 21, respectively. .. Further, a display unit 23 as a monitor that actually displays information is connected to the internal bus 21.
  • the control unit 24 is a so-called central control unit for controlling each component mounted in the search device 2 by transmitting a control signal via the internal bus 21. Further, the control unit 24 transmits various control commands via the internal bus 21 in response to the operation via the operation unit 25.
  • the operation unit 25 is embodied by a keyboard or a touch panel, and an execution command for executing a program is input from the user.
  • the operation unit 25 notifies the control unit 24 of the execution command.
  • the control unit 24, including the estimation unit 27, executes a desired processing operation in cooperation with each component.
  • the operation unit 25 may be embodied as the information acquisition unit 9 described above.
  • the estimation unit 27 estimates the search solution.
  • the estimation unit 27 reads out various information stored in the storage unit 28 and various information stored in the database 3 as necessary information when executing the estimation operation.
  • the estimation unit 27 may be controlled by artificial intelligence. This artificial intelligence may be based on any well-known artificial intelligence technique.
  • the display unit 23 is composed of a graphic controller that creates a display image based on the control by the control unit 24.
  • the display unit 23 is realized by, for example, a liquid crystal display (LCD) or the like.
  • the storage unit 28 When the storage unit 28 is composed of a hard disk, predetermined information is written to each address based on the control by the control unit 24, and this is read out as needed. Further, the storage unit 28 stores a program for executing the present invention. This program is read by the control unit 24 and executed.
  • the reference settlement information and the credit rating have three or more levels of linkage in advance and have been acquired.
  • the reference settlement information reflects the settlement details of the companies examined in the past. In other words, when there is a current time when the creditworthiness of the lender is to be determined, the reference settlement information reflects the past settlement details of the company that has been examined before this.
  • An example of this reference financial statement information is data related to all financial statements including the financial statements of the company that provided the financial statement contents, for example, the numerical values of the book information and financial information described in the financial statements.
  • the reference financial statement information may include whether the debt is insolvent, how much debt is borrowed from officers, inventories (inventory), and the like. These reference settlement information may be for one year or several years.
  • the credit rating may be ranked as "normal”, “need attention”, “possible bankruptcy”, “substantial bankruptcy”, “bankruptcy”, etc., or displayed as a percentage, with 100% having the highest credit rating. High, 0% may be the lowest credit.
  • This credit rating is pre-collected as a data set with reference financial information. For this credit rating, for example, if there is a record of a previous judgment made by a financial institution, it may be used as it is. Further, the credit rating may be calculated from the number of cases where the loan was approved and the number of cases where the loan was not obtained with the same or similar reference settlement information. By the way, this credit rating is given to the company that provided the financial information for reference.
  • the settlement information does not have exactly the same settlement information between companies, the settlement information itself may be categorized. That is, the reference settlement information P01 to P03 in FIG. 3 may be the settlement information classified by type, and may be classified by, for example, the profit ratio, the amount of profit, or the like. Further, it may be categorized by a pattern (for example, a large amount of accounts receivable, a large amount of entertainment expenses, and no inventory because of the service industry).
  • this reference settlement information and the credit rating data set it is possible to understand how the data related to various settlements generated in the reference settlement information was judged in the loan examination. That is, the settlement data described in the reference settlement information and the creditworthiness are a data set. Therefore, by collecting the reference settlement information and the credit rating data set, it is possible to know what kind of settlement details have been made in the past and how the credit rating was judged in the examination.
  • the input data is, for example, reference settlement information P01 to P03.
  • the reference settlement information as such input data is linked to the output.
  • the credit rating as the output solution is displayed.
  • the reference settlement information is related to the credit rating as the output solution through three or more levels of linkage.
  • the reference settlement information is arranged on the left side through this degree of association, and the credit degree is arranged on the right side through this degree of association.
  • the degree of association indicates the degree of creditworthiness and the degree of relevance to the reference settlement information arranged on the left side.
  • this degree of association is an index showing what kind of credit rating each reference settlement information is likely to be associated with, and is accurate in selecting the most accurate credit rating from the reference settlement information. It shows the sex. In the example of FIG. 3, w13 to w19 are shown as the degree of association.
  • w13 to w19 are shown in 10 stages as shown in Table 1 below, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the creditworthiness as an output. On the contrary, the closer to one point, the lower the degree of relevance of each combination as an intermediate node to the creditworthiness as an output.
  • the search device 2 acquires in advance the degree of association w13 to w19 of three or more stages shown in FIG. That is, the search device 2 accumulates past data as to which of the reference settlement information and the credit rating in that case is adopted in determining the actual search solution, and analyzes and analyzes these.
  • the degree of association shown in FIG. 3 is created in.
  • This analysis and analysis may be performed by artificial intelligence.
  • analysis is performed from the data of the past creditworthiness determination result. For example, this may be extracted from the data of the credit rating determination result in the past loan examination stored in the financial institution.
  • reference settlement information P01 If there are many cases of "possible bankruptcy", the degree of association that leads to this "possible bankruptcy” is set higher, and if there are many cases of "substantial bankruptcy", it leads to this "substantial bankruptcy”. Set a higher degree of association.
  • the degree of association shown in FIG. 3 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association.
  • the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
  • Such degree of association is what is called learned data in artificial intelligence.
  • the credit rating will be predicted by using the above-mentioned trained data in actually determining the credit rating from now on.
  • the latest financial information of the lender company that actually determines the creditworthiness is newly acquired.
  • This financial information may be for the last year or several years.
  • This settlement information is composed of the same type of data as the above-mentioned reference settlement information.
  • the newly acquired settlement information is input by the information acquisition unit 9 described above.
  • the information acquisition unit 9 may acquire such settlement information as electronic data.
  • the degree of association shown in FIG. 3 (Table 1) acquired in advance is referred to.
  • “normal” is associated with w15
  • “substantial failure” is associated with association degree w16 through the association degree.
  • "normal” with the highest degree of association is selected as the optimum solution.
  • it is not essential to select the one with the highest degree of association as the optimum solution, and the “substantial failure” in which the degree of association is low but the association itself is recognized may be selected as the optimum solution.
  • an output solution to which the arrows are not connected may be selected, and as long as it is based on the degree of association, it may be selected in any other priority.
  • the input data is, for example, reference settlement information P01 to P03 and reference management plan information P14 to 17.
  • the intermediate node shown in FIG. 4 is a combination of the reference settlement information and the reference management plan information as such input data.
  • Each intermediate node is further linked to the output. In this output, each credit rating as an output solution is displayed.
  • the reference management plan information is related to the contents of the management plan.
  • Examples of the contents of the management plan include vision, action guidelines, management policy, goals, analysis of opportunities / threats and strengths (internal / external environment analysis), gap analysis with goals, and medium-term management plan (necessity and formulation procedure). ), Single-year management plan, sales target, etc., which consists of information described in general management plans.
  • the reference management plan information the information obtained from the company that has previously been examined may be used. From the company that conducted the examination, the settlement information for reference, the management plan information for reference, and the judgment result of the creditworthiness for this will be obtained.
  • the management plan information P14 to P17 in FIG. 4 may be information classified by type, and may be classified by being divided according to a sales target, a management policy, or the like, for example. Further, it may be categorized by a pattern (for example, a pattern of a single-year management plan or a pattern of a vision).
  • the input data is, for example, reference settlement information P01 to P03 and reference management plan information P14 to 17.
  • the intermediate node shown in FIG. 4 is a combination of the reference settlement information and the reference management plan information as such input data.
  • Each intermediate node is further linked to the output. In this output, the credit rating as the output solution is displayed.
  • Each combination (intermediate node) of the reference settlement information and the reference management plan information is associated with each other through three or more levels of association with the credit rating as this output solution.
  • the reference settlement information and the reference management plan information are arranged on the left side via this degree of association, and the creditworthiness is arranged on the right side via this degree of association.
  • the degree of association indicates the degree of relevance to each credit level with respect to the reference settlement information and the reference management plan information arranged on the left side. In other words, this degree of association is an index showing what kind of credit rating each reference settlement information and reference management plan information is likely to be associated with, and from the reference settlement information and reference management plan information. It shows the accuracy in selecting each credit rating that is most likely.
  • w13 to w22 are shown as the degree of association. As shown in Table 1, these w13 to w22 are shown in 10 stages, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the output, and conversely, 1 point. The closer they are, the less relevant each combination as an intermediate node is to the output.
  • the search device 2 acquires in advance the degree of association w13 to w22 of three or more stages shown in FIG. That is, the search device 2 accumulates past data as to which of the reference settlement information, the reference management plan information, and the creditworthiness in that case was suitable for determining the actual search solution, and stores these. By analyzing and analyzing, the degree of association shown in FIG. 4 is created.
  • This analysis and analysis may be performed by artificial intelligence.
  • the creditworthiness is analyzed from the past data.
  • the degree of association leading to this "possible bankruptcy” is set higher, and there are many cases of "normal” and cases of "possible bankruptcy”. If it is low, the degree of association that leads to "normal” is set high, and the degree of association that leads to "possible failure” is set low.
  • the degree of association of w13 leading to "possible failure” is set to 7 points, and "normal”.
  • the degree of association of w14 that leads to "" is set to 2 points.
  • the degree of association shown in FIG. 4 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association.
  • the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
  • the node 61b is a node that is a combination of the reference settlement information P01 and the reference management plan information P14, and the degree of association of "substantial bankruptcy" is w15, and "management required”.
  • the degree of association is w16.
  • the node 61c is a node that is a combination of the reference management plan information P15 and P17 with respect to the reference settlement information P02, and has a credit rating of w17 and a credit rating of w18.
  • Such degree of association is what is called learned data in artificial intelligence. After creating such learned data, when actually performing a search for determining the credit rating from now on, the above-mentioned learned data will be used. In such a case, the management plan information is acquired in addition to the settlement information from the company that newly determines the creditworthiness.
  • This management plan information corresponds to the above-mentioned reference management plan information, and data such as gap analysis with the target of the company to be judged, medium-term management plan, etc. is taken in or directly input. May be good.
  • the degree of association shown in FIG. 4 (Table 1) acquired in advance is referred to.
  • the node 61d is associated via the degree of association.
  • “substantial failure” is associated with w19
  • “need attention” is associated with the degree of association w20.
  • the “substantial failure” with the highest degree of association is selected as the optimum solution.
  • Table 2 shows examples of the degree of association w1 to w12 extending from the input.
  • the intermediate node 61 may be selected based on the degree of association w1 to w12 extending from this input. That is, the larger the degree of association w1 to w12, the heavier the weighting in the selection of the intermediate node 61 may be. However, the degrees of association w1 to w12 may all have the same value, and the weights in the selection of the intermediate node 61 may all be the same.
  • FIG. 5 shows an example in which the combination of the above-mentioned reference settlement information, the reference market future information, and the creditworthiness of the combination are set to three or more levels of association.
  • Reference market future information is all data about the future of the market in which the company intends to provide products and services.
  • This reference market future information includes various data based on blogs, analyst reports, securities reports, advertisements, press releases, news articles, etc. in any market.
  • the reference market future information may be typified by the market future itself. That is, the reference market future information P18 to P21 in FIG. 5 may be information classified by type. For example, an analyst may classify the information according to whether or not the market growth rate is 0% or more per year. It may be. Further, it may be categorized by a pattern (for example, a pattern of whether the growth rate of the market increases rapidly or gradually) or the like.
  • the input data is, for example, reference settlement information P01 to P03 and reference market future information P18 to 21.
  • the intermediate node shown in FIG. 5 is a combination of the reference settlement information and the reference market future potential information as such input data.
  • Each intermediate node is further linked to the output. In this output, the credit rating as the output solution is displayed.
  • Each combination (intermediate node) of the reference settlement information and the reference market future potential information is related to each other through three or more levels of association with the credit rating as this output solution.
  • the reference settlement information and the reference market future information are arranged on the left side through this degree of association, and the credit rating is arranged on the right side through this degree of association.
  • the degree of association indicates the degree of relevance to the creditworthiness of the reference settlement information and the reference market future information arranged on the left side.
  • this degree of association is an index showing what kind of credit rating each reference financial information and reference market future information are likely to be associated with, and is a reference financial information and reference market future information. It shows the accuracy in selecting each credit rating that is most probable from.
  • the possibility of collecting funds will change depending on the actual market potential. Therefore, the optimum credit rating will be searched for by combining these reference settlement information and reference market future potential information.
  • w13 to w22 are shown as the degree of association. As shown in Table 1, these w13 to w22 are shown in 10 stages, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the output, and conversely, 1 point. The closer they are, the less relevant each combination as an intermediate node is to the output.
  • the search device 2 acquires in advance the degree of association w13 to w22 of three or more stages shown in FIG. That is, the search device 2 accumulates past data as to which of the reference settlement information, the reference market future potential information, and the creditworthiness in that case was more suitable for determining the actual search solution. By analyzing and analyzing these, the degree of association shown in FIG. 5 is created.
  • This analysis and analysis may be performed by artificial intelligence.
  • the creditworthiness is analyzed from the past data.
  • the degree of association of w13 leading to "possible failure” is set to 7 points, and "normal”.
  • the degree of association of w14 that leads to "" is set to 2 points.
  • the degree of association shown in FIG. 5 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association.
  • the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
  • the node 61b is a node in which the reference market future information P18 is combined with the reference settlement information P01, and the association degree of "substantial failure" is w15, and "management required”.
  • the degree of association of "destination” is w16.
  • Node 61c is a node that is a combination of reference market future information P19 and P21 with respect to reference settlement information P02, and the degree of association of "normal” is w17 and the degree of association of "need attention" is w18. ing.
  • Such degree of association is what is called learned data in artificial intelligence. After creating such trained data, when actually giving advice from now on, the above-mentioned trained data will be used.
  • market future information regarding the future of the market in which the lender company that newly determines the creditworthiness develops business is acquired.
  • the market future information corresponds to the reference market future information, and the analyst report or the securities report may be directly imported. If it is other statistical data, the data may be acquired directly.
  • the degree of association shown in FIG. 5 (Table 1) acquired in advance is referred to.
  • the node 61d is associated via the degree of association.
  • the node 61d is associated with "substantial failure” by w19 and “need attention” by the degree of association w20.
  • the “substantial failure” with the highest degree of association is selected as the optimum solution.
  • FIG. 6 shows an example in which the combination of the above-mentioned reference settlement information, the reference intellectual asset information, and the credit rating for the combination are set to three or more levels of association.
  • Reference intellectual asset information is information on intellectual assets owned by the company, and is mainly information such as patent rights, utility model rights, design rights, trademark rights, and copyrights.
  • the intellectual asset information for reference includes all kinds of intellectual assets such as patents, designs, trademarks, know-how accumulated in the company, sales information, customer information, knowledge about manufacturing processes, etc.
  • the reference intellectual asset information to be used may be categorized as the intellectual asset itself. That is, the reference intellectual asset information P22 to P25 in FIG. 6 may be information classified by type, and may be classified by, for example, the number of patents. Further, it may be categorized by a pattern (pattern such as patent, design, trademark ratio, etc.).
  • the input data is, for example, reference settlement information P01 to P03 and reference intellectual asset information P22 to 25.
  • the intermediate node shown in FIG. 6 is a combination of the reference settlement information and the reference intellectual asset information as such input data.
  • Each intermediate node is further linked to the output. In this output, the credit rating as the output solution is displayed.
  • Each combination (intermediate node) of the reference settlement information and the reference intellectual asset information is related to each other through three or more levels of association with the credit rating as this output solution.
  • the reference settlement information and the reference intellectual asset information are arranged on the left side through this degree of association, and the creditworthiness is arranged on the right side through this degree of association.
  • the degree of association indicates the degree of relevance to the creditworthiness of the reference settlement information and the reference intellectual asset information arranged on the left side.
  • this degree of association is an index showing what kind of credit rating each reference settlement information and reference intellectual asset information is likely to be associated with, and is a reference settlement information and reference intellectual asset. It shows the accuracy in selecting each credit rating that is most likely from the information.
  • the possibility of collecting funds changes depending on the state of actual intellectual assets. Therefore, the optimum credit rating will be searched for by combining these reference settlement information and reference intellectual asset information.
  • w13 to w22 are shown as the degree of association. As shown in Table 1, these w13 to w22 are shown in 10 stages, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the output, and conversely, 1 point. The closer they are, the less relevant each combination as an intermediate node is to the output.
  • the search device 2 acquires in advance the degree of association w13 to w22 of three or more stages shown in FIG. That is, the search device 2 accumulates past data as to which of the reference settlement information, the reference intellectual asset information, and the credit rating in that case was more suitable for determining the actual search solution. By analyzing and analyzing these, the degree of association shown in FIG. 5 is created.
  • This analysis and analysis may be performed by artificial intelligence.
  • the creditworthiness is analyzed from the past data.
  • the degree of association of w13 leading to "possible failure” is set to 7 points, and "normal”.
  • the degree of association of w14 that leads to "" is set to 2 points.
  • the degree of association shown in FIG. 6 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association.
  • the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
  • the node 61b is a node that is a combination of the reference settlement information P01 and the reference intellectual asset information P22, and the degree of association of "substantial failure" is w15, and "management required”.
  • the degree of association of "destination" is w16.
  • Node 61c is a node that is a combination of reference intellectual asset information P23 and P25 with respect to reference settlement information P02, and the degree of association of "normal” is w17 and the degree of association of "need attention" is w18. ing.
  • Such degree of association is what is called learned data in artificial intelligence. After creating such trained data, when actually giving advice from now on, the above-mentioned trained data will be used.
  • the intellectual asset information related to the intellectual assets held by the lender company whose creditworthiness is newly determined is acquired.
  • the intellectual asset information corresponds to the reference intellectual asset information, and is information such as patent rights held, and these may be directly taken in. If it is other statistical data, the data may be acquired directly.
  • the credit rating is searched based on the newly acquired financial statements information and intellectual asset information in this way.
  • the degree of association shown in FIG. 6 (Table 1) acquired in advance is referred to.
  • the node 61d is associated through the degree of association.
  • the node 61d is associated with "substantial failure” by w19 and “need attention” by the degree of association w20.
  • the “substantial failure” with the highest degree of association is selected as the optimum solution.
  • FIG. 7 shows an example in which the combination of the above-mentioned reference settlement information, the reference market condition information, and the credit rating for the combination are set to three or more levels of association.
  • Reference market information is various information related to market conditions.
  • the market conditions referred to here may target any range including one company, the entire industry including the company, the entire Japan, and the entire world.
  • Examples of this reference market information include interest rates, exchange rates, stock prices of each stock, crude oil, futures, precious metals, and price movements of Bitcoin.
  • This reference market information may be displayed as a time-series chart, a line graph, or the like for these objects.
  • information such as Bollinger band, MACD, and moving average line may be attached.
  • this market information may include fundamental indicators of each brand's company, and in addition to annual sales, profits, and costs, PER (price-earnings ratio), PBR (price-to-book value ratio), ROE ( Indicators such as return on equity) may be included.
  • PER price-earnings ratio
  • PBR price-to-book value ratio
  • ROE Indicators such as return on equity
  • information such as charts showing price movements between currencies, Bollinger bands, MACD, and moving averages may be attached.
  • the reference market information may categorize the market potential itself. That is, the reference market information P26 to P29 in FIG. 7 may be information classified by type, and may be classified by dividing according to whether or not the growth rate of the stock price is 0% or more per year. Further, it may be categorized by a pattern (for example, a pattern of whether the growth rate of the stock price increases rapidly or gradually) or the like.
  • the input data is, for example, reference settlement information P01 to P03 and reference market condition information P26 to 29.
  • the intermediate node shown in FIG. 7 is a combination of the reference settlement information and the reference market information as such input data.
  • Each intermediate node is further linked to the output. In this output, the credit rating as the output solution is displayed.
  • Each combination (intermediate node) of the reference settlement information and the reference market condition information is related to each other through three or more levels of association with the credit rating as this output solution.
  • the reference settlement information and the reference market information are arranged on the left side via this degree of association, and the credit rating is arranged on the right side via this degree of association.
  • the degree of association indicates the degree of relevance to the creditworthiness of the reference settlement information and the reference market condition information arranged on the left side.
  • this degree of association is an index showing what kind of credit rating each reference settlement information and reference market condition information is likely to be associated with, and is the most reliable from the reference settlement information and the reference market condition information. It shows the accuracy in selecting each unique credit rating.
  • the optimum credit rating will be searched for by combining these reference settlement information and reference market condition information.
  • w13 to w22 are shown as the degree of association. As shown in Table 1, these w13 to w22 are shown in 10 stages, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the output, and conversely, 1 point. The closer they are, the less relevant each combination as an intermediate node is to the output.
  • the search device 2 acquires in advance the degree of association w13 to w22 of three or more stages shown in FIG. That is, the search device 2 accumulates past data on which of the reference settlement information, the reference market condition information, and the credit rating in that case is more suitable for determining the actual search solution, and stores these. By analyzing and analyzing, the degree of association shown in FIG. 5 is created.
  • This analysis and analysis may be performed by artificial intelligence.
  • the creditworthiness is analyzed from the past data.
  • the degree of association of w13 leading to "possible failure” is set to 7 points, and "normal”.
  • the degree of association of w14 that leads to "" is set to 2 points.
  • the degree of association shown in FIG. 7 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association.
  • the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
  • the node 61b is a node that is a combination of the reference settlement information P01 and the reference market condition information P26, and the degree of association of "substantial bankruptcy” is w15, and "management required”.
  • the degree of association is w16.
  • the node 61c is a node that is a combination of the reference market condition information P27 and P29 with respect to the reference settlement information P02, and the association degree of "normal” is w17 and the association degree of "need attention" is w18. ..
  • Such degree of association is what is called learned data in artificial intelligence. After creating such trained data, when actually giving advice from now on, the above-mentioned trained data will be used.
  • the market conditions of the market in which the lender company that newly determines the creditworthiness develops the business and the market conditions information that reflects the market conditions of Japan as a whole and the world as a whole are acquired.
  • the market condition information corresponds to the reference market future information, and the stock price and exchange rate chart information may be directly taken in. If it is other statistical data, the data may be acquired directly.
  • the degree of association shown in FIG. 7 (Table 1) acquired in advance is referred to.
  • the node 61d is associated through the degree of association, and this node In 61d, "substantial failure” is associated with w19, and “need attention” is associated with a degree of association w20.
  • the “substantial failure” with the highest degree of association is selected as the optimum solution.
  • FIG. 8 shows an example in which the combination of the above-mentioned reference settlement information, the reference external environment information, and the credit rating for the combination are set to three or more levels of association.
  • External environment information for reference is various information related to external environment information.
  • the external environmental information mentioned here is economic data (GDP, employment statistics, mining and industry production index, capital investment, labor force survey, etc.), household data (household consumption situation survey, household data, average working hours per week, savings amount).
  • Statistical data annual income statistical data, etc.
  • real estate data office vacancy rate, unit price per tsubo, rent market, land price, vacant house data, etc.
  • natural environment data diisaster data, temperature data, precipitation data, wind direction data, humidity data, etc.
  • Etc. natural environment data
  • the external environment information includes all information outside the company to be examined, in addition to the information that reflects some or all of these data.
  • the external environment information for reference may be typified by the external environment itself.
  • the reference market information P30 to P33 in FIG. 8 may be information classified by type, and may be classified by separating them by data in employment statistics, for example. Further, it may be categorized by a pattern (for example, a pattern in which the growth rate of GDP increases rapidly or gradually) or the like.
  • the input data is, for example, reference settlement information P01 to P03 and reference external environment information P30 to 33.
  • the intermediate node shown in FIG. 8 is a combination of the reference settlement information and the reference external environment information as such input data.
  • Each intermediate node is further linked to the output. In this output, the credit rating as the output solution is displayed.
  • Each combination (intermediate node) of the reference settlement information and the reference external environment information is related to each other through three or more levels of association with the credit rating as this output solution.
  • the reference settlement information and the reference external environment information are arranged on the left side via this degree of association, and the credit rating is arranged on the right side via this degree of association.
  • the degree of association indicates the degree of relevance to the creditworthiness of the reference settlement information and the reference external environment information arranged on the left side.
  • this degree of association is an index showing what kind of credit is likely to be associated with each reference settlement information and reference external environment information, and is based on the reference settlement information and reference external environment information. It shows the accuracy in selecting each credit rating that is most likely.
  • the optimum credit rating will be searched for by combining the reference settlement information and the reference external environment information.
  • w13 to w22 are shown as the degree of association. As shown in Table 1, these w13 to w22 are shown in 10 stages, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the output, and conversely, 1 point. The closer they are, the less relevant each combination as an intermediate node is to the output.
  • the search device 2 acquires in advance the degree of association w13 to w22 of three or more stages shown in FIG. That is, the search device 2 accumulates past data as to which of the reference settlement information, the reference external environment information, and the credit rating in that case was suitable for determining the actual search solution, and these By analyzing and analyzing the above, the degree of association shown in FIG. 5 is created.
  • This analysis and analysis may be performed by artificial intelligence.
  • the creditworthiness is analyzed from the past data.
  • the degree of association of w13 leading to "possible failure” is set to 7 points, and "normal”.
  • the degree of association of w14 that leads to "" is set to 2 points.
  • the degree of association shown in FIG. 8 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association.
  • the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
  • the node 61b is a node that is a combination of the reference settlement information P01 and the reference external environment information P30, and the degree of association of "substantial failure" is w15, and "management required”.
  • the degree of association is w16.
  • the node 61c is a node that is a combination of the reference external environment information P31 and P33 with respect to the reference settlement information P02, and the association degree of "normal” is w17 and the association degree of "need attention" is w18. There is.
  • Such degree of association is what is called learned data in artificial intelligence.
  • the above-mentioned trained data After creating such trained data, when actually giving advice from now on, the above-mentioned trained data will be used.
  • external environmental information outside the lender company whose creditworthiness is newly determined is acquired.
  • the external environment information corresponds to the reference market external environment information, and these data may be directly captured. If it is other statistical data, the data may be acquired directly.
  • the credit rating is searched based on the newly acquired financial statements information and external environment information in this way.
  • the degree of association shown in FIG. 8 (Table 1) acquired in advance is referred to.
  • the node 61d is associated via the degree of association.
  • the node 61d is associated with "substantial failure” by w19 and “need attention” by the degree of association w20.
  • the “substantial failure” with the highest degree of association is selected as the optimum solution.
  • FIG. 9 in addition to the above-mentioned reference settlement information and reference management plan information, a combination of reference market future information and creditworthiness for the combination are set to three or more levels of association. An example is shown.
  • the degree of association is such that the set of the combination of the reference settlement information, the reference management plan information, and the reference market future potential information is the same as described above, and the nodes 61a to the intermediate node. It will be expressed as 61e.
  • the reference settlement information P02 is associated with the reference degree w3
  • the reference management plan information P15 is associated with the association degree w7
  • the reference market future information P19 is associated with the association degree w11.
  • the reference settlement information P03 is associated with the association degree w5
  • the reference management plan information P15 is associated with the association degree w8
  • the reference market future information P18 is associated with the association degree w10.
  • the search solution is determined based on the newly acquired settlement information, the management plan information, and the management plan information.
  • the acquired settlement information is the same as or similar to the reference settlement information P02
  • the acquired management plan information corresponds to the reference management plan information P15
  • the acquired management plan information corresponds to the reference management plan information P19.
  • the combination is associated with the node 61c, in which "normal” is associated with the degree of association w17 and "need attention" is associated with the degree of association w18.
  • a search solution is actually obtained based on w17 and w18.
  • the reference information U is composed of reference financial information, reference management plan information, reference intellectual asset information, reference market information, reference external environment information, and the like.
  • the reference information V in addition to the reference financial statements information that constitutes the degree of association in combination with the reference information U, the reference management plan information, the reference intellectual asset information, the reference market condition information, and the reference external environment information are used. The determination may be made based on the degree of association of these combinations.
  • the output solution corresponds to each credit rating described above.
  • the output obtained for the reference information U may be used as the input data as it is, and may be associated with the output via the intermediate node 61 in combination with the reference information V.
  • the reference information U after the output solution is output, this may be used as an input as it is, and the output may be searched by using the degree of association with other reference information V.
  • the degree of association is expressed by a 10-step evaluation, but it is not limited to this, and it may be expressed by a degree of association of 3 or more levels, and conversely, it may be expressed by 3 or more levels. For example, 100 steps or 1000 steps may be used.
  • this degree of association does not include those expressed in two stages, that is, whether or not they are related to each other, either 1 or 0.
  • the present invention having the above-described configuration, anyone can easily search for the creditworthiness of a company considering financing without any special skill or experience. Further, according to the present invention, it is possible to determine the search solution with higher accuracy than that performed by a human being. Further, by configuring the above-mentioned degree of association with artificial intelligence (neural network or the like), it is possible to further improve the discrimination accuracy by learning this.
  • artificial intelligence neural network or the like
  • the above-mentioned input data and output data may not be exactly the same in the process of training, so that the input data and the output data may be classified by type. That is, the information P01, P02, ... P15, 16, ... That constitute the input data are classified according to the criteria classified in advance on the system side or the user side according to the content of the information, and the classified inputs. A dataset may be created between the data and the output data and trained.
  • the degree of association can be described by, for example, a numerical value from 0 to 100% in addition to the above-mentioned 10 steps, but the degree of association is not limited to this and can be described by a numerical value of 3 or more steps at any step. It may be configured.
  • the present invention it is possible to judge without overlooking the discrimination result of the extremely low output such as the degree of association of 1%. Remind the user that even a judgment result with an extremely low degree of association is connected as a slight sign, and may be useful as the judgment result once every tens or hundreds of times. be able to.
  • the search policy can be determined by the method of setting the threshold value by performing the search based on the degree of association of three or more stages. If the threshold value is lowered, even if the above-mentioned degree of association is 1%, it can be picked up without omission, but it is unlikely that a more appropriate discrimination result can be detected favorably, and a lot of noise may be picked up. is there. On the other hand, if the threshold value is raised, there is a high possibility that the optimum search solution can be detected with high probability, but the degree of association is usually low and it is passed through, but it is suitable to appear once in tens or hundreds of times. Sometimes the solution is overlooked. It is possible to decide which one should be emphasized based on the ideas of the user side and the system side, but it is possible to increase the degree of freedom in selecting the points to be emphasized.
  • the above-mentioned degree of association may be updated.
  • This update may reflect information provided via a public communication network such as the Internet.
  • a public communication network such as the Internet.
  • the degree of association is increased or decreased accordingly. Let me.
  • this update corresponds to learning in terms of artificial intelligence. It can be said that it is a learning act because it acquires new data and reflects it in the learned data.
  • this update of the degree of association is not based on information that can be obtained from the public communication network, but is also updated by the system side or the user side based on the contents of research data, papers, conference presentations, newspaper articles, books, etc. by experts. It may be updated artificially or automatically. Artificial intelligence may be utilized in these update processes.
  • the process of first creating a trained model and the above-mentioned update may use not only supervised learning but also unsupervised learning, deep learning, reinforcement learning, and the like.
  • unsupervised learning instead of reading and learning the data set of input data and output data, information corresponding to the input data is read and trained, and the degree of association related to the output data is self-formed from there. You may let it.

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

融資先企業の信用度を判定する融資先信用度判定プログラムにおいて、新たに信用度を判定する融資先企業の最近の決算情報を取得する情報取得ステップと、予め取得した過去の決算内容を含む参照用決算情報と、その過去の決算内容に基づいて判定された信用度との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した決算情報に応じた参照用決算情報と信用度との３段階以上の連関度に基づき、融資先企業の信用度を判定する判定ステップとをコンピュータに実行させることを特徴とする。

Description

融資先信用度判定プログラム及びシステム
　本発明は、融資を行うか否かを判別する上で、その融資先企業の信用度を高精度に判定する上で好適な融資先信用度判定プログラム及びシステムに関する。
　金融機関が起業に対して融資を行う際には、銀行員が融資先企業の信用度を判定する。この信用度の判定は、その融資先の過去の決算書や業績等、様々な情報を勘案した上で行うことになる。しかしながら、判定しなければならない融資先企業の数が多い場合等には判定作業が遅れてしまう場合もあり、また判定作業の労力の負担を軽減する必要もあった。一方、この融資判定は、一企業にとって融資を受けられるか否かが死活問題になる場合もあることから、高い判定精度が求められる。従来において、このような融資判定を自動的かつ高精度に行ってくれるシステムは提案されていないのが現状であった。
　そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、金融機関が融資を行うか否かを判別する上で、その融資先企業の信用度を自動的かつ高精度に判定することが可能な融資先信用度判定プログラム及びシステムを提供することにある。
　上述した課題を解決するために、本発明に係る融資先信用度判定プログラムは、融資先企業の信用度を判定する融資先信用度判定プログラムにおいて、新たに信用度を判定する融資先企業の最近の決算情報と、新たに信用度を判定する融資先企業が事業展開する市場の将来性に関する市場将来性情報とを取得する情報取得ステップと、予め取得した過去の決算内容を含む参照用決算情報と、上記参照用決算情報を取得した企業が事業展開した市場の将来性に関する参照用市場将来性情報との組み合わせと、その過去の決算内容に基づいて判定された信用度との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した決算情報に応じた参照用決算情報と取得した市場将来性情報に応じた参照用市場将来性情報との組み合わせと、信用度との３段階以上の連関度に基づき、融資先企業の信用度を判定する判定ステップとをコンピュータに実行させることを特徴とする。
　特段のスキルや経験が無くても、金融機関が融資を行うか否かを判別する上で、その融資先企業の信用度を自動的かつ高精度に判定することが可能となる。
図１は、本発明を適用したシステムの全体構成を示すブロック図である。 図２は、探索装置の具体的な構成例を示す図である。 図３は、参照用決算情報と、信用度との３段階以上の連関度の例を示す図である。 図４は、参照用決算情報と参照用経営計画情報の組み合わせの連関度を構成する例を示す図である。 図５は、参照用決算情報と参照用市場将来性情報の組み合わせの連関度を構成する例を示す図である。 図６は、参照用決算情報と参照用知的資産情報の組み合わせの連関度を構成する例を示す図である。 図７は、参照用決算情報と参照用市況情報の組み合わせの連関度を構成する例を示す図である。 図８は、参照用決算情報と参照用外部環境情報の組み合わせの連関度を構成する例を示す図である。 図９は、３種類の参照用情報の組み合わせの連関度を構成する例を示す図である。 図１０は、連関度の他の形態について説明するための図である。
　以下、本発明を適用した融資先信用度判定プログラムについて、図面を参照しながら詳細に説明をする。
　図１は、本発明を適用した融資先信用度判定プログラムが実装される融資先信用度判定システム１の全体構成を示すブロック図である。融資先信用度判定システム１は、情報取得部９と、情報取得部９に接続された探索装置２と、探索装置２に接続されたデータベース３とを備えている。
　情報取得部９は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部９は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部９は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部９は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部９は、後述する探索装置２と一体化されていてもよい。情報取得部９は、検知した情報を探索装置２へと出力する。また情報取得部９は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部９は、温度センサ、湿度センサ、流量センサ、その他物質や物性を特定することが可能なセンサも含む。情報取得部９は、インターネット上のサイトに掲載されている文字列やデータを自動的に取り込んでくる手段で構成されていてもよい。
　データベース３は、融資先信用度判定を行う上で必要な様々な情報が蓄積される。株融資先信用度判定を行う上で必要な情報としては、過去の決算内容を含む参照用決算情報、企業から取得した経営計画に関する参照用経営計画情報、企業が保有していた知的資産に関する参照用知的資産情報、過去のある時点における市況に関する参照用市況情報、過去のある時期における外部環境に関する参照用外部環境情報と、過去において判定された信用度とのデータセットが記憶されている。
　つまり、データベース３には、このような参照用決算情報に加え、参照用経営計画情報、参照用知的資産情報、参照用市況情報、参照用外部環境情報の何れか１以上と、過去において判定された信用度とが互いに紐づけられて記憶されている。
　探索装置２は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この探索装置２による探索解を得ることができる。
　図２は、探索装置２の具体的な構成例を示している。この探索装置２は、探索装置２全体を制御するための制御部２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、有線通信又は無線通信を行うための通信部２６と、各種判断を行う推定部２７と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２８とが内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、実際に情報を表示するモニタとしての表示部２３が接続されている。
  制御部２４は、内部バス２１を介して制御信号を送信することにより、探索装置２内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部２４は、操作部２５を介した操作に応じて各種制御用の指令を内部バス２１を介して伝達する。
　操作部２５は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザから入力された場合には、これを制御部２４に通知する。この通知を受けた制御部２４は、推定部２７を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部２５は、前述した情報取得部９として具現化されるものであってもよい。
　推定部２７は、探索解を推定する。この推定部２７は、推定動作を実行するに当たり、必要な情報として記憶部２８に記憶されている各種情報や、データベース３に記憶されている各種情報を読み出す。この推定部２７は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。
  表示部２３は、制御部２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部２３は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。
  記憶部２８は、ハードディスクで構成される場合において、制御部２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２８には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部２４により読み出されて実行されることになる。
　上述した構成からなる融資先信用度判定システム１における動作について説明をする。
　融資先信用度判定システム１では、例えば図３に示すように、参照用決算情報と、信用度との３段階以上の連関度が予め設定され、取得されていることが前提となる。参照用決算情報とは、過去に審査した企業の決算内容が反映されたものである。つまり、これから融資先信用度を判定しようとする現時点があったときに、これよりも以前に審査を行った企業の過去の決算内容が反映されたものが参照用決算情報である。この参照用決算情報の例としては、その決算内容を提供してもらった企業の決算書等を始めとしたあらゆる決算に関するデータであり、例えば決算書に記載された帳簿情報、財務情報の数値が中心であり、流動比率、流動負債、自己資本比率　株主資本、総資本、ギアリング比率、有利子負債、自己資本、売上高経常利益率、経常利益、売上高、総資本経常利益率、経常利益、総資本、当期利益額、経常利益増加率、当期経常利益、前期経常利益、売上高、返済能力、債務償還年数、有利子負債、運転資金、キャッシュフロー、営業利益、減価償却費等である。参照用決算情報には、これらの決算書の数値以外に、債務超過になっていないか、役員からの借入金や棚卸資産（在庫）等がどの程度あるか等も含めるようにしてもよい。これらの参照用決算情報は１年分であっても数年分であってもよい。
　信用度は、「正常」、「要注意」、「破綻可能性有」、「実質破綻」、「破綻」等とランク付けするようにしてもよいし、百分率で表示し、１００％が最も信用度が高く、０％が最も信用度が低いものとしてもよい。この信用度は、参照用決算情報との間でのデータセットとして事前に収集される。この信用度は例えば以前金融機関において判断を行った記録などがあればそれをそのまま用いるようにしてもよい。また同一又は類似の参照用決算情報で、融資が認められた件数と、融資が下りなかった件数とから信用度を算出するようにしてもよい。ちなみに、この信用度は、参照用決算情報を提供した企業に対して付されたものである。このため、過去の審査において、参照用決算情報を提供してもらった企業と、その企業に対して付された信用度を取得することで、これらのデータセットを取得することができる。このような事例を数多く集めておく。決算情報は、企業間において完全に同一の決算情報はないことから、決算情報自体を類型化しておくよういしてもよい。つまり図３の参照用決算情報Ｐ０１～Ｐ０３は類型別に分類した決算情報であってもよく、例えば、利益率や利益の額等により区切ることで分類するようにしてもよい。また、パターン（例えば、売掛金が多い、接待費が多い、サービス業のため在庫を持たない）等により類型化されていてもよい。
　つまり、この参照用決算情報と、信用度のデータセットを通じて、参照用決算情報において生じた様々な決算に関するデータが、融資審査においてどのように判定されたかが分かる。つまり参照用決算情報に記述された決算データと信用度とがデータセットとなっている。このため、参照用決算情報と信用度のデータセットを集めておくことにより、過去どのような決算内容となった後の審査で、信用度がどのように判定されたかを知ることが可能となる。
　図３の例では、入力データとして例えば参照用決算情報Ｐ０１～Ｐ０３であるものとする。このような入力データとしての参照用決算情報は、出力に連結している。この出力においては、出力解としての、信用度が表示されている。
　参照用決算情報は、この出力解としての信用度に対して３段階以上の連関度を通じて互いに連関しあっている。参照用決算情報がこの連関度を介して左側に配列し、信用度が連関度を介して右側に配列している。連関度は、左側に配列された参照用決算情報に対して、何れの信用度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用決算情報が、いかなる信用度に紐付けられる可能性が高いかを示す指標であり、参照用決算情報から最も確からしいる信用度を選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３～ｗ１９が示されている。このｗ１３～ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての信用度と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての信用度と互いに関連度合いが低いことを示している。
Figure JPOXMLDOC01-appb-T000001
　探索装置２は、このような図３に示す３段階以上の連関度ｗ１３～ｗ１９を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用決算情報と、その場合の信用度の何れが採用されたか、過去のデータを蓄積しておき、これらを分析、解析することで図３に示す連関度を作り上げておく。
　例えば、ある参照用決算情報が、「破綻可能性有」と判定されたものとする。であるものとする。このような状況において、類似のパターンの参照用決算情報が、「破綻可能性有」と判定されたものが同様に多かったものとする。このような場合には、「破綻可能性有」の連関度が強くなる。これに対して、全く同じ参照用決算情報のパターン（分類）において、「実質破綻」と判定されたものが多く、「破綻可能性有」と判定されたものが少なかったものとする。かかる場合には、「実質破綻」の連関度が強くなり、「破綻可能性有」の連関度が低くなる。
　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用決算情報Ｐ０１である場合に、過去の信用度の判定結果のデータから分析する。これは、例えば金融機関において保管されている過去の融資審査における信用度の判定結果のデータから抽出するようにしてもよい。参照用決算情報Ｐ０１である場合に、
「破綻可能性有」の事例が多い場合には、この「破綻可能性有」につながる連関度をより高く設定し、「実質破綻」の事例が多い場合には、この「実質破綻」につながる連関度をより高く設定する。例えば参照用決算情報Ｐ０１の例では、「破綻可能性有」と「実質破綻」にリンクしているが、以前の事例から「破綻可能性有」につながるｗ１３の連関度を７点に、「実質破綻」につながるｗ１４の連関度を２点に設定している。
　また、この図３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに信用度の判定を行う上で、上述した学習済みデータを利用して信用度を予測することとなる。かかる場合には、実際に新たに信用度を判定する融資先企業の最近の決算情報を取得する。この決算情報は、最近１年分であっても数年分であってもよい。この決算情報は、上述した参照用決算情報と同種のデータで構成される。
　新たに取得する決算情報は、上述した情報取得部９により入力される。情報取得部９は、このような決算情報を電子データとして取得するようにしてもよい。
　このようにして新たに取得した決算情報に基づいて、実際にその決算情報に対して、判定される可能性の高い信用度を探索する。かかる場合には、予め取得した図３（表１）に示す連関度を参照する。例えば、新たに取得した決算情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して「正常」がｗ１５、「実質破綻」が連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い「正常」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「実質破綻」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　このようにして、新たに取得する決算情報から、判定すべき信用度を探索し、ユーザ（コンサルタント、銀行員、顧客）に表示することができる。この探索結果を見ることにより、ユーザは、探索された信用度に基づいて、融資先候補の信用の程度把握することができる。ちなみに、この信用度を出力する過程において、単に探索された信用度のみを表示する以外に、この信用度に基づいて、具体的にどの程度融資すべきかまでを表示することで助言を構成するようにしてもよい。
　図４の例では、入力データとして例えば参照用決算情報Ｐ０１～Ｐ０３、参照用経営計画情報Ｐ１４～１７であるものとする。このような入力データとしての、参照用決算情報に対して、参照用経営計画情報が組み合わさったものが、図４に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各信用度が表示されている。
　図４の例では、参照用決算情報と、参照用経営計画情報との組み合わせが形成されていることが前提となる。参照用経営計画情報とは、経営計画書の内容に関するものである。経営計画書の内容の例としては、ビジョン、行動指針、経営方針、目標、機会・脅威と強みの分析(内部・外部環境分析)、目標とのギャップ分析、中期経営計画(必要性と策定手順)、単年度経営計画、売上目標等、一般的な経営計画書に記載されている情報からなるものである。参照用経営計画情報は、以前審査を行った企業から取得したものを利用するようにしてもよい。その審査を行った企業から、参照用決算情報と、参照用経営計画情報とこれに対する信用度の判定結果を取得することとなる。
参照用経営計画情報は、企業間において完全に同一の経営計画書はないことから、経営計画自体を類型化しておくようにしてもよい。つまり図４の参照用経営計画情報Ｐ１４～Ｐ１７は類型別に分類した情報であってもよく、例えば、売り上げ目標や経営方針等により区切ることで分類するようにしてもよい。また、パターン（例えば、単年度経営計画のパターンやビジョンのパターン）等により類型化されていてもよい。
　図４の例では、入力データとして例えば参照用決算情報Ｐ０１～Ｐ０３、参照用経営計画情報Ｐ１４～１７であるものとする。このような入力データとしての、参照用決算情報に対して、参照用経営計画情報が組み合わさったものが、図４に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての信用度が表示されている。
　参照用決算情報と参照用経営計画情報との各組み合わせ（中間ノード）は、この出力解としての信用度に対して３段階以上の連関度を通じて互いに連関しあっている。参照用決算情報と参照用経営計画情報がこの連関度を介して左側に配列し、信用度が連関度を介して右側に配列している。連関度は、左側に配列された参照用決算情報と参照用経営計画情報に対して、各信用度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用決算情報と参照用経営計画情報が、いかなる信用度に紐付けられる可能性が高いかを示す指標であり、参照用決算情報と参照用経営計画情報から最も確からしい各信用度を選択する上での的確性を示すものである。決算情報に加え、実際にその経営計画に応じて、その後の事業の成功確率も踏まえて判断することができ、資金回収の可能性は異なるものとなる。このため、これらの参照用決算情報と参照用経営計画情報の組み合わせで、最適な信用度を探索していくこととなる。
　図４の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。
　探索装置２は、このような図４に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で参照用決算情報と参照用経営計画情報、並びにその場合の信用度の何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図４に示す連関度を作り上げておく。
　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用決算情報Ｐ０１で、参照用経営計画情報Ｐ１６である場合に、その信用度を過去のデータから分析する。信用度が「破綻可能性有」の事例が多い場合には、この「破綻可能性有」につながる連関度をより高く設定し、「正常」の事例が多く、「破綻可能性有」の事例が少ない場合には、「正常」につながる連関度を高くし、「破綻可能性有」につながる連関度を低く設定する。例えば中間ノード６１ａの例では、「破綻可能性有」と「正常」の出力にリンクしているが、以前の事例から「破綻可能性有」につながるｗ１３の連関度を７点に、「正常」につながるｗ１４の連関度を２点に設定している。
　また、この図４に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　図４に示す連関度の例で、ノード６１ｂは、参照用決算情報Ｐ０１に対して、参照用経営計画情報Ｐ１４の組み合わせのノードであり、「実質破綻」の連関度がｗ１５、「要管理先」の連関度がｗ１６となっている。ノード６１ｃは、参照用決算情報Ｐ０２に対して、参照用経営計画情報Ｐ１５、Ｐ１７の組み合わせのノードであり、信用度の連関度がｗ１７、信用度の連関度がｗ１８となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから信用度判定のための探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、新たに信用度の判定を行う企業から決算情報に加え、経営計画情報を取得する。この経営計画情報は、上述した参照用経営計画情報に対応するものであり、その判定対象の企業の目標とのギャップ分析、中期経営計画等のデータを取り込み、又は直接的に入力するようにしてもよい。
　このようにして新たに取得した決算情報、経営計画情報に基づいて、最適な信用度を探索する。かかる場合には、予め取得した図４（表１）に示す連関度を参照する。例えば、新たに取得した決算情報がＰ０２と同一かこれに類似するものである場合であって、経営計画情報がＰ１７と同一かこれに類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、「実質破綻」がｗ１９、「要注意先」が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い「実質破綻」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「要注意先」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　また、入力から伸びている連関度ｗ１～ｗ１２の例を以下の表２に示す。
Figure JPOXMLDOC01-appb-T000002
　この入力から伸びている連関度ｗ１～ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１～ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１～ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。
　図５は、上述した参照用決算情報と、参照用市場将来性情報との組み合わせと、当該組み合わせに対する信用度との３段階以上の連関度が設定されている例を示している。
　参照用市場将来性情報とは、その企業が製品やサービスを提供しようとする市場の将来性に関するあらゆるデータである。この参照用市場将来性情報は、どの市場におけるブログ、アナリストレポート、有価証券報告書、広告、プレスリリース、ニュース記事等に基づく様々なデータを含む。参照用市場将来性情報は、市場将来性自体を類型化しておくようにしてもよい。つまり図５の参照用市場将来性情報Ｐ１８～Ｐ２１は類型別に分類した情報であってもよく、例えば、アナリストにより市場の伸び率が年〇％以上あるか否かにより区切ることで分類するようにしてもよい。また、パターン（例えば、市場の伸び率が急激が、あるいは徐々に増加するか等のパターン）等により類型化されていてもよい。
　図５の例では、入力データとして例えば参照用決算情報Ｐ０１～Ｐ０３、参照用市場将来性情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用決算情報に対して、参照用市場将来性情報が組み合わさったものが、図５に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、信用度が表示されている。
　参照用決算情報と参照用市場将来性情報との各組み合わせ（中間ノード）は、この出力解としての、信用度に対して３段階以上の連関度を通じて互いに連関しあっている。参照用決算情報と参照用市場将来性情報がこの連関度を介して左側に配列し、信用度が連関度を介して右側に配列している。連関度は、左側に配列された参照用決算情報と参照用市場将来性情報に対して、信用度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用決算情報と参照市場将来性情報が、いかなる信用度に紐付けられる可能性が高いかを示す指標であり、参照用決算情報と参照用市場将来性情報から最も確からしい各信用度を選択する上での的確性を示すものである。決算情報に加え、実際の市場将来性がいかなる状態にあるのかに応じて、資金回収の可能性は変化する。このため、これらの参照用決算情報と参照用市場将来性情報の組み合わせで、最適な信用度を探索していくこととなる。
　図５の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。
　探索装置２は、このような図５に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用決算情報と参照用市場将来性情報、並びにその場合の信用度が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図５に示す連関度を作り上げておく。
　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用決算情報Ｐ０１で、参照用市場将来性情報Ｐ２０である場合に、その信用度を過去のデータから分析する。例えば中間ノード６１ａの例では、「破綻可能性有」と「正常」の出力にリンクしているが、以前の事例から「破綻可能性有」につながるｗ１３の連関度を７点に、「正常」につながるｗ１４の連関度を２点に設定している。
　また、この図５に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　図５に示す連関度の例で、ノード６１ｂは、参照用決算情報Ｐ０１に対して、参照用市場将来性情報Ｐ１８の組み合わせのノードであり、「実質破綻」の連関度がｗ１５、「要管理先」の連関度がｗ１６となっている。ノード６１ｃは、参照用決算情報Ｐ０２に対して、参照用市場将来性情報Ｐ１９、Ｐ２１の組み合わせのノードであり、「正常
」の連関度がｗ１７、「要注意先」の連関度がｗ１８となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した決算情報に加え、新たに信用度を判定する融資先企業が事業展開する市場の将来性に関す市場将来性情報を取得する。市場将来性情報は、参照用市場将来性情報に対応したものであり、アナリストレポートや有価証券報告書を直接取り込むようにしてもよい。他の統計データであれば、そのデータを直接取得するようにしてもよい。
　このようにして新たに取得した決算情報、市場将来性情報に基づいて、信用度を探索する。かかる場合には、予め取得した図５（表１）に示す連関度を参照する。例えば、新たに取得した決算情報がＰ０２と同一かこれに類似するものである場合であって、市場将来性情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、「実質破綻」がｗ１９、「要注意先」が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い「実質破綻」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「要注意先」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　図６は、上述した参照用決算情報と、参照用知的資産情報との組み合わせと、当該組み合わせに対する信用度との３段階以上の連関度が設定されている例を示している。
　参照用知的資産情報とは、その企業が保有する知的資産に関する情報であり、例えば特許権、実用新案権、意匠権、商標権、著作権等の情報が中心である。この参照用知的資産情報としては、これら以外に出願中の特許や意匠、商標や、企業内において蓄積しているノウハウ、営業情報、顧客情報、製造プロセスに関する知見等、あらゆる知的資産が含まれる参照用知的資産情報は、知的資産自体を類型化しておくようにしてもよい。つまり図６の参照用知的資産情報Ｐ２２～Ｐ２５は類型別に分類した情報であってもよく、例えば、特許の件数等で分類するようにしてもよい。また、パターン（特許、意匠、商標の比率等のパターン）等により類型化されていてもよい。
　図６の例では、入力データとして例えば参照用決算情報Ｐ０１～Ｐ０３、参照用知的資産情報Ｐ２２～２５であるものとする。このような入力データとしての、参照用決算情報に対して、参照用知的資産情報が組み合わさったものが、図６に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、信用度が表示されている。
　参照用決算情報と参照用知的資産情報との各組み合わせ（中間ノード）は、この出力解としての、信用度に対して３段階以上の連関度を通じて互いに連関しあっている。参照用決算情報と参照用知的資産情報がこの連関度を介して左側に配列し、信用度が連関度を介して右側に配列している。連関度は、左側に配列された参照用決算情報と参照用知的資産情報に対して、信用度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用決算情報と参照用知的資産情報が、いかなる信用度に紐付けられる可能性が高いかを示す指標であり、参照用決算情報と参照用知的資産情報から最も確からしい各信用度を選択する上での的確性を示すものである。決算情報に加え、実際の知的資産がいかなる状態にあるのかに応じて、資金回収の可能性は変化する。このため、これらの参照用決算情報と参照用知的資産情報の組み合わせで、最適な信用度を探索していくこととなる。
　図６の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。
　探索装置２は、このような図６に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用決算情報と参照用知的資産情報、並びにその場合の信用度が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図５に示す連関度を作り上げておく。
　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用決算情報Ｐ０１で、参照用知的資産情報Ｐ２４である場合に、その信用度を過去のデータから分析する。例えば中間ノード６１ａの例では、「破綻可能性有」と「正常」の出力にリンクしているが、以前の事例から「破綻可能性有」につながるｗ１３の連関度を７点に、「正常」につながるｗ１４の連関度を２点に設定している。
　また、この図６に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　図６に示す連関度の例で、ノード６１ｂは、参照用決算情報Ｐ０１に対して、参照用知的資産情報Ｐ２２の組み合わせのノードであり、「実質破綻」の連関度がｗ１５、「要管理先」の連関度がｗ１６となっている。ノード６１ｃは、参照用決算情報Ｐ０２に対して、参照用知的資産情報Ｐ２３、Ｐ２５の組み合わせのノードであり、「正常」の連関度がｗ１７、「要注意先」の連関度がｗ１８となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した決算情報に加え、新たに信用度を判定する融資先企業が保有する知的資産に関す知的資産情報を取得する。知的資産情報は、参照用知的資産情報に対応したものであり、保有している特許権等の情報であり、これらを直接取り込むようにしてもよい。他の統計データであれば、そのデータを直接取得するようにしてもよい。
　このようにして新たに取得した決算情報、知的資産情報に基づいて、信用度を探索する。かかる場合には、予め取得した図６（表１）に示す連関度を参照する。例えば、新たに取得した決算情報がＰ０２と同一かこれに類似するものである場合であって、知的資産情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、「実質破綻」がｗ１９、「要注意先」が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い「実質破綻」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「要注意先」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　図７は、上述した参照用決算情報と、参照用市況情報との組み合わせと、当該組み合わせに対する信用度との３段階以上の連関度が設定されている例を示している。
　参照用市況情報とは、市況に関する様々な情報である。ここでいう市況は、一企業、またその企業を含む業界全体、或いは日本全体、世界全体までいかなる範囲をターゲットにしてもよい。この参照用市況情報の例としては、金利、為替、各銘柄の株価、原油、先物、貴金属、ビットコイン等の値動きを対象としたものである。この参照用市況情報は、これらの対象について時系列的なチャートや折れ線グラフ等で表示されていてもよい。またボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。また、この市況情報は、各銘柄の企業のファンダメンタルな指標が盛り込まれていてもよく、年間の売り上げや利益、コストに加えて、PER（株価収益率）、PBR（株価純資産倍率）、ROE（株主資本利益率）等の指標が盛り込まれていてもよい。為替についても各通貨間における値動きを示すチャート、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。参照用市況情報は、市場将来性自体を類型化しておくようにしてもよい。つまり図７の参照用市況情報Ｐ２６～Ｐ２９は類型別に分類した情報であってもよく、例えば、株価の伸び率が年〇％以上あるか否かにより区切ることで分類するようにしてもよい。また、パターン（例えば、株価の伸び率が急激が、あるいは徐々に増加するか等のパターン）等により類型化されていてもよい。
　図７の例では、入力データとして例えば参照用決算情報Ｐ０１～Ｐ０３、参照用市況情報Ｐ２６～２９であるものとする。このような入力データとしての、参照用決算情報に対して、参照用市況情報が組み合わさったものが、図７に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、信用度が表示されている。
　参照用決算情報と参照用市況情報との各組み合わせ（中間ノード）は、この出力解としての、信用度に対して３段階以上の連関度を通じて互いに連関しあっている。参照用決算情報と参照用市況情報がこの連関度を介して左側に配列し、信用度が連関度を介して右側に配列している。連関度は、左側に配列された参照用決算情報と参照用市況情報に対して、信用度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用決算情報と参照用市況情報が、いかなる信用度に紐付けられる可能性が高いかを示す指標であり、参照用決算情報と参照用市況情報から最も確からしい各信用度を選択する上での的確性を示すものである。決算情報に加え、実際の市況がいかなる状態にあるのかに応じて、資金回収の可能性は変化する。このため、これらの参照用決算情報と参照用市況情報の組み合わせで、最適な信用度を探索していくこととなる。
　図５の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。
　探索装置２は、このような図５に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用決算情報と参照用市況情報、並びにその場合の信用度が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図５に示す連関度を作り上げておく。
　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用決算情報Ｐ０１で、参照用市況情報Ｐ２８である場合に、その信用度を過去のデータから分析する。例えば中間ノード６１ａの例では、「破綻可能性有」と「正常」の出力にリンクしているが、以前の事例から「破綻可能性有」につながるｗ１３の連関度を７点に、「正常」につながるｗ１４の連関度を２点に設定している。
　また、この図７に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　図５に示す連関度の例で、ノード６１ｂは、参照用決算情報Ｐ０１に対して、参照用市況情報Ｐ２６の組み合わせのノードであり、「実質破綻」の連関度がｗ１５、「要管理先」の連関度がｗ１６となっている。ノード６１ｃは、参照用決算情報Ｐ０２に対して、参照用市況情報Ｐ２７、Ｐ２９の組み合わせのノードであり、「正常
」の連関度がｗ１７、「要注意先」の連関度がｗ１８となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した決算情報に加え、新たに信用度を判定する融資先企業が事業展開する市場の市況や、日本全体、世界全体の市況を映し出す市況情報を取得する。市況情報は、参照用市場将来性情報に対応したものであり、株価や為替のチャート情報を直接取り込むようにしてもよい。他の統計データであれば、そのデータを直接取得するようにしてもよい。
　このようにして新たに取得した決算情報、市況情報に基づいて、信用度を探索する。かかる場合には、予め取得した図７（表１）に示す連関度を参照する。例えば、新たに取得した決算情報がＰ０２と同一かこれに類似するものである場合であって、市況情報がＰ２９である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、「実質破綻」がｗ１９、「要注意先」が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い「実質破綻」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「要注意先」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　図８は、上述した参照用決算情報と、参照用外部環境情報との組み合わせと、当該組み合わせに対する信用度との３段階以上の連関度が設定されている例を示している。
　参照用外部環境情報とは、外部環境情報に関する様々な情報である。ここでいう外部環境情報は、経済データ（ＧＤＰ、雇用統計、鉱工業生産指数、設備投資、労働力調査等）、家計データ（家計消費状況調査、家計データ、１週間の平均就業時間、貯蓄額の統計データ、年収の統計データ等）、不動産データ（オフィス空室率、坪単価、賃料相場、地価、空き家データ等）、自然環境データ（災害データ、気温データ、降水量データ、風向きデータ、湿度データ等）に代表されるものである。外部環境情報は、これらのデータの一部、全部が反映されるもの以外に、その審査対象の企業の外部のあらゆる情報が含まれる。参照用外部環境情報は、外部環境自体を類型化しておくようにしてもよい。つまり図８の参照用市況情報Ｐ３０～Ｐ３３は類型別に分類した情報であってもよく、例えば、雇用統計におけるデータで区切ることで分類するようにしてもよい。また、パターン（例えば、ＧＤＰの伸び率が急激が、あるいは徐々に増加するか等のパターン）等により類型化されていてもよい。
　図８の例では、入力データとして例えば参照用決算情報Ｐ０１～Ｐ０３、参照用外部環境情報Ｐ３０～３３であるものとする。このような入力データとしての、参照用決算情報に対して、参照用外部環境情報が組み合わさったものが、図８に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、信用度が表示されている。
　参照用決算情報と参照用外部環境情報との各組み合わせ（中間ノード）は、この出力解としての、信用度に対して３段階以上の連関度を通じて互いに連関しあっている。参照用決算情報と参照用外部環境情報がこの連関度を介して左側に配列し、信用度が連関度を介して右側に配列している。連関度は、左側に配列された参照用決算情報と参照用外部環境情報に対して、信用度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用決算情報と参照用外部環境情報が、いかなる信用度に紐付けられる可能性が高いかを示す指標であり、参照用決算情報と参照用外部環境情報から最も確からしい各信用度を選択する上での的確性を示すものである。決算情報に加え、実際の外部環境がいかなる状態にあるのかに応じて、資金回収の可能性は変化する。このため、これらの参照用決算情報と参照用外部環境情報の組み合わせで、最適な信用度を探索していくこととなる。
　図５の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。
　探索装置２は、このような図５に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用決算情報と参照用外部環境情報、並びにその場合の信用度が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図５に示す連関度を作り上げておく。
　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用決算情報Ｐ０１で、参照用外部環境情報Ｐ２８である場合に、その信用度を過去のデータから分析する。例えば中間ノード６１ａの例では、「破綻可能性有」と「正常」の出力にリンクしているが、以前の事例から「破綻可能性有」につながるｗ１３の連関度を７点に、「正常」につながるｗ１４の連関度を２点に設定している。
　また、この図８に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　図８に示す連関度の例で、ノード６１ｂは、参照用決算情報Ｐ０１に対して、参照用外部環境情報Ｐ３０の組み合わせのノードであり、「実質破綻」の連関度がｗ１５、「要管理先」の連関度がｗ１６となっている。ノード６１ｃは、参照用決算情報Ｐ０２に対して、参照用外部環境情報Ｐ３１、Ｐ３３の組み合わせのノードであり、「正常」の連関度がｗ１７、「要注意先」の連関度がｗ１８となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した決算情報に加え、新たに信用度を判定する融資先企業の外部にある外部環境情報を取得する。外部環境情報は、参照用市場外部環境情報に対応したものであこれらのデータを直接取り込むようにしてもよい。他の統計データであれば、そのデータを直接取得するようにしてもよい。
　このようにして新たに取得した決算情報、外部環境情報に基づいて、信用度を探索する。かかる場合には、予め取得した図８（表１）に示す連関度を参照する。例えば、新たに取得した決算情報がＰ０２と同一かこれに類似するものである場合であって、外部環境情報がＰ３３である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、「実質破綻」がｗ１９、「要注意先」が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い「実質破綻」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「要注意先」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　図９は、上述した参照用決算情報と、参照用経営計画情報に加えて、更に参照用市場将来性情報との組み合わせと、当該組み合わせに対する信用度との３段階以上の連関度が設定されている例を示している。
  かかる場合において、連関度は、図９に示すように、参照用決算情報と、参照用経営計画情報と、参照用市場将来性情報との組み合わせの集合が上述と同様に中間ノードのノード６１ａ～６１ｅとして表現されることとなる。
　例えば、図９において、ノード６１ｃは、参照用決算情報Ｐ０２が連関度ｗ３で、参照用経営計画情報Ｐ１５が連関度ｗ７で、参照用市場将来性情報Ｐ１９が連関度ｗ１１で連関している。同様にノード６１ｅは、参照用決算情報Ｐ０３が連関度ｗ５で、参照用経営計画情報Ｐ１５が連関度ｗ８で、参照用市場将来性情報Ｐ１８が連関度ｗ１０で連関している。
  このような連関度が設定されている場合も同様に、新たに取得した決算情報と、経営計画情報と、経営計画情報とに基づいて探索解を判別する。
　この探索解を判別する上で予め取得した図９に示す連関度を参照する。例えば、取得した決算情報が参照用決算情報Ｐ０２に同一又は類似で、取得した経営計画情報が参照用経営計画情報Ｐ１５に対応し、更に取得した経営計画情報が参照用経営計画情報Ｐ１９に対応する場合、その組み合わせはノード６１ｃが関連付けられており、このノード６１ｃは、「正常」が連関度ｗ１７で、また「要注意先」が連関度ｗ１８で関連付けられている。このような連関度の結果、ｗ１７、ｗ１８に基づいて、実際に探索解を求めていくことになる。
　このような入力パラメータの種類を３種類以上にわたり組み合わせる場合には、参照用決算情報に加え、参照経営計画情報、参照用経営計画情報、参照用知的資産情報、参照用市況情報、参照用外部環境情報の何れか２以上で組み合わせが構成されたものであっても適用可能である。
　また、図１０に示すように、参照用情報Ｕとして、参照用決算情報に加え、参照用経営計画情報、参照用知的資産情報、参照用市況情報、参照用外部環境情報等で構成し、参照用情報Ｖとして、参照用情報Ｕと組み合わせて連関度を構成する参照用決算情報に加え、参照用経営計画情報、参照用知的資産情報、参照用市況情報、参照用外部環境情報とし、これらの組み合わせの連関度に基づいて判別するようにしてもよい。出力解は、上述した各信用度に該当する。
　このとき、参照用情報Ｕについて得られた出力をそのまま入力データとして、参照用情報Ｖとの組み合わせの中間ノード６１を介して出力と関連付けられていてもよい。例えば、参照用情報Ｕについて、出力解を出した後、これをそのまま入力として、他の参照用情報Ｖとの間での連関度を利用し、出力を探索するようにしてもよい。
　上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。
　上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に融資を検討している企業の信用度の探索を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能（ニューラルネットワーク等）で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。
　なお、上述した入力データ、及び出力データは、学習させる過程で完全に同一のものが存在しない場合も多々あることから、これらの入力データと出力データを類型別に分類した情報であってもよい。つまり、入力データを構成する情報Ｐ０１、Ｐ０２、・・・・Ｐ１５、１６、・・・は、その情報の内容に応じて予めシステム側又はユーザ側において分類した基準で分類し、その分類した入力データと出力データとの間でデータセットを作り、学習させるようにしてもよい。
　また、本発明によれば、３段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した１０段階以外に、例えば０～１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。
　このような３段階以上の数値で表される連関度に基づいてより信用度に関する信憑性が高く、誤認の低い信用度を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。
　これに加えて、本発明によれば、連関度が１％のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。
　更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。
　更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また市況情報に加え、イベント情報、外部環境情報、家計情報、不動産情報、専門家意見情報、自然環境情報に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。
　つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。
　また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。
　また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。
１　融資先信用度判定システム
２　探索装置
２１　内部バス
２３　表示部
２４　制御部
２５　操作部
２６　通信部
２７　推定部
２８　記憶部
６１　ノード
 

Claims (7)

  1. 　融資先企業の信用度を判定する融資先信用度判定プログラムにおいて、
    　新たに信用度を判定する融資先企業の最近の決算情報と、新たに信用度を判定する融資先企業が事業展開する市場の将来性に関する市場将来性情報とを取得する情報取得ステップと、
    　予め取得した過去の決算内容を含む参照用決算情報と、上記参照用決算情報を取得した企業が事業展開した市場の将来性に関する参照用市場将来性情報との組み合わせと、その過去の決算内容に基づいて判定された信用度との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した決算情報に応じた参照用決算情報と取得した市場将来性情報に応じた参照用市場将来性情報との組み合わせと、信用度との３段階以上の連関度に基づき、融資先企業の信用度を判定する判定ステップとをコンピュータに実行させること
    　を特徴とする融資先信用度判定プログラム。
  2. 　融資先企業の信用度を判定する融資先信用度判定プログラムにおいて、
    　新たに信用度を判定する融資先企業の最近の決算情報と、新たに信用度を判定する時期における市況に関する市況情報とを取得する情報取得ステップと、
    　予め取得した過去の決算内容を含む参照用決算情報と、上記参照用決算情報に反映された時期における市況に関する参照用市況情報との組み合わせと、その過去の決算内容に基づいて判定された信用度との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した決算情報に応じた参照用決算情報と取得した市況情報に応じた参照用市況情報との組み合わせと、信用度との３段階以上の連関度に基づき、融資先企業の信用度を判定する判定ステップとをコンピュータに実行させること
    　を特徴とする融資先信用度判定プログラム。
  3. 　融資先企業の信用度を判定する融資先信用度判定プログラムにおいて、
    　新たに信用度を判定する融資先企業の最近の決算情報と、新たに信用度を判定する時期における外部環境に関する外部環境情報とを取得する情報取得ステップと、
    　予め取得した過去の決算内容を含む参照用決算情報と、上記参照用決算情報に反映された時期における外部環境に関する参照用外部環境情報との組み合わせと、その過去の決算内容に基づいて判定された信用度との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した決算情報に応じた参照用決算情報と取得した外部環境情報に応じた参照用外部環境情報との組み合わせと、信用度との３段階以上の連関度に基づき、融資先企業の信用度を判定する判定ステップとをコンピュータに実行させること
    　を特徴とする融資先信用度判定プログラム。
  4. 　上記判定ステップでは、人工知能におけるニューラルネットワークのノードの各出力の重み付け係数に対応する上記連関度を利用すること
    　を特徴とする請求項１～３のうち何れか１項記載の融資先信用度判定プログラム。
  5. 　融資先企業の信用度を判定する融資先信用度判定システムにおいて、
    　新たに信用度を判定する融資先企業の最近の決算情報と、新たに信用度を判定する融資先企業が事業展開する市場の将来性に関する市場将来性情報とを取得する情報取得手段と、
    　予め取得した過去の決算内容を含む参照用決算情報と、上記参照用決算情報を取得した企業が事業展開した市場の将来性に関する参照用市場将来性情報との組み合わせと、その過去の決算内容に基づいて判定された信用度との３段階以上の連関度を利用し、上記情報取得手段により取得された決算情報に応じた参照用決算情報と取得された市場将来性情報に応じた参照用市場将来性情報との組み合わせと、信用度との３段階以上の連関度に基づき、融資先企業の信用度を判定する判定手段とを備えること
    　を特徴とする融資先信用度判定システム。
  6. 　融資先企業の信用度を判定する融資先信用度判定システムにおいて、
    　新たに信用度を判定する融資先企業の最近の決算情報と、新たに信用度を判定する時期における市況に関する市況情報とを取得する情報取得手段と、
    　予め取得した過去の決算内容を含む参照用決算情報と、上記参照用決算情報に反映された時期における市況に関する参照用市況情報との組み合わせと、その過去の決算内容に基づいて判定された信用度との３段階以上の連関度を利用し、上記情報取得手段により取得された決算情報に応じた参照用決算情報と取得された市況情報に応じた参照用市況情報との組み合わせと、信用度との３段階以上の連関度に基づき、融資先企業の信用度を判定する判定手段とを備えること
    　を特徴とする融資先信用度判定システム。
  7. 　融資先企業の信用度を判定する融資先信用度判定システムにおいて、
    　新たに信用度を判定する融資先企業の最近の決算情報と、新たに信用度を判定する時期における外部環境に関する外部環境情報とを取得する情報取得手段と、
    　予め取得した過去の決算内容を含む参照用決算情報と、上記参照用決算情報に反映された時期における外部環境に関する参照用外部環境情報との組み合わせと、その過去の決算内容に基づいて判定された信用度との３段階以上の連関度を利用し、上記情報取得手段により取得された決算情報に応じた参照用決算情報と取得された外部環境情報に応じた参照用外部環境情報との組み合わせと、信用度との３段階以上の連関度に基づき、融資先企業の信用度を判定する判定手段とを備えること
    　を特徴とする融資先信用度判定システム。
PCT/JP2020/014851 2019-05-06 2020-03-31 融資先信用度判定プログラム及びシステム WO2020226003A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/608,309 US20220207607A1 (en) 2019-05-06 2020-03-31 Program and system for determining creditworthiness of borrower
CN202080033578.0A CN113874901A (zh) 2019-05-06 2020-03-31 贷款对象信用度判定程序及系统
EP20801438.1A EP3968260A4 (en) 2019-05-06 2020-03-31 BORROWER RELIABILITY DETERMINATION PROGRAM AND SYSTEM

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-087243 2019-05-06
JP2019087243A JP6675721B1 (ja) 2019-05-06 2019-05-06 融資先信用度判定プログラム及びシステム

Publications (1)

Publication Number Publication Date
WO2020226003A1 true WO2020226003A1 (ja) 2020-11-12

Family

ID=70001018

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/014851 WO2020226003A1 (ja) 2019-05-06 2020-03-31 融資先信用度判定プログラム及びシステム

Country Status (5)

Country Link
US (1) US20220207607A1 (ja)
EP (1) EP3968260A4 (ja)
JP (1) JP6675721B1 (ja)
CN (1) CN113874901A (ja)
WO (1) WO2020226003A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021140712A (ja) * 2020-02-29 2021-09-16 Ａｓｓｅｓｔ株式会社 融資先信用度判定プログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005108005A (ja) * 2003-09-30 2005-04-21 Hitachi Software Eng Co Ltd 電子与信システム
JP2006216019A (ja) * 2005-01-05 2006-08-17 Yokohama National Univ バリュー・チェーンと企業価値分析装置及び方法
JP2019036098A (ja) * 2017-08-14 2019-03-07 株式会社リクルート 融資管理装置、融資方法及びプログラム

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7389262B1 (en) * 1999-07-21 2008-06-17 Longitude, Inc. Financial products having demand-based, adjustable returns, and trading exchange therefor
US20040236673A1 (en) * 2000-10-17 2004-11-25 Eder Jeff Scott Collaborative risk transfer system
US7756896B1 (en) * 2002-03-11 2010-07-13 Jp Morgan Chase Bank System and method for multi-dimensional risk analysis
US20040044617A1 (en) * 2002-09-03 2004-03-04 Duojia Lu Methods and systems for enterprise risk auditing and management
US7711584B2 (en) * 2003-09-04 2010-05-04 Hartford Fire Insurance Company System for reducing the risk associated with an insured building structure through the incorporation of selected technologies
US8280805B1 (en) * 2006-01-10 2012-10-02 Sas Institute Inc. Computer-implemented risk evaluation systems and methods
US8984022B1 (en) * 2012-04-20 2015-03-17 Fair Isaac Corporation Automating growth and evaluation of segmentation trees
US9443268B1 (en) * 2013-08-16 2016-09-13 Consumerinfo.Com, Inc. Bill payment and reporting
US20150235207A1 (en) * 2014-02-19 2015-08-20 Bank Of America Corporation Risk mitigating transaction authorization
US10726491B1 (en) * 2015-12-28 2020-07-28 Plaid Inc. Parameter-based computer evaluation of user accounts based on user account data stored in one or more databases
US20170255997A1 (en) * 2016-03-01 2017-09-07 Isa Diane Watson Social Investing Software Platform
EP3535697A4 (en) * 2016-11-07 2020-07-01 Equifax Inc. OPTIMIZATION OF AUTOMATIC MODELING ALGORITHMS FOR RISK ASSESSMENT AND GENERATION OF EXPLANATORY DATA
JP6400067B2 (ja) * 2016-12-13 2018-10-03 ヤフー株式会社 評価装置、評価方法及び評価プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005108005A (ja) * 2003-09-30 2005-04-21 Hitachi Software Eng Co Ltd 電子与信システム
JP2006216019A (ja) * 2005-01-05 2006-08-17 Yokohama National Univ バリュー・チェーンと企業価値分析装置及び方法
JP2019036098A (ja) * 2017-08-14 2019-03-07 株式会社リクルート 融資管理装置、融資方法及びプログラム

Also Published As

Publication number Publication date
JP2020184132A (ja) 2020-11-12
US20220207607A1 (en) 2022-06-30
JP6675721B1 (ja) 2020-04-01
CN113874901A (zh) 2021-12-31
EP3968260A4 (en) 2023-01-11
EP3968260A1 (en) 2022-03-16

Similar Documents

Publication Publication Date Title
WO2021153548A1 (ja) 先物取引情報表示プログラム
JP6912837B1 (ja) 融資先信用度判定プログラム
JP6955287B2 (ja) 不正株取引検出プログラム
WO2020226003A1 (ja) 融資先信用度判定プログラム及びシステム
JP2021144357A (ja) 不動産ローン借り換え融資条件提案プログラム
JP2021144356A (ja) 不正金融取引検知プログラム
JP2021163002A (ja) 商品需要予測プログラム
WO2020226004A1 (ja) 株取引情報表示プログラム及びシステム
JP7122768B2 (ja) 物品購買タイミング提案プログラム
WO2021153547A1 (ja) 為替取引情報表示プログラム
JP2021140202A (ja) 不動産融資条件提案プログラム
JP6955286B1 (ja) 不正経費検出プログラム
JP2021140712A (ja) 融資先信用度判定プログラム
JP2021140800A (ja) 不動産融資可否判断プログラム
JP2021140208A (ja) 融資先信用度判定プログラム
JP2021140209A (ja) 融資先信用度判定プログラム
JP2021140205A (ja) 融資先信用度判定プログラム
JP2021140206A (ja) 融資先信用度判定プログラム
JP2021140211A (ja) 融資先信用度判定プログラム
JP2021140204A (ja) 融資先信用度判定プログラム
JP2021140207A (ja) 融資先信用度判定プログラム
JP2021140210A (ja) 融資先信用度判定プログラム
JP2021140742A (ja) 採用適格度判定プログラム
JP2021144355A (ja) 不正金融取引検知プログラム
JP2021140375A (ja) 物品購買タイミング提案プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20801438

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020801438

Country of ref document: EP

Effective date: 20211206