WO2021033620A1 - 情報処理装置、情報処理方法、およびプログラム - Google Patents

情報処理装置、情報処理方法、およびプログラム Download PDF

Info

Publication number
WO2021033620A1
WO2021033620A1 PCT/JP2020/030778 JP2020030778W WO2021033620A1 WO 2021033620 A1 WO2021033620 A1 WO 2021033620A1 JP 2020030778 W JP2020030778 W JP 2020030778W WO 2021033620 A1 WO2021033620 A1 WO 2021033620A1
Authority
WO
WIPO (PCT)
Prior art keywords
behavior
evaluated person
information processing
style
evaluated
Prior art date
Application number
PCT/JP2020/030778
Other languages
English (en)
French (fr)
Inventor
貴宏 佐々木
貴夫 田尻
匠 森田
山下　隆
Original Assignee
ソニー株式会社
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 ソニー株式会社 filed Critical ソニー株式会社
Priority to JP2021540751A priority Critical patent/JPWO2021033620A1/ja
Priority to EP20854455.1A priority patent/EP4020348A4/en
Priority to CN202080057460.1A priority patent/CN114258552A/zh
Priority to US17/635,000 priority patent/US20220318913A1/en
Publication of WO2021033620A1 publication Critical patent/WO2021033620A1/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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Definitions

  • This disclosure relates to information processing devices, information processing methods, and programs.
  • Patent Document 1 proposes a mechanism for rating an investment trust fund.
  • the evaluation unit includes an evaluation unit that evaluates the behavior of the evaluated person based on the behavior performance data showing the performance of the behavior of the evaluated person in relation to a predetermined task.
  • Information processing that evaluates the behavior of the evaluated person based on the result of the style analysis that analyzes the behavior style of the evaluated person and the result of the consistency analysis that analyzes the consistency of the behavior of the evaluated person.
  • Equipment is provided.
  • the processor evaluates the behavior by the evaluated person based on the behavioral performance data showing the performance of the behavior by the evaluated person in relation to a predetermined task.
  • the evaluation is performed by the evaluated person based on the result of the style analysis for analyzing the style of behavior by the evaluated person and the result of the consistency analysis for analyzing the consistency of the behavior by the evaluated person.
  • Information processing methods are provided that further include assessing behavior.
  • the computer is provided with an evaluation unit that evaluates the behavior of the evaluated person based on the behavioral performance data showing the performance of the behavior of the evaluated person regarding a predetermined task.
  • the evaluation unit performs the behavior by the evaluated person based on the result of the style analysis for analyzing the style of the behavior by the evaluated person and the result of the consistency analysis for analyzing the consistency of the behavior by the evaluated person.
  • a program for functioning as an information processing device is provided.
  • FIG. 10 It is a block diagram which shows the functional structure example of the learning apparatus 10 which concerns on one Embodiment of this disclosure. It is a block diagram which shows the functional structure example of the evaluation apparatus 20 which concerns on the same embodiment. It is a figure for demonstrating the generation of the style detector 212 by the learning unit 110 which concerns on this embodiment. It is a figure for demonstrating the generation of the resembler 214 by the learning unit 110 which concerns on this embodiment. It is a figure for demonstrating the outline of the output by a style detector 212 and a resembler 214 which concerns on this embodiment. It is a figure for demonstrating the result of the output by the style detector 212 and the resembler 214 which concerns on this embodiment, and an example of the evaluation based on the result.
  • a fund manager is evaluated in a certain fund.
  • the evaluator belonging to the fund shall evaluate the evaluated person, for example, with a contracted fund manager or a new fund manager as a candidate for future contracts as the evaluated person.
  • the evaluator belonging to the fund does not have the same specialized knowledge as the evaluated person, it is difficult for the evaluator to properly evaluate the evaluated person.
  • the evaluator may not be able to catch up with the explanation of the strategy, etc. by the evaluator, and may have to swallow the remarks of the evaluator.
  • the technical idea according to the embodiment of the present invention was conceived by paying attention to the above points, and realizes a more appropriate evaluation for the behavior of the evaluated person.
  • the evaluation device 20 evaluates the behavior of the evaluated person based on the results of a plurality of analyzes using the machine learning algorithm.
  • the evaluation device 20 evaluates "habits" related to the behavior of the evaluated person based on the output results of the first classifier and the second classifier generated by machine learning. ..
  • the evaluation device 20 may evaluate "skills" related to the behavior of the evaluated person based on the output result by the third classifier generated by machine learning.
  • the learning device 10 is an information processing device that generates the above-mentioned first classifier, second classifier, or third classifier.
  • FIG. 1 is a block diagram showing a functional configuration example of the learning device 10 according to the present embodiment.
  • the learning device 10 according to the present embodiment includes a learning unit 110, a storage unit 120, and the like.
  • the learning unit 110 generates a first classifier, a second classifier, or a third classifier by a machine learning algorithm.
  • the learning unit 110 may generate a first classifier or a second classifier by supervised learning using a deep neural network.
  • the learning unit 110 may generate a third classifier by unsupervised learning using a neural network.
  • the details of learning by the learning unit 110 according to this embodiment will be described in detail separately.
  • the function of the learning unit 110 according to the present embodiment is realized by a processor such as a GPU.
  • the storage unit 120 stores various information related to learning executed by the learning unit 110.
  • the storage unit 120 stores the structure of the network used for learning by the learning unit 110, various parameters related to the network, learning data, and the like.
  • the functional configuration example of the learning device 10 according to the present embodiment has been described above.
  • the above-mentioned functional configuration described with reference to FIG. 1 is merely an example, and the functional configuration of the learning device 10 according to the present embodiment is not limited to such an example.
  • the learning device 10 may further include an operation unit that accepts operations by the user, a display unit that displays various information, and the like.
  • the learning device 10 does not necessarily have to generate all of the first classifier, the second classifier, and the third classifier.
  • the first classifier, the second classifier, and the third classifier according to the present embodiment may be generated by different learning devices 10.
  • the functional configuration of the learning device 10 according to the present embodiment can be flexibly modified according to the specifications and operation.
  • the evaluation device 20 according to the present embodiment is an information processing device that evaluates the behavior of the evaluated person.
  • FIG. 2 is a block diagram showing a functional configuration example of the evaluation device 20 according to the present embodiment.
  • the evaluation device 20 according to the present embodiment includes an evaluation unit 210, a storage unit 220, an output unit 230, and the like.
  • the evaluation unit 210 evaluates the behavior by the evaluated person based on the behavior performance data showing the performance of the behavior by the evaluated person in relation to the predetermined task.
  • An example of the evaluated person according to this embodiment is the fund manager mentioned above.
  • the predetermined task may be asset management.
  • an example of the behavior of the evaluated person is the sale and purchase of financial products such as stocks.
  • the behavior record data may be data that records the record of the transaction (for example, the date when a certain brand was bought, the amount bought, the date when a certain brand was sold, the amount sold, etc.).
  • the evaluated person is a fund manager
  • the evaluated person according to the present embodiment is not limited to such an example.
  • the evaluated person may be, for example, a sales position belonging to a company or the like.
  • the predetermined task may be a business activity.
  • the actions taken by the evaluated person include visits to customers (including prospective customers), telephone calls, emails, presentations, and the like.
  • the action record data may be data that records the results of each action as described above (for example, visit date, number of calls, number of emails, presence / absence of presentation, etc.).
  • the evaluation unit 210 evaluates the behavior of the evaluated person based on the results of the analysis using the first classifier, the second classifier, and the third classifier described above.
  • One of the features is to do.
  • the Style Detector 212 according to the present embodiment is an example of the first classifier.
  • the style detector 212 according to the present embodiment is used for style analysis for analyzing the behavioral style of the evaluated person.
  • Resembler 214 is an example of the second classifier.
  • the resembler 214 according to the present embodiment is used for a consistency analysis for analyzing the consistency of behavior by the evaluated person.
  • Distiller 216 is used for the contribution analysis for analyzing the contribution of the behavior by the evaluated person to the evaluation item in the predetermined task.
  • the function of the evaluation unit 210 according to the present embodiment is realized by a processor such as a GPU or a CPU.
  • the storage unit 220 stores various information used by the evaluation device 20.
  • the storage unit 220 stores information such as behavior performance data indicating the performance of the behavior by the evaluated person, the program used by the evaluation unit 210, and the evaluation result by the evaluation unit 210.
  • the output unit 230 outputs the result of evaluation by the evaluation unit 210.
  • the output unit 230 according to the present embodiment may display the result of the above evaluation.
  • the output unit 230 includes various displays.
  • the output unit 230 may print the result of the above evaluation on a paper medium.
  • the output unit 230 includes a printer.
  • the functional configuration example of the evaluation device 20 according to the present embodiment has been described above.
  • the above-mentioned functional configuration described with reference to FIG. 2 is merely an example, and the functional configuration of the evaluation device 20 according to the present embodiment is not limited to such an example.
  • the evaluation unit 210 includes a style detector 212, a resembler 214, and a distiller 216, and each analysis using these may be performed by itself.
  • each analysis by the style detector 212, the resolver 214, or the distiller 216 may be performed by, for example, a separate device located on the cloud.
  • the evaluation unit 210 can acquire the results of each analysis from the separate device and evaluate the behavior of the subject based on the results.
  • the evaluation unit 210 and the output unit 230 do not necessarily have to be provided in the same device.
  • the output unit 230 provided in the locally arranged device may acquire the evaluation result by the evaluation unit 210 provided in another device arranged in the cloud and output the result.
  • the functional configuration of the evaluation device 20 according to the present embodiment can be flexibly modified according to the specifications and operation.
  • the evaluation unit 210 is determined by the evaluated person based on the result of the style analysis for analyzing the behavioral style of the evaluated person and the result of the consistency analysis for analyzing the consistency of the behavior by the evaluated person. You may evaluate the "habit" of behavior.
  • the style analysis according to the present embodiment may analyze the investment style (which can be said to be an investment strategy) of the fund manager.
  • the consistency analysis according to the present embodiment may analyze the consistency of operation.
  • the evaluation unit 210 may evaluate the "habit" of the fund manager based on the fund manager's investment style and management consistency.
  • the style analysis according to the present embodiment may be an analysis in which the behavior performance data is input to the first classifier generated by the deep learning, that is, the style detector 212, and the behavior style by the evaluated person is classified.
  • DNN Deep Neural Network
  • the style detector 212 may be generated by supervised learning using a plurality of sets of virtual action performance data based on different styles as training data.
  • the virtual action performance data may be data showing the performance of virtual behavior obtained by a program that virtually executes an action related to a predetermined task based on a predetermined style.
  • FIG. 3 is a diagram for explaining the generation of the style detector 212 by the learning unit 110 according to the present embodiment.
  • a plurality of sets of training data TD1 to TDn are given to the DNN 112.
  • the training data TD1 may be virtual action performance data obtained by a program (virtual fund manager 1) that virtually executes a trading transaction of a financial product based on style 1.
  • training data TD2 may be virtual action performance data obtained by a program (virtual fund manager 2) that virtually executes a trading transaction of a financial product based on style 2.
  • the training data TDn may be virtual action performance data obtained by a program (virtual fund manager n) that virtually executes a trading transaction of a financial product based on style n.
  • the DNN112 can acquire the classification ability related to the styles 1 to n. Further, in the present embodiment, the DNN 112 that has acquired the classification ability is used as the style detector 212.
  • styles 1 to N for example, Value, Growth, High Dividend, Minimum Volatility, Momentum, Quality, Fixed Weight, Technical, etc., which are typical styles in asset management, may be adopted.
  • the consistency analysis according to the present embodiment is an analysis in which behavioral performance data is input to a second classifier generated by deep learning, that is, the resembler 214, and the similarity to others related to the behavior of the evaluated person is classified. You may.
  • the resembler 214 may be generated by supervised learning using a plurality of sets of other person's behavior record data relating to a plurality of real others as training data.
  • the above-mentioned other person's behavior performance data may be data showing the performance performance of a real other person regarding a predetermined task.
  • FIG. 4 is a diagram for explaining the generation of the resolver 214 by the learning unit 110 according to the present embodiment.
  • a plurality of sets of training data TD1 to TDn are given to the DNN 114.
  • the training data TD1 may be the behavior record data of another person showing the performance of the behavior by the actual other person 1 (fund manager 1).
  • training data TD2 may be other person's behavior performance data showing the performance of the behavior by the actual other person 2 (fund manager 2).
  • training data TDn may be other person's behavior performance data showing the performance of the behavior by the actual other person n (fund manager n).
  • DNN114 According to supervised learning using the training data TD1 to TDn as described above, it is possible to make DNN114 acquire the classification ability related to the similarity with others 1 to n. Further, in the present embodiment, the DNN 114 that has acquired the classification ability is used as the resembler 214.
  • FIG. 5 is a diagram for explaining an outline of the output by the style detector 212 and the resembler 214 according to the present embodiment.
  • the style detector 212 and the resembler 214 are given behavioral performance data indicating the behavioral performance by the evaluated person as input data ID.
  • the style detector 212 outputs output data SO indicating how much the action performance data given as the input data ID matches each style corresponding to the training data given at the time of learning.
  • the resembler 214 outputs an output data RO indicating how similar the action performance data given as the input data ID is to each other corresponding to the training data given at the time of learning.
  • behavioral performance data indicating the behavioral performance by the evaluated person may be further given as training data.
  • the resembler 214 can also calculate how much the behavior record data given as the input data ID is like the evaluated person.
  • the outline of the output by the style detector 212 and the resembler 214 according to the present embodiment according to the present embodiment has been described above.
  • One of the features of the evaluation unit 210 according to the present embodiment is that the behavior of the evaluated person is evaluated based on the result of the style analysis as described above and the result of the consistency analysis.
  • the evaluation unit 210 stabilizes the behavior style of the evaluated person within the period corresponding to the input behavior performance data, and the stability of the behavior by the subject during the same period.
  • the behavior of the evaluated person may be evaluated based on gender.
  • the evaluation unit 210 has a first axis indicating whether the behavioral style of the evaluated person continues or fluctuates within the above period, and the evaluation unit 210 is subject to the same period.
  • the behavior by the evaluator may be evaluated based on a second axis that indicates whether the behavior by the evaluator is consistent or not.
  • 6 to 9 are diagrams for explaining the output results of the style detector 212 and the resembler 214 according to the present embodiment and an example of evaluation based on the results.
  • the evaluation unit 210 may determine that the behavior of the evaluated person is consistent during the same period.
  • the evaluation unit 210 may determine that the behavior of the evaluated person during the same period is stable.
  • the evaluation unit 210 determines that the factor and the investment strategy of the fund manager are continuing. It may be evaluated that the investment behavior is based.
  • the evaluation unit 210 may determine that the behavior of the evaluated person is not consistent (inconsistent) during the same period.
  • the evaluation unit 210 may determine that the behavior of the evaluated person during the same period is stable.
  • the evaluation unit 210 indicates that the behavior is inconsistent but the factor exposure is stable. May be evaluated as.
  • the evaluation unit 210 may determine that the behavior of the evaluated person is consistent during the same period.
  • the evaluation unit 210 may determine that the behavioral style of the evaluated person during the same period has changed.
  • the evaluation unit 210 invests in different factors depending on the market trend, but the overall investment strategy. May be evaluated as having ongoing, factor-rotating investment behavior.
  • the evaluation unit 210 may determine that the behavior of the evaluated person is not consistent (inconsistent) during the same period.
  • the evaluation unit 210 may determine that the behavioral style of the evaluated person during the same period has changed.
  • the evaluation unit 210 when it can be determined that the behavior by the evaluated person is inconsistent and the style of the behavior is fluctuating, the evaluation unit 210 is inconsistent in the operation and does not look at the style. It may be evaluated that investment behavior is based only on experience.
  • the evaluation unit 210 has described a method of evaluating the "habit" of the behavior of the evaluated person based on the result of the analysis using the style detector 212 and the resembler 214.
  • the evaluation unit 210 evaluates the "arm" based on the result of the analysis using the distiller 216, thereby making the behavior of the subject more detailed. It is possible to evaluate appropriately.
  • the analysis using the distiller 216 according to the present embodiment can be said to be a contribution analysis for analyzing the contribution of the behavior of the evaluated person to the evaluation item in the predetermined task.
  • the third classifier is based on the attributes of the plurality of objects to be acted by the input evaluator and the behavior record data for the object, and the plurality of objects. Includes generating a two-dimensional map with the. For example, if the task is asset management, the object according to this embodiment may be a stock issue.
  • FIG. 10 is a diagram for explaining the generation of the third classifier 217 according to the present embodiment and the two-dimensional map M0 output by the third classifier 217.
  • the third classifier 217 uses the attributes of a plurality of objects to be acted by the evaluator and the action record data for the objects as input data IDs, and sets the plurality of objects on a plane.
  • the arranged two-dimensional map M0 is output. Each of the rectangles in the two-dimensional map M0 shown in FIG. 10 indicates the above object.
  • the third classifier 217 has a function of mapping a high-dimensional data set to a low-dimensional space while preserving the topological structure of the data distribution.
  • the third classifier 217 can be generated, for example, by repeatedly performing unsupervised learning in which the above input data ID is given to the NN (Neural Network) 116 and the two-dimensional map M0 is output.
  • the third classifier 217 according to the present embodiment may be, for example, self-organizing maps.
  • the third classifier 217 according to the present embodiment may be generated by using an algorithm such as VAE (Variational AutoEncoder).
  • the distiller 216 performs a contribution analysis using the third classifier 217 generated as described above. At this time, the distiller 216 according to the present embodiment heat-maps the intensity related to the evaluation item in the predetermined task and the intensity related to the action by the target person in the two-dimensional map M0 output by the third classifier 217.
  • One of the features is to express in.
  • an active return can be mentioned as an example of the above evaluation items.
  • the active return is an index showing the difference between the return of the portfolio and the return of the benchmark.
  • the distiller 216 calculates the active return based on the attribute of the issue (here, the return of the benchmark above) and the behavior performance data (here, the return of the portfolio), and the two-dimensional map M0.
  • an active return map M1 expressing the active return in a heat map form may be generated.
  • FIG. 11 is a diagram showing an example of the active return map M1 according to the present embodiment.
  • the intensity of the active return is represented by the density of diagonal lines.
  • the region where the portfolio return greatly exceeds the benchmark return is represented by a dense diagonal line, and the region where there is almost no difference between the portfolio return and the benchmark return is It is represented by a low density diagonal line. Areas where portfolio returns are well below benchmark returns are shown in solid color (white).
  • the intensity of the active return is represented by the above three stages in order to give priority to visibility, but the distiller 216 according to the present embodiment has more stages and The intensity of the active return may be expressed continuously.
  • the distiller 216 is a heat map showing the intensity related to the behavior of the target person as a target to be compared with the heat map showing the intensity related to the evaluation item in the predetermined task such as the active return map M1. May be further generated.
  • an active weight As an index of the intensity related to the behavior of the subject, for example, an active weight can be mentioned.
  • the active weight is an index that indicates the difference between the composition ratio of stocks in the portfolio and the composition ratio of stocks in the benchmark.
  • the distiller 216 calculates the active weight based on the attribute of the stock (here, the composition ratio of the stock in the above benchmark) and the behavior performance data (here, the composition ratio of the stock in the portfolio). Then, the active weight map M2 may be generated in which the active weight is expressed in a heat map shape in the two-dimensional map M0.
  • FIG. 12 is a diagram showing an example of the active weight map M2 according to the present embodiment.
  • the intensity of the active return is expressed by the density of dots.
  • the region where the holding amount of the stock in the portfolio greatly exceeds the holding amount of the stock in the benchmark is represented by dense dots.
  • areas where there is almost no difference between the amount of stocks held in the portfolio and the amount of stocks held in the benchmark are represented by low-density dots.
  • the area where the holding amount of stocks in the portfolio is much lower than the holding amount of stocks in the benchmark is shown in plain (white).
  • the strength of the active weight is represented by the above three stages in order to give priority to visibility, but the distiller 216 according to the present embodiment has more stages and The strength of the active weight may be continuously expressed.
  • the distiller 216 may further generate a heat map in which the two generated heat maps are superimposed.
  • the evaluation unit 210 determines that the evaluation item is contributed by the behavior of the evaluated person to the evaluation item based on the heat map (two-dimensional map) in which the above two heat maps are superimposed. You may evaluate whether or not it is due to the ability of.
  • the distiller 216 may generate an active return & active weight map M3 by superimposing the active return map M1 and the active weight map M2.
  • FIG. 13 is a diagram showing an example of the active return & active weight map M3 according to the present embodiment.
  • the evaluation unit 210 determines whether or not the contribution of the action by the evaluated person to the active return is due to the ability of the evaluated person based on the active return & active weight map M3. Can be evaluated.
  • a region having a high active return and a high active weight is represented by overlapping dense diagonal lines and dense dots. It can be said that this area is an area where the amount of stocks held is large and profits are generated due to the behavior of the evaluated person.
  • the evaluation unit 210 sets the region where the region having high intensity related to the evaluation item and the region having high intensity related to the behavior by the evaluated person overlap, as in the above region, to the evaluated person. It may be evaluated as a region (Good choice) in which the contribution of the ability is high.
  • the region where the active return is high and the active weight is low is represented by a dense diagonal line. It can be said that this area is a relatively profitable area although the amount of stocks held is low.
  • the evaluation unit 210 sets the region where the region having high intensity related to the evaluation item and the region having low intensity related to the behavior by the evaluated person overlap, as in the above region. It may be evaluated as a region where the contribution of the ability is low, that is, a region where the profit from Magre is generated (Luck).
  • the region where the active return is low and the active weight is high is represented by dense dots. It can be said that this area is an area in which the amount of stocks held is large and losses are caused due to the actions of the evaluated person.
  • the evaluation unit 210 sets the region where the region having low intensity related to the evaluation item and the region having high intensity related to the behavior by the evaluated person overlap, as in the above region. It may be evaluated as the area (Bad choice) where the loss due to the misunderstanding of is occurring.
  • the evaluation unit 210 indicates the contribution rate (contribution rate) indicating the profit generated by the "arm" of the evaluated person among the profits generated in the asset management based on the area of each area evaluated as described above. It is also possible to calculate IPR: Intentional profit ratio).
  • the ability (arm) of the evaluated person is more appropriate as compared with the case where the evaluated person is evaluated only by the active return. It becomes possible to evaluate.
  • the evaluation unit 210 can continuously calculate the IPR at predetermined periods to evaluate how the ability of the evaluated person is changing.
  • the evaluation unit 210 evaluates the evaluated person based on the active return and the active weight is illustrated, but the evaluation by the evaluation unit 210 according to the present embodiment is not limited to such an example.
  • the evaluation unit 210 may evaluate the evaluated person based on, for example, the active return and the trading volume.
  • FIG. 14 is a diagram showing an example of the trading volume map M4 according to the present embodiment.
  • the intensity of the trading volume is represented by the density of diagonal lines.
  • the region with a large trading volume is represented by a high density diagonal line
  • the region with a medium trading volume is represented by a low density diagonal line.
  • the area where the trading volume is small is represented by a solid color (white).
  • the strength of the trading volume is represented by the above three stages in order to give priority to visibility, but the distiller 216 according to the present embodiment has more stages and The strength of the trading volume may be continuously expressed.
  • distiller 216 may generate an active return & trading volume map M5 by superimposing the active return map M1 and the trading volume map M4.
  • FIG. 15 is a diagram showing an example of the active return & trading volume map M5 according to the present embodiment.
  • the evaluation unit 210 determines whether or not the contribution of the action by the evaluated person to the active return is due to the ability of the evaluated person based on the active return & trading volume map M5. Can be evaluated.
  • a region having a high active return and a large number of trading volume maps is represented by overlapping dense diagonal lines and dense dots. It can be said that this area is an area where the volume of transactions of stocks is large and profits are generated due to the behavior of the evaluated person.
  • the evaluation unit 210 may evaluate the above area as an area (Good trade) in which the contribution of the evaluated person's ability is high.
  • the region where the active return is high and the trading volume is low is represented by a dense diagonal line. It can be said that this area is a relatively profitable area although the trading volume of the issue is small.
  • the evaluation unit 210 may evaluate the above-mentioned area as the area (Luck) where the profit from Magre is generated.
  • the region where the active return is low and the trading volume is large is represented by dense dots. It can be said that this area is an area where the transaction volume of the issue is large and the loss is caused due to the behavior of the evaluated person.
  • the evaluation unit 210 may evaluate the above area as an area (Bad trade) in which the loss due to the misunderstanding of the evaluated person occurs.
  • distiller 216 The evaluation using the distiller 216 according to the present embodiment has been described above with specific examples.
  • the distiller 216 according to the present embodiment can heat-map various attributes and indexes based on the attributes.
  • the distiller 216 generates a heat map relating to, for example, PBR (Price Book-value Ratio), PER (Price Earnings Ratio), Stock yield, etc., and the evaluation unit 210 evaluates based on the heat map. You may go.
  • PBR Price Book-value Ratio
  • PER Price Earnings Ratio
  • Stock yield etc.
  • the reason why the profit did not increase was whether it was unavoidable due to the influence of the market environment or the investment style. It becomes possible to evaluate.
  • the evaluation unit 210 is evaluated based on the results of the style analysis using the style detector 212, the consistency analysis using the resembler 214, and the contribution analysis using the distiller 216. It is possible to evaluate a person.
  • the evaluation unit 210 may perform an integrated evaluation on three axes using the above three analysis results.
  • FIG. 16 is a diagram for explaining an integrated evaluation on three axes using the three analysis results according to the present embodiment.
  • FIG. 16 On the left side of FIG. 16, a schematic diagram showing the interrelationship between the style analysis using the style detector 212, the consistency analysis using the resolver 214, and the contribution analysis using the distiller 216 is shown in three dimensions. ..
  • the evaluation unit 210 has a first axis based on the result of the style analysis using the style detector 212, a second axis based on the result of the consistency analysis using the resembler 214, and It is possible to classify the evaluation of the evaluated person into eight quadrants using the third axis based on the result of the contribution analysis using the distiler 216.
  • the first axis may indicate whether the behavioral style of the evaluated person is stable or fluctuating.
  • the second axis described above may indicate whether or not the behavior of the evaluated person is consistent or inconsistent (inconsistent).
  • the third axis may indicate whether the profit obtained by the asset management by the evaluated person is due to the ability of the evaluated person or luck.
  • the subject's evaluation should be classified into quadrants Q1 to Q4 according to the combination of stable or variable style and consistent or inconsistent with respect to the benefit obtained by luck. Can be done.
  • the evaluation unit 210 may evaluate that, for example, the quadrant Q1 whose behavior is consistent and whose style is stable can be switched to asset management based on the index.
  • evaluation unit 210 evaluates that, for example, in quadrant Q4 where the behavior is inconsistent and the style is fluctuating, there is a question about continuity just because it happens to be profitable, and caution is required. You may.
  • the subject's evaluation can be classified into quadrants Q5 to Q8 according to the combination of stable or variable style and consistent or inconsistent with respect to the benefit obtained by ability.
  • the evaluation unit 210 may evaluate that, for example, the quadrant Q5 whose behavior is consistent and whose style is stable may be converted into a smart vector.
  • the evaluation unit 210 may evaluate, for example, the quadrant Q4 in which the behavior is inconsistent and the style is fluctuating, although it has the ability, it is not ruled and the degree of individual dependence is high. ..
  • the evaluation unit 210 determines, for example, whether or not the investment style of the evaluated person who has made a profit is consistent with the investment style of the pre-declared person, that is, the evaluated person has in advance It is possible to evaluate whether or not the investment style as declared has been demonstrated.
  • the output unit 230 may output the result of analysis using the style detector 212, the resolver 214, and the distiller 216 and the result of evaluation by the evaluation unit 210 to a display, a paper medium, or the like. ..
  • the output unit 230 may output each map shown in FIGS. 11 to 15 or a graph in which the evaluation of the evaluated person is plotted in the eight quadrants shown in FIG.
  • the output unit 230 may output, for example, a comparison table comparing the evaluations of a plurality of evaluated persons as shown in FIG.
  • the evaluator belonging to the fund can select a future contractor from a plurality of evaluated persons or cancel the contract of the fund manager currently contracted by referring to the comparison table as shown in FIG. It becomes possible to consider such things.
  • the evaluator belonging to the fund can refer to various information output by the output unit 230, for example, this week's trading is different from the past trend, and the profit due to the ability has decreased recently. It will be possible to understand what is happening and discuss these with the evaluated person.
  • the output unit 230 sets a threshold value for, for example, a change in style, a decrease in consistency, a decrease in profit due to ability, and controls such as issuing an alert when each index exceeds the threshold value. You may go.
  • each function of the evaluation device 20 even if the evaluator does not have the same specialized knowledge as the evaluator, the evaluator is appropriately evaluated and the evaluator and the evaluator are evaluated. It will be possible to have constructive discussions.
  • FIG. 18 is a flowchart showing an example of a processing flow by the evaluation device 20 according to the present embodiment.
  • the process when the evaluation unit 210 according to the present embodiment includes the style detector 212, the resembler 214, and the distiller 216 will be illustrated.
  • the evaluation unit 210 executes a style analysis using the style detector 212 (S102).
  • the evaluation unit 210 executes a consistency analysis using the resembler 214 (S104).
  • the evaluation unit 210 executes a consistency analysis using the distiller 216 (S106).
  • steps S102 to S106 may be executed in a different order from the above, or may be executed in parallel.
  • the evaluation unit 210 executes a three-axis evaluation based on the results of each analysis in steps S102 to S106 (S108).
  • the output unit 230 outputs the result of the 3-axis evaluation in step S108 (S110).
  • FIG. 19 is a block diagram showing a hardware configuration example of the information processing apparatus 90 according to the embodiment of the present disclosure.
  • the information processing device 90 may be a device having the same hardware configuration as each of the above devices.
  • the information processing device 90 includes, for example, a processor 871, a ROM 872, a RAM 873, a host bus 874, a bridge 875, an external bus 876, an interface 877, an input device 878, and an output device. It has an 879, a storage 880, a drive 881, a connection port 882, and a communication device 883.
  • the hardware configuration shown here is an example, and some of the components may be omitted. Further, components other than the components shown here may be further included.
  • the processor 871 functions as, for example, an arithmetic processing unit or a control device, and controls all or a part of the operation of each component based on various programs recorded in the ROM 872, the RAM 873, the storage 880, or the removable recording medium 901. ..
  • the ROM 872 is a means for storing a program read into the processor 871 and data used for calculation.
  • a program read into the processor 871 and various parameters that change as appropriate when the program is executed are temporarily or permanently stored.
  • the processors 871, ROM 872, and RAM 873 are connected to each other via, for example, a host bus 874 capable of high-speed data transmission.
  • the host bus 874 is connected to the external bus 876, which has a relatively low data transmission speed, via, for example, the bridge 875.
  • the external bus 876 is connected to various components via the interface 877.
  • Input device 8708 For the input device 878, for example, a mouse, a keyboard, a touch panel, buttons, switches, levers, and the like are used. Further, as the input device 878, a remote controller (hereinafter, remote controller) capable of transmitting a control signal using infrared rays or other radio waves may be used. Further, the input device 878 includes a voice input device such as a microphone.
  • the output device 879 provides the user with acquired information such as a display device such as a CRT (Cathode Ray Tube), an LCD, or an organic EL, an audio output device such as a speaker and headphones, a printer, a mobile phone, or a facsimile. It is a device that can notify visually or audibly. Further, the output device 879 according to the present disclosure includes various vibration devices capable of outputting a tactile stimulus.
  • a display device such as a CRT (Cathode Ray Tube), an LCD, or an organic EL
  • an audio output device such as a speaker and headphones
  • printer such as a printer, a mobile phone, or a facsimile.
  • the output device 879 includes various vibration devices capable of outputting a tactile stimulus.
  • the storage 880 is a device for storing various types of data.
  • a magnetic storage device such as a hard disk drive (HDD), a semiconductor storage device, an optical storage device, a magneto-optical storage device, or the like is used.
  • the drive 881 is a device that reads information recorded on a removable recording medium 901 such as a magnetic disk, an optical disk, a magneto-optical disk, or a semiconductor memory, or writes information to the removable recording medium 901.
  • a removable recording medium 901 such as a magnetic disk, an optical disk, a magneto-optical disk, or a semiconductor memory
  • the removable recording medium 901 is, for example, a DVD media, a Blu-ray (registered trademark) media, an HD DVD media, various semiconductor storage media, and the like.
  • the removable recording medium 901 may be, for example, an IC card equipped with a non-contact type IC chip, an electronic device, or the like.
  • connection port 882 is a port for connecting an external connection device 902 such as a USB (Universal Serial Bus) port, an IEEE1394 port, a SCSI (Small Computer System Interface), an RS-232C port, or an optical audio terminal. is there.
  • an external connection device 902 such as a USB (Universal Serial Bus) port, an IEEE1394 port, a SCSI (Small Computer System Interface), an RS-232C port, or an optical audio terminal. is there.
  • the externally connected device 902 is, for example, a printer, a portable music player, a digital camera, a digital video camera, an IC recorder, or the like.
  • the communication device 883 is a communication device for connecting to a network, and is, for example, a communication card for wired or wireless LAN, Wireless (registered trademark), or WUSB (Wireless USB), a router for optical communication, and ADSL (Asymmetric Digital). A router for Subscriber Line), a modem for various communications, and the like.
  • the evaluation device 20 evaluates the behavior of the evaluated person based on the behavioral performance data showing the performance of the behavior of the evaluated person in relation to the predetermined task.
  • a unit 210 is provided. Further, the evaluation unit 210 according to the embodiment of the present disclosure is based on the result of the style analysis for analyzing the behavior style by the evaluated person and the result of the consistency analysis for analyzing the consistency of the behavior by the evaluated person. One of the features is to evaluate the behavior of the evaluated person.
  • each step related to the processing described in the present specification does not necessarily have to be processed in chronological order in the order described in the flowchart or the sequence diagram.
  • each step related to the processing of each apparatus may be processed in a different order from the described order, or may be processed in parallel.
  • the series of processes by each device described in the present specification may be realized by using software, hardware, or a combination of software and hardware.
  • the programs constituting the software are stored in advance in, for example, a recording medium (non-temporary medium: non-transitory media) provided inside or outside each device. Then, each program is read into RAM at the time of execution by a computer and executed by various processors, for example.
  • the recording medium is, for example, a magnetic disk, an optical disk, a magneto-optical disk, a flash memory, or the like.
  • the above computer program may be distributed via a network, for example, without using a recording medium.
  • An evaluation unit that evaluates the behavior of the evaluated person based on the behavioral performance data showing the performance of the behavior of the evaluated person for a predetermined task. With The evaluation unit performs the behavior by the evaluated person based on the result of the style analysis for analyzing the behavior style by the evaluated person and the result of the consistency analysis for analyzing the consistency of the behavior by the evaluated person. evaluate, Information processing device. (2) The evaluation unit determines the stability of the behavior style of the evaluated person within the period corresponding to the input behavior performance data and the stability of the behavior of the evaluated person within the period. Based on, the behavior of the evaluated person is evaluated.
  • the information processing device according to (1) above.
  • the evaluation unit maintains the consistency of the behavior by the evaluated person within the period with the first axis indicating whether the behavior style by the evaluated person is stable or fluctuating within the period. Evaluate the behavior of the evaluated person based on a second axis indicating whether it is leaning or not being maintained.
  • the information processing device according to (2) above.
  • the style analysis is an analysis in which the behavior performance data is input to the first classifier generated by deep learning to classify the behavior styles of the evaluated person.
  • the information processing device according to any one of (1) to (3) above.
  • the first classifier is generated by supervised learning using a plurality of sets of virtual behavior performance data based on different styles as training data.
  • the information processing device according to (4) above.
  • the virtual action performance data is data showing the performance of virtual actions obtained by a program that virtually executes an action related to the predetermined task based on a predetermined style.
  • the information processing device according to (5) above.
  • the consistency analysis is an analysis in which the behavior performance data is input to a second classifier generated by deep learning to classify the similarity to others related to the behavior of the evaluated person.
  • the information processing device according to any one of (1) to (6) above.
  • the second classifier is generated by supervised learning using a plurality of sets of other behavior performance data relating to a plurality of real others as training data.
  • the other person's behavior performance data is data showing the performance of the behavior of a real person related to the predetermined task.
  • the information processing device evaluates the behavior of the evaluated person based on the result of the contribution analysis for analyzing the contribution of the behavior of the evaluated person to the evaluation item in the predetermined task.
  • the information processing device according to any one of (1) to (9) above.
  • the third classifier is based on the attributes of the plurality of objects to be acted by the evaluated person and the behavior record data for the object, and the plurality of the objects. To generate a two-dimensional map in which In the two-dimensional map, the intensity related to the evaluation item and the intensity related to the behavior of the evaluated person are expressed in a heat map form.
  • the information processing device according to (10) above.
  • the third classifier includes a self-organizing map.
  • the evaluation unit evaluates whether or not the contribution of the behavior by the evaluated person to the evaluation item is due to the ability of the evaluated person.
  • the evaluation unit has a high contribution of the ability of the evaluated person to the area where the high intensity area related to the evaluation item and the high intensity area related to the action by the evaluated person overlap. Evaluate as an area, The information processing device according to (13) above.
  • the evaluation unit contributes less to the ability of the evaluated person to the area where the high intensity area related to the evaluation item and the low intensity area related to the action by the evaluated person overlap.
  • the predetermined task includes asset management.
  • the actions taken by the evaluated person include the sale and purchase of financial instruments.
  • the processor evaluates the behavior of the evaluated person based on the behavioral performance data showing the performance of the behavior of the evaluated person for a predetermined task. Including The evaluation is performed by the evaluated person based on the result of the style analysis for analyzing the behavioral style of the evaluated person and the result of the consistency analysis for analyzing the consistency of the behavior of the evaluated person.
  • Computer An evaluation unit that evaluates the behavior of the evaluated person based on the behavioral performance data showing the performance of the behavior of the evaluated person for a predetermined task. With The evaluation unit performs the behavior by the evaluated person based on the result of the style analysis for analyzing the behavior style by the evaluated person and the result of the consistency analysis for analyzing the consistency of the behavior by the evaluated person. evaluate, Information processing device, A program to function as.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Technology Law (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

【課題】被評価者による行動に対し、より適切な評価を実現する。 【解決手段】所定のタスクに関する被評価者による行動の実績を示す行動実績データに基づいて、前記被評価者による行動の評価を行う評価部、を備え、前記評価部は、前記被評価者による行動のスタイルを分析するスタイル分析の結果、および前記被評価者による行動の一貫性を分析する一貫性分析の結果に基づいて、前記被評価者による行動を評価する、情報処理装置が提供される。

Description

情報処理装置、情報処理方法、およびプログラム
　本開示は、情報処理装置、情報処理方法、およびプログラムに関する。
　あるタスクに関し、タスクの実行者を適切に評価することは非常に重要である。このために、上記のような評価を自動化あるいは補助する仕組みが多く提案されている。例えば、特許文献１には、投信ファンドのレーティングを行う仕組みが提案されている。
特開２００９－２４５３６８号公報
　特に、投信ファンドのような専門性の高いタスクを実行する実行者の評価を行う場合、多角的な分析に基づいて、より適切な評価を行うことが求められる。
　本開示のある観点によれば、所定のタスクに関する被評価者による行動の実績を示す行動実績データに基づいて、前記被評価者による行動の評価を行う評価部、を備え、前記評価部は、前記被評価者による行動のスタイルを分析するスタイル分析の結果、および前記被評価者による行動の一貫性を分析する一貫性分析の結果に基づいて、前記被評価者による行動を評価する、情報処理装置が提供される。
　また、本開示の別の観点によれば、プロセッサが、所定のタスクに関する被評価者による行動の実績を示す行動実績データに基づいて、前記被評価者による行動の評価を行うこと、を含み、前記評価を行うことは、前記被評価者による行動のスタイルを分析するスタイル分析の結果、および前記被評価者による行動の一貫性を分析する一貫性分析の結果に基づいて、前記被評価者による行動を評価すること、をさらに含む、情報処理方法が提供される。
　また、本開示の別の観点によれば、コンピュータを、所定のタスクに関する被評価者による行動の実績を示す行動実績データに基づいて、前記被評価者による行動の評価を行う評価部、を備え、前記評価部は、前記被評価者による行動のスタイルを分析するスタイル分析の結果、および前記被評価者による行動の一貫性を分析する一貫性分析の結果に基づいて、前記被評価者による行動を評価する、情報処理装置、として機能させるためのプログラムが提供される。
本開示の一実施形態に係る学習装置１０の機能構成例を示すブロック図である。 同実施形態に係る評価装置２０の機能構成例を示すブロック図である。 同実施形態に係る学習部１１０によるスタイルディテクター２１２の生成について説明するための図である。 同実施形態に係る学習部１１０によるリゼンブラー２１４の生成について説明するための図である。 同実施形態に係るスタイルディテクター２１２およびリゼンブラー２１４による出力の概要について説明するための図である。 同実施形態に係るスタイルディテクター２１２およびリゼンブラー２１４による出力の結果と、当該結果に基づく評価の一例について説明するための図である。 同実施形態に係るスタイルディテクター２１２およびリゼンブラー２１４による出力の結果と、当該結果に基づく評価の一例について説明するための図である。 同実施形態に係るスタイルディテクター２１２およびリゼンブラー２１４による出力の結果と、当該結果に基づく評価の一例について説明するための図である。 同実施形態に係るスタイルディテクター２１２およびリゼンブラー２１４による出力の結果と、当該結果に基づく評価の一例について説明するための図である。 同実施形態に係る第３の分類器２１７の生成と、第３の分類器２１７が出力する２次元マップＭ０について説明するための図である。 同実施形態に係るアクティブリターンマップＭ１の一例を示す図である。 同実施形態に係るアクティブウェイトマップＭ２の一例を示す図である。 同実施形態に係るアクティブリターン＆アクティブウェイトマップＭ３の一例を示す図である。 同実施形態に係るトレーディングボリュームマップＭ４の一例を示す図である。 同実施形態に係るアクティブリターン＆トレーディングボリュームマップＭ５の一例を示す図である。 同実施形態に係る３つの分析結果を用いた３軸における統合的な評価について説明するための図である。 同実施形態に係る複数の被評価者に対する評価を比較した比較表の一例を示す図である。 同実施形態に係る評価装置２０による処理の流れの一例を示すフローチャートである。 同実施形態に係る情報処理装置９０のハードウェア構成例を示すブロック図である。
　以下に添付図面を参照しながら、本開示の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
　なお、説明は以下の順序で行うものとする。
　１．実施形態
　　１．１．背景
　　１．２．学習装置１０の機能構成例
　　１．３．評価装置２０の機能構成例
　　１．４．被評価者による行動に関する「癖」の評価
　　１．５．被評価者による行動に関する「腕」の評価
　　１．６．各分析結果に基づく統合的評価
　　１．７．処理の流れ
　２．ハードウェア構成例
　３．まとめ
　＜１．実施形態＞
　＜＜１．１．背景＞＞
　上述したように、あるタスクに関し、タスクの実行者（以下、被評価者、とも称する）を適切に評価することは、業界業種を問わず非常に重要である。しかし、被評価者が実行するタスクの専門性が高い場合、かつ評価者が当該タスクに関する専門知識を被評価者と同等に有しない場合等においては、適切な評価を行うことが困難な場合がある。
　ここでは、一例として、ある基金においてファンドマネージャの評価を行う場合を想定する。基金に属する評価者は、例えば、契約済みのファンドマネージャや、今後に契約を行う候補として新規のファンドマネージャを被評価者として当該被評価者に対する評価を行うものとする。
　しかし、ここで、基金に属する評価者が被評価者と同等の専門的知識を有しない場合、評価者が被評価者を適切に評価することが困難である。また、評価者は、被評価者による戦略等の説明に対し理解が追い付かず、被評価者の発言を鵜呑みにせざるを得ない状況などが生じ得る。
　このため、特にファンドマネージャ（あるいはファンド）のような専門性の高いタスクを実行する被評価者を評価する場合には、多角的な分析に基づいて評価を可視化することが重要となる。
　本発明の一実施形態に係る技術思想は上記の点に着目して発想されたものであり、被評価者による行動に対し、より適切な評価を実現するものである。
　このために、本発明の一実施形態に係る評価装置２０は、機械学習アルゴリズムを用いた複数の分析の結果に基づいて、被評価者による行動を評価する。
　例えば、本実施形態に係る評価装置２０は、機械学習により生成された第１の分類器および第２の分類器による出力結果に基づいて被評価者による行動に関する「癖（habits）」を評価する。
　また、例えば、本実施形態に係る評価装置２０は、機械学習により生成された第３の分類器による出力結果に基づいて被評価者による行動に関する「腕（skills）」を評価してもよい。
　以下、上記のような評価を実現する機能構成について詳細に説明する。
　＜＜１．２．学習装置１０の機能構成例＞＞
　まず、本実施形態に係る学習装置１０の機能構成例について述べる。本実施形態に係る学習装置１０は、上述した第１の分類器、第２の分類器、または第３の分類器を生成する情報処理装置である。
　図１は、本実施形態に係る学習装置１０の機能構成例を示すブロック図である。図１に示すように、本実施形態に係る学習装置１０は、学習部１１０および記憶部１２０などを備える。
　（学習部１１０）
　本実施形態に係る学習部１１０は、機械学習アルゴリズムにより第１の分類器、第２の分類器、または第３の分類器を生成する。
　例えば、本実施形態に係る学習部１１０は、ディープニューラルネットワークを用いた教師あり学習により、第１の分類器や第２の分類器を生成してもよい。
　また、例えば、本実施形態に係る学習部１１０は、ニューラルネットワークを用いた教師なし学習により、第３の分類器を生成してもよい。
　本実施形態に係る学習部１１０による学習の詳細については別途詳細に説明する。なお、本実施形態に係る学習部１１０が有する機能は、ＧＰＵ等のプロセッサにより実現される。
　（記憶部１２０）
　本実施形態に係る記憶部１２０は、学習部１１０により実行される学習に関する各種の情報を記憶する。例えば、記憶部１２０は、学習部１１０により学習に用いられるネットワークの構造や、当該ネットワークに係る各種のパラメータ、学習用データなどを記憶する。
　以上、本実施形態に係る学習装置１０の機能構成例について述べた。なお、図１を用いて説明した上記の機能構成はあくまで一例であり、本実施形態に係る学習装置１０の機能構成は係る例に限定されない。
　例えば、本実施形態に係る学習装置１０は、ユーザによる操作を受け付ける操作部や、各種の情報を表示する表示部などをさらに備えてもよい。
　また、学習装置１０は、第１の分類器、第２の分類器、および３の分類器のすべてを必ずしも生成せずともよい。本実施形態に係る第１の分類器、第２の分類器、および３の分類器は、それぞれ異なる学習装置１０により生成されてもよい。
　本実施形態に係る学習装置１０の機能構成は、仕様や運用に応じて柔軟に変形可能である。
　＜＜１．３．評価装置２０の機能構成例＞＞
　次に、本実施形態に係る評価装置２０の機能構成例について述べる。本実施形態に係る評価装置２０は、被評価者による行動の評価を行う情報処理装置である。
　図２は、本実施形態に係る評価装置２０の機能構成例を示すブロック図である。図２に示すように、本実施形態に係る評価装置２０は、評価部２１０、記憶部２２０、および出力部２３０などを備える。
　（評価部２１０）
　本実施形態に係る評価部２１０は、所定のタスクに関する被評価者による行動の実績を示す行動実績データに基づいて、当該被評価者による行動の評価を行う。
　本実施形態に係る被評価者の一例には、上述したファンドマネージャなどが挙げられる。この場合、上記所定のタスクは、資産運用であってよい。また、上記被評価者による行動の一例には、株式等の金融商品の売買取引が挙げられる。また、行動実績データは、当該取引の実績（例えば、ある銘柄を買った日付、買った量、ある銘柄を売った日付、売った量など）を記録したデータであってよい。
　なお、以下においては、被評価者がファンドマネージャである場合を主な例として説明を行うが、本実施形態に係る被評価者は係る例に限定されない。
　本実施形態に係る被評価者は、例えば、企業等に属する営業職であってもよい。この場合、上記所定のタスクは、営業活動であってよい。また、上記被評価者による行動には、顧客（見込み顧客を含む）への訪問、電話、メール、プレゼンテーション等が挙げられる。また、行動実績データは、上記のような各行動の実績（例えば、訪問日付、電話回数、メール回数、プレゼンテーションの実施有無など）を記録したデータであってよい。
　また、本実施形態に係る評価部２１０は、上述した第１の分類器、第２の分類器、および第３の分類器を用いた分析の結果に基づいて、被評価者による行動の評価を行うことを特徴の一つとする。
　本実施形態に係るスタイルディテクター（Style Detector）２１２は、第１の分類器の一例である。本実施形態に係るスタイルディテクター２１２は、被評価者による行動のスタイルを分析するスタイル分析に用いられる。
　また、本実施形態に係るリゼンブラー（Resembler）２１４は、第２の分類器の一例である。本実施形態に係るリゼンブラー２１４は、被評価者による行動の一貫性を分析する一貫性分析に用いられる。
　また、本実施形態に係るディスティラー（Distiller）２１６は、本実施形態に係るディスティラー２１６は、所定のタスクにおける評価項目に対する前記被評価者による行動の寄与を分析する寄与分析に用いられる。
　本実施形態に係るスタイルディテクター２１２、リゼンブラー２１４、またはディスティラー２１６を用いた各分析、また各分析の結果に基づく評価については別途詳細に説明する。なお、本実施形態に係る評価部２１０が有する機能は、ＧＰＵやＣＰＵ等のプロセッサにより実現される。
　（記憶部２２０）
　本実施形態に係る記憶部２２０は、評価装置２０により用いられる各種の情報を記憶する。記憶部２２０は、例えば、被評価者による行動の実績を示す行動実績データ、評価部２１０により用いられるプログラム、評価部２１０による評価の結果などの情報を記憶する。
　（出力部２３０）
　本実施形態に係る出力部２３０は、評価部２１０による評価の結果を出力する。例えば、本実施形態に係る出力部２３０は、上記評価の結果を表示してもよい。この場合、出力部２３０は、各種のディスプレイを備える。また、例えば、出力部２３０は、上記評価の結果を紙媒体に印刷してもよい。この場合、出力部２３０は、プリンタを備える。
　以上、本実施形態に係る評価装置２０の機能構成例について述べた。なお、図２を用いて説明した上記の機能構成はあくまで一例であり、本実施形態に係る評価装置２０の機能構成は係る例に限定されない。
　例えば、本実施形態に係る評価部２１０は、図２に示すように、スタイルディテクター２１２、リゼンブラー２１４、およびディスティラー２１６を備え、これらを用いた各分析を自ら行ってもよい。
　一方、スタイルディテクター２１２、リゼンブラー２１４、またはディスティラー２１６による各分析は、例えば、クラウド上に配置される別途の装置により実行されてもよい。この場合、本実施形態に係る評価部２１０は、上記別途の装置から各分析の結果を取得することで、当該結果に基づいて被対象者による行動の評価を行うことが可能である。
　また、例えば、評価部２１０と出力部２３０とは、必ずしも同一の装置に備えられなくてもよい。一例として、ローカルに配置される装置に備えられる出力部２３０は、クラウドに配置される別途の装置に備えられる評価部２１０による評価の結果を取得し、当該結果の出力を行ってもよい。
　本実施形態に係る評価装置２０の機能構成は、仕様や運用に応じて柔軟に変形可能である。
　＜＜１．４．被評価者による行動に関する「癖」の評価＞＞
　次に、本実施形態に係る評価部２１０による、被評価者による行動に関する「癖」の評価について詳細に説明する。
　本実施形態に係る評価部２１０は、被評価者による行動のスタイルを分析するスタイル分析の結果、および被評価者による行動の一貫性を分析する一貫性分析の結果に基づいて、被評価者による行動に関する「癖」を評価してよい。
　例えば、所定のタスクが資産運用であり、被評価者（ファンドマネージャ）による行動が株式等の金融商品の売買取引である場合を想定する。この場合、本実施形態に係るスタイル分析は、ファンドマネージャの運用スタイル（運用戦略、ともいえる）を分析するものであり得る。また、本実施形態に係る一貫性分析は、運用の一貫性を分析するものであり得る。
　すなわち、本実施形態に係る評価部２１０は、ファンドマネージャの運用スタイルおよび運用の一貫性に基づいて、当該ファンドマネージャの「癖」を評価してよい。
　上記のような評価手法によれば、例えば、被評価者であるファンドマネージャが、金融商品の売買取引に関しどのような特性を有しているのかを把握することが可能となる。
　また、上記のような評価手法によれば、例えば、被評価者であるファンドマネージャが、様々な経済的背景の中でどのような行動を取るのかを把握することが可能となる。
　さらには、上記のような評価手法によれば、ファンドマネージャによる行動が、基金に対して進行した提案と乖離せずに整合性が取れているか、乖離している場合にはそれが妥当なものなのか、あるいは警戒すべきものなのか、などを精度高く判断することが可能となる。
　以下、本実施形態に係るスタイル分析および一貫性分析、また各分析の結果を用いた評価手法について詳細に説明する。
　まず、本実施形態に係るスタイル分析について述べる。本実施形態に係るスタイル分析は、深層学習により生成される第１の分類器、すなわちスタイルディテクター２１２に行動実績データを入力し、被評価者による行動のスタイルを分類する分析であってよい。
　ここで、本実施形態に係るスタイルディテクター２１２の生成手法について説明する。ＤＮＮ（Deep Neural Network）にスタイルに係る分類能を獲得させるためには、レファレンスとする複数のスタイルに対応する行動の実績データを訓練データとして与え、教師あり学習を行う手法が想定される。
　しかし、レファレンスとするスタイルを忠実に反映した行動の実績データは実在しないケースが多い。
　このため、本実施形態に係るスタイルディテクター２１２は、互いに異なるスタイルに基づく複数セットの仮想行動実績データを訓練データとする教師あり学習により生成されてもよい。
　上記仮想行動実績データとは、所定のタスクに関する行動を所定のスタイルに基づいて仮想的に実行するプログラムにより得られた仮想行動の実績を示すデータであってよい。
　図３は、本実施形態に係る学習部１１０によるスタイルディテクター２１２の生成について説明するための図である。
　例えば、図３に示す一例の場合、ＤＮＮ１１２には、複数セットの訓練データＴＤ１～ＴＤｎが与えられる。
　ここで、訓練データＴＤ１は、スタイル１に基づいて金融商品の売買取引を仮想的に実行するプログラム（仮想ファンドマネージャ１）により得られた仮想行動実績データであってよい。
　また、訓練データＴＤ２は、スタイル２に基づいて金融商品の売買取引を仮想的に実行するプログラム（仮想ファンドマネージャ２）により得られた仮想行動実績データであってよい。
　また、訓練データＴＤｎは、スタイルｎに基づいて金融商品の売買取引を仮想的に実行するプログラム（仮想ファンドマネージャｎ）により得られた仮想行動実績データであってよい。
　上記のような訓練データＴＤ１～ＴＤｎを用いた教師あり学習によれば、ＤＮＮ１１２にスタイル１～ｎに関する分類能を獲得させることができる。また、本実施形態では、当該分類能を獲得したＤＮＮ１１２をスタイルディテクター２１２として用いる。
　なお、スタイル１～Ｎとしては、例えば、資産運用における典型的なスタイルである、Value、Growth、High Dividend、Minimum Volatility、Momentum、Quality、Fixed Weight、Technicalなどが採用されてもよい。
　次に、本実施形態に係る一貫性分析について述べる。本実施形態に係る一貫性分析は、深層学習により生成される第２の分類器、すなわちリゼンブラー２１４に行動実績データを入力し、被評価者による行動に係る他者類似性を分類する分析であってもよい。
　ここで、本実施形態に係るリゼンブラー２１４の生成手法について説明する。ＤＮＮに他者類似性に係る分類能を獲得させるためには、レファレンスとする他者より行われた行動の実績データを訓練データとして与え、教師あり学習を行う手法が想定される。
　このため、本実施形態に係るリゼンブラー２１４は、複数の実在他者に係る複数セットの他者行動実績データを訓練データとする教師あり学習により生成されてもよい。
　上記他者行動実績データとは、所定のタスクに関する実在他者による行動の実績を示すデータであってよい。
　図４は、本実施形態に係る学習部１１０によるリゼンブラー２１４の生成について説明するための図である。
　例えば、図４に示す一例の場合、ＤＮＮ１１４には、複数セットの訓練データＴＤ１～ＴＤｎが与えられる。
　ここで、訓練データＴＤ１は、実在する他者１（ファンドマネージャ１）による行動の実績を示す他者行動実績データであってよい。
　また、訓練データＴＤ２は、実在する他者２（ファンドマネージャ２）による行動の実績を示す他者行動実績データであってよい。
　また、訓練データＴＤｎは、実在する他者ｎ（ファンドマネージャｎ）による行動の実績を示す他者行動実績データであってよい。
　上記のような訓練データＴＤ１～ＴＤｎを用いた教師あり学習によれば、ＤＮＮ１１４に他者１～ｎとの類似性に係る分類能を獲得させることができる。また、本実施形態では、当該分類能を獲得したＤＮＮ１１４をリゼンブラー２１４として用いる。
　以上、スタイルディテクター２１２およびリゼンブラー２１４の生成手法について説明した。続いて、本実施形態に係るスタイルディテクター２１２およびリゼンブラー２１４を用いた分析と当該分析の結果に基づく評価について説明する。
　図５は、本実施形態に係るスタイルディテクター２１２およびリゼンブラー２１４による出力の概要について説明するための図である。
　図５に示すように、本実施形態に係るスタイルディテクター２１２およびリゼンブラー２１４には、被評価者による行動の実績を示す行動実績データが入力データＩＤとして与えられる。
　この際、スタイルディテクター２１２は、入力データＩＤとして与えられた行動実績データが、学習時に与えられた訓練データに対応する各スタイルにどれだけ合致しているかを示す出力データＳＯを出力する。
　一方、リゼンブラー２１４は、入力データＩＤとして与えられた行動実績データが、学習時に与えられた訓練データに対応する各他者にどれだけ類似しているかを示す出力データＲＯを出力する。
　なお、リゼンブラー２１４を生成するための学習時には、被評価者による行動の実績を示す行動実績データが訓練データとしてさらに与えられてもよい。この場合、リゼンブラー２１４は、入力データＩＤとして与えられた行動実績データが、どれだけ被評価者っぽいかを算出することも可能である。
　以上、本実施形態に係る本実施形態に係るスタイルディテクター２１２およびリゼンブラー２１４による出力の概要について述べた。本実施形態に係る評価部２１０は、上記のようなスタイル分析の結果、および一貫性分析の結果に基づいて被評価者の行動を評価することを特徴の一つとする。
　例えば、本実施形態に係る評価部２１０は、入力された行動実績データに対応する期間内における被評価者の行動のスタイルに係る安定性、および同期間内における被験者による行動の一貫性に係る安定性に基づいて、被評価者の行動を評価してもよい。
　より具体的には、本実施形態に係る評価部２１０は、上記期間内において被評価者による行動のスタイルが継続しているか又は変動しているかを示す第１の軸と、同期間内において被評価者による行動の一貫性が保たれているか又は保たれていないかを示す第２の軸とに基づいて、被評価者による行動を評価してもよい。
　図６～図９は、本実施形態に係るスタイルディテクター２１２およびリゼンブラー２１４による出力の結果と、当該結果に基づく評価の一例について説明するための図である。
　例えば、図６に示す一例の場合、リゼンブラー２１４による出力の結果に着目すると、行動実績データに対応する期間内において、他者３らしさが継続して支配的であることが見て取れる。この場合、評価部２１０は、同期間内における被評価者による行動の一貫性が保たれていると判定してよい。
　一方、スタイルディテクター２１２による出力の結果に着目すると、行動実績データに対応する期間内において、スタイル２が継続して支配的であることが見て取れる。この場合、評価部２１０は、同期間内における被評価者による行動が安定していると判定してよい。
　このように、被評価者による行動に一貫性があり、かつ当該行動のスタイルが安定していると判定可能な場合、評価部２１０は、ファクターとファンドマネージャの投資戦略が継続している、ファクターベースの投資行動が行われていると評価してもよい。
　また、例えば、図７に示す一例の場合、リゼンブラー２１４による出力の結果に着目すると、行動実績データに対応する期間内において、前半では他者３らしさが支配的であるのに対し後半では他者１らしさが支配的となることが見て取れる。このような場合、評価部２１０は、同期間内における被評価者による行動の一貫性が保たれていない（一貫性がない）と判定してよい。
　一方、スタイルディテクター２１２による出力の結果に着目すると、行動実績データに対応する期間内において、スタイル２が継続して支配的であることが見て取れる。この場合、評価部２１０は、同期間内における被評価者による行動が安定していると判定してよい。
　このように、被評価者による行動に一貫性がなく、かつ当該行動のスタイルが安定していると判定可能な場合、評価部２１０は、行動に一貫性はないもののファクターエクスポージャーは安定していると評価してもよい。
　また、例えば、図８に示す一例の場合、リゼンブラー２１４による出力の結果に着目すると、行動実績データに対応する期間内において、他者３らしさが継続して支配的であることが見て取れる。この場合、評価部２１０は、同期間内における被評価者による行動の一貫性が保たれていると判定してよい。
　一方、スタイルディテクター２１２による出力の結果に着目すると、行動実績データに対応する期間内において、前半ではスタイル３が支配的であるのに対し後半ではスタイル１が支配的となることが見て取れる。このような場合、評価部２１０は、同期間内における被評価者による行動のスタイルが変動していると判定してよい。
　このように、被評価者による行動に一貫性があり、かつ当該行動のスタイルが変動していると判定可能な場合、評価部２１０は、マーケット動向により投資するファクターは異なるものの、全体の投資戦略は継続している、ファクターローテーション的な投資行動が行われていると評価してもよい。
　また、例えば、図９に示す一例の場合、リゼンブラー２１４による出力の結果に着目すると、行動実績データに対応する期間内において、前半では他者３らしさが支配的であるのに対し後半では他者１らしさが支配的となることが見て取れる。このような場合、評価部２１０は、同期間内における被評価者による行動の一貫性が保たれていない（一貫性がない）と判定してよい。
　一方、スタイルディテクター２１２による出力の結果に着目すると、行動実績データに対応する期間内において、前半ではスタイル３が支配的であるのに対し後半ではスタイル１が支配的となることが見て取れる。このような場合、評価部２１０は、同期間内における被評価者による行動のスタイルが変動していると判定してよい。
　このように、被評価者による行動に一貫性がなく、かつ当該行動のスタイルが変動していると判定可能な場合、評価部２１０は、運用に一貫性がなくスタイルも見ていない、勘と経験のみによる投資行動が行われていると評価してもよい。
　以上、本実施形態に係るスタイルディテクター２１２およびリゼンブラー２１４を用いた分析の結果と、当該結果に基づく評価について具体例を挙げて説明した。
　本実施形態に係るスタイルディテクター２１２およびリゼンブラー２１４を用いた分析によれば、被評価者の行動を安定性および一貫性の２軸を用いてより適切に評価することが可能となる。
　＜＜１．５．被評価者による行動に関する「腕」の評価＞＞
　次に、本実施形態に係る評価部２１０による、被評価者による行動に関する「腕」の評価について詳細に説明する。
　上記では、本実施形態に係る評価部２１０が、スタイルディテクター２１２およびリゼンブラー２１４を用いた分析の結果に基づいて、被評価者による行動に関する「癖」を評価する手法について述べた。
　本実施形態に係る評価部２１０は、上記のような「癖」の評価に加え、ディスティラー２１６を用いた分析の結果に基づく「腕」の評価を行うことで、被験者による行動をより細かくかつ適切に評価することが可能である。
　本実施形態に係るディスティラー２１６を用いた分析は、所定のタスクにおける評価項目に対する被評価者による行動の寄与を分析する寄与分析といえる。
　本実施形態に係る寄与分析は、第３の分類器が、入力された評価者による行動の対象となる複数の対象物の属性、および当該対象物に対する行動実績データに基づいて、複数の対象物を平面上に配置した２次元マップを生成することを含む。例えば、タスクが資産運用である場合、本実施形態に係る対象物は、株式の銘柄であり得る。
　図１０は、本実施形態に係る第３の分類器２１７の生成と、第３の分類器２１７が出力する２次元マップＭ０について説明するための図である。
　本実施形態に係る第３の分類器２１７は、評価者による行動の対象となる複数の対象物の属性、および当該対象物に対する行動実績データを入力データＩＤとして、複数の対象物を平面上に配置した２次元マップＭ０を出力する。なお、図１０に示す２次元マップＭ０における矩形の各々は、上記の対象物を示す。
　すなわち、本実施形態に係る第３の分類器２１７は、高次元のデータセットに対し、データ分布の位相的構造を保存しつつ低次元空間へ写像する機能を有するといえる。
　本実施形態に係る第３の分類器２１７は、例えば、ＮＮ（Neural Network）１１６に上記の入力データＩＤを与え、２次元マップＭ０を出力させる教師なし学習を繰り返し実施することにより生成され得る。
　本実施形態に係る第３の分類器２１７は、例えば、自己組織化マップ（Self-Organizing Maps）であってもよい。一方、本実施形態に係る第３の分類器２１７は、ＶＡＥ（Variational AutoEncoder）などのアルゴリズムを用いて生成されてもよい。
　本実施形態に係るディスティラー２１６は、上記のように生成された第３の分類器２１７を用いた寄与分析を行う。この際、本実施形態に係るディスティラー２１６は、第３の分類器２１７が出力する２次元マップＭ０において、所定のタスクにおける評価項目に係る強度と対象者による行動に係る強度とをヒートマップ状に表現すること、を特徴の一つとする。
　例えば、所定のタスクが資産運用である場合、上記評価項目の一例としては、アクティブリターンが挙げられる。ここで、アクティブリターンとは、ポートフォリオのリターンとベンチマークのリターンとの差を示す指標である。
　本実施形態に係るディスティラー２１６は、銘柄の属性（ここでは、上記ベンチマークのリターン）と、行動実績データ（ここでは、ポートフォリオのリターン）とに基づいて、アクティブリターンを算出し、２次元マップＭ０において当該アクティブリターンをヒートマップ状に表現したアクティブリターンマップＭ１を生成してもよい。
　図１１は、本実施形態に係るアクティブリターンマップＭ１の一例を示す図である。図１１に示すアクティブリターンマップＭ１では、アクティブリターンの強度が斜線の密度により表現されている。
　具体的には、図１１に示すアクティブリターンマップＭ１では、ポートフォリオのリターンがベンチマークのリターンを大きく上回る領域は密度の高い斜線で表され、ポートフォリオのリターンとベンチマークのリターンとの差がほぼない領域は密度の低い斜線で表されている。また、ポートフォリオのリターンがベンチマークのリターンを大きく下回る領域は、無地（白）で表されている。
　なお、図１１に示すアクティブリターンマップＭ１においては、見やすさを優先するために、アクティブリターンの強度を上記の３段階により表しているが、本実施形態に係るディスティラー２１６は、より多段階かつ連続的にアクティブリターンの強度を表現してもよい。
　また、図１１に示すアクティブリターンマップＭ１においては、見やすさを優先するために、平面上に配置される各銘柄の表現を省略している。以降に示す各ヒートマップについても同様である。
　また、本実施形態に係るディスティラー２１６は、アクティブリターンマップＭ１のような、所定のタスクにおける評価項目に係る強度を示すヒートマップと対比させる対象として、対象者による行動に係る強度を示すヒートマップをさらに生成してよい。
　上記対象者による行動に係る強度の指標としては、例えば、アクティブウェイトが挙げられる。アクティブウェイトとは、ポートフォリオにおける銘柄の構成比とベンチマークにおける銘柄の構成比との乖離幅を指す指標である。
　本実施形態に係るディスティラー２１６は、銘柄の属性（ここでは、上記ベンチマークにおける銘柄の構成比）と、行動実績データ（ここでは、ポートフォリオにおける銘柄の構成比）とに基づいて、アクティブウェイトを算出し、２次元マップＭ０において当該アクティブウェイトをヒートマップ状に表現したアクティブウェイトマップＭ２を生成してもよい。
　図１２は、本実施形態に係るアクティブウェイトマップＭ２の一例を示す図である。図１２に示すアクティブウェイトマップＭ２では、アクティブリターンの強度がドットの密度により表現されている。
　具体的には、図１２に示すアクティブウェイトマップＭ２では、ポートフォリオにおける銘柄の保有量がベンチマークにおける銘柄の保有量を大きく上回る領域は密度の高いドットで表されている。また、ポートフォリオにおける銘柄の保有量とベンチマークにおける銘柄の保有量との差がほぼない領域は密度の低いドットで表されている。また、ポートフォリオにおける銘柄の保有量がベンチマークにおける銘柄の保有量を大きく下回る領域は無地（白）で表されている。
　なお、図１２に示すアクティブウェイトマップＭ２においては、見やすさを優先するために、アクティブウェイトの強度を上記の３段階により表しているが、本実施形態に係るディスティラー２１６は、より多段階かつ連続的にアクティブウェイトの強度を表現してもよい。
　以上、本実施形態に係る評価項目に係る強度を示すヒートマップと、対象者による行動に係る強度を示すヒートマップとについて具体例を挙げた。
　本実施形態に係るディスティラー２１６は、生成した上記２つのヒートマップを重畳させたヒートマップをさらに生成してよい。
　また、この際、本実施形態に係る評価部２１０は、上記２つのヒートマップを重畳させたヒートマップ（２次元マップ）に基づいて、評価項目に対する被評価者による行動の寄与が、被評価者の実力によるものであるか否かを評価してもよい。
　例えば、本実施形態に係るディスティラー２１６は、アクティブリターンマップＭ１とアクティブウェイトマップＭ２とを重畳させることで、アクティブリターン＆アクティブウェイトマップＭ３を生成してもよい。
　図１３は、本実施形態に係るアクティブリターン＆アクティブウェイトマップＭ３の一例を示す図である。この際、本実施形態に係る評価部２１０は、アクティブリターン＆アクティブウェイトマップＭ３に基づいて、アクティブリターンに対する被評価者による行動の寄与が、当該被評価者の実力によるものであるか否かを評価することができる。
　例えば、図１３に示すアクティブリターン＆アクティブウェイトマップＭ３において、アクティブリターンが高く、かつアクティブウェイトが高い領域は、密度の高い斜線と密度の高いドットとの重畳により表現されている。当該領域は、被評価者による行動に起因して銘柄の保有量が多く、かつ利益が出ている領域といえる。
　このことから、本実施形態に係る評価部２１０は、上記領域のように、評価項目に係る強度が高い領域と、被評価者による行動に係る強度が高い領域とが重なる領域を、被評価者の実力による寄与が高い領域（Good choice）として評価してもよい。
　一方、図１３に示すアクティブリターン＆アクティブウェイトマップＭ３において、アクティブリターンが高く、かつアクティブウェイトが低い領域は、密度の高い斜線により表現されている。当該領域は、銘柄の保有量が低いものの相対的に利益が出ている領域といえる。
　このことから、本実施形態に係る評価部２１０は、上記領域のように、評価項目に係る強度が高い領域と、被評価者による行動に係る強度が低い領域とが重なる領域を、被評価者の実力による寄与が低い領域、すなわちマグレによる利益が生じている領域（Luck）として評価してもよい。
　他方、図１３に示すアクティブリターン＆アクティブウェイトマップＭ３において、アクティブリターンが低く、かつアクティブウェイトが高い領域は、密度の高いドットにより表現されている。当該領域は、被評価者による行動に起因して銘柄の保有量が多く、かつ損失が生じている領域といえる。
　このことから、本実施形態に係る評価部２１０は、上記領域のように、評価項目に係る強度が低い領域と、被評価者による行動に係る強度が高い領域とが重なる領域を、被評価者の見込み違いによる損失が生じている領域（Bad choice）として評価してもよい。
　また、本実施形態に係る評価部２１０は、上記のように評価した各領域の面積に基づいて、資産運用において生じた利益のうち被評価者の「腕」により生じた利益を示す寄与率（IPR: Intentional profit ratio）を算出することも可能である。
　例えば、図１３に示す一例の場合、ＩＰＲは、次の数式により算出されてもよい。
　　　IPR = Good choice / Good choice + Luck
　このように、本実施形態に係るディスティラー２１６を用いた評価によれば、単純にアクティブリターンのみで被評価者の評価を行う場合と比較して、被評価者の実力（腕）をより適切に評価することが可能となる。
　また、評価部２１０は、IPRを所定期間ごとに継続して算出することで、被評価者の実力がどのように変化しているか、などの評価を行うことも可能である。
　また、上記では、評価部２１０が、アクティブリターンとアクティブウェイトに基づいて被評価者の評価を行う場合を例示したが、本実施形態に係る評価部２１０による評価は係る例に限定されない。
　本実施形態に係る評価部２１０は、例えば、アクティブリターンとトレーディングボリュームに基づいて被評価者の評価を行ってもよい。
　図１４は、本実施形態に係るトレーディングボリュームマップＭ４の一例を示す図である。図１４に示すトレーディングボリュームマップＭ４では、トレーディングボリュームの強度が斜線の密度により表現されている。
　具体的には、図１４に示すトレーディングボリュームマップＭ４では、トレーディングボリュームが多い領域は密度の高い斜線で表され、トレーディングボリュームが中程度の領域は密度の低い斜線で表されている。また、トレーディングボリュームが少ない領域は、無地（白）で表されている。
　なお、図１４に示すトレーディングボリュームマップＭ４においては、見やすさを優先するために、トレーディングボリュームの強度を上記の３段階により表しているが、本実施形態に係るディスティラー２１６は、より多段階かつ連続的にトレーディングボリュームの強度を表現してもよい。
　また、本実施形態に係るディスティラー２１６は、アクティブリターンマップＭ１とトレーディングボリュームマップＭ４とを重畳させることで、アクティブリターン＆トレーディングボリュームマップＭ５を生成してもよい。
　図１５は、本実施形態に係るアクティブリターン＆トレーディングボリュームマップＭ５の一例を示す図である。この際、本実施形態に係る評価部２１０は、アクティブリターン＆トレーディングボリュームマップＭ５に基づいて、アクティブリターンに対する被評価者による行動の寄与が、当該被評価者の実力によるものであるか否かを評価することができる。
　例えば、図１５に示すアクティブリターン＆トレーディングボリュームマップＭ５において、アクティブリターンが高く、かつトレーディングボリュームマップが多い領域は、密度の高い斜線と密度の高いドットとの重畳により表現されている。当該領域は、被評価者による行動に起因して銘柄の取引量が多く、かつ利益が出ている領域といえる。
　このことから、本実施形態に係る評価部２１０は、上記の領域を被評価者の実力による寄与が高い領域（Good trade）として評価してもよい。
　一方、図１５に示すアクティブリターン＆トレーディングボリュームマップＭ５において、アクティブリターンが高く、かつトレーディングボリュームが少ない領域は、密度の高い斜線により表現されている。当該領域は、銘柄の取引量が少ないものの相対的に利益が出ている領域といえる。
　このことから、本実施形態に係る評価部２１０は、上記領域をマグレによる利益が生じている領域（Luck）として評価してもよい。
　他方、図１５に示すアクティブリターン＆トレーディングボリュームマップＭ５において、アクティブリターンが低く、かつトレーディングボリュームが多い領域は、密度の高いドットにより表現されている。当該領域は、被評価者による行動に起因して銘柄の取引量が多く、かつ損失が生じている領域といえる。
　このことから、本実施形態に係る評価部２１０は、上記領域を被評価者の見込み違いによる損失が生じている領域（Bad trade）として評価してもよい。
　以上、本実施形態に係るディスティラー２１６を用いた評価について具体例を挙げて説明した。なお、本実施形態に係るディスティラー２１６は、上記で挙げたアクティブリターン、アクティブウェイト、トレーディングボリュームの他に様々な属性や当該属性に基づく指標をヒートマップ化することが可能である。
　本実施形態に係るディスティラー２１６は、例えば、PBR（Price Book-value Ratio）、PER(Price Earnings Ratio)、Stock yieldなどに関するヒートマップを生成し、評価部２１０は、当該ヒートマップに基づく評価を行ってもよい。
　本実施形態に係るディスティラー２１６を用いた評価手法によれば、例えば、実力が発揮できた（読みが外れた）のはどの産業セクターへの投資か、どの地域エリアでの投資か、などの評価を行うことが可能となる。
　また、本実施形態に係るディスティラー２１６を用いた評価手法によれば、例えば、利益が上がらなかったのは、市場環境の影響でやむを得ないものだったのか、あるいは投資スタイルのせいなのか、といった評価を行うことが可能となる。
　＜＜１．６．各分析結果に基づく統合的評価＞＞
　次に、本実施形態に係る評価部２１０による、スタイルディテクター２１２、リゼンブラー２１４、およびディスティラー２１６を用いた各分析結果に基づく統合評価について説明する。
　上述したように、本実施形態に係る評価部２１０は、スタイルディテクター２１２を用いたスタイル分析、リゼンブラー２１４を用いた一貫性分析、ディスティラー２１６を用いた寄与分析の結果にそれぞれ基づいて、被評価者の評価を行うことが可能である。
　さらには、本実施形態に係る評価部２１０は、上記の３つの分析結果を用いた３軸における統合的な評価を行ってもよい。
　図１６は、本実施形態に係る３つの分析結果を用いた３軸における統合的な評価について説明するための図である。
　図１６の左側には、スタイルディテクター２１２を用いたスタイル分析、リゼンブラー２１４を用いた一貫性分析、ディスティラー２１６を用いた寄与分析の相互関係を３次元的に表した模式図が示されている。
　図示するように、本実施形態に係る評価部２１０は、スタイルディテクター２１２を用いたスタイル分析の結果に基づく第１の軸、リゼンブラー２１４を用いた一貫性分析の結果に基づく第２の軸、およびディスティラー２１６を用いた寄与分析の結果に基づく第３の軸を用いて、被評価者の評価を８象限に分類することが可能である。
　より具体的には、上記第１の軸は、被評価者による行動のスタイルが安定しているか又は変動しているかを示すものであってよい。また、上記の第２の軸は、被評価者による行動の一貫性が保たれているか又は保たれていないか（非一貫）を示すものであってよい。また、上記第３の軸は、被評価者による資産運用により得られた利益が被評価者の実力によるものか又は運によるものかを示すものであってよい。
　この場合、例えば、図中右側上段に示すように、運によって得られた利益に関しては、被験者の評価は、スタイルの安定または変動、および一貫または非一貫の組み合わせにより象限Ｑ１～Ｑ４に分類することができる。
　この際、評価部２１０は、例えば、行動が一貫しており、かつスタイルが安定している象限Ｑ１については、インデックスに基づく資産運用への切り替えが可能であると評価してもよい。
　また、評価部２１０は、例えば、行動に一貫性がなく、かつスタイルが変動している象限Ｑ４については、たまたま利益が上がっているだけで継続性に疑問があり、注意が必要であると評価してもよい。
　一方、図中右側下段に示すように、実力によって得られた利益に関しては、被験者の評価は、スタイルの安定または変動、および一貫または非一貫の組み合わせにより象限Ｑ５～Ｑ８に分類することができる。
　この際、評価部２１０は、例えば、行動が一貫しており、かつスタイルが安定している象限Ｑ５については、スマートベクター化できる可能性があると評価してもよい。
　また、評価部２１０は、例えば、行動に一貫性がなく、かつスタイルが変動している象限Ｑ４については、実力はあるものの、ルール化されておらず個人依存度が高いと評価してもよい。
　以上、本実施形態に係る評価部２１０による、スタイルディテクター２１２、リゼンブラー２１４、およびディスティラー２１６を用いた各分析結果に基づく統合評価について具体例を挙げて説明した。
　なお、評価部２１０は、上記のような評価の他にも、例えば、利益を出した被評価者の投資スタイルが事前申告の投資スタイルと整合しているか否か、すなわち被評価者が事前に申告したとおりの投資スタイルで実力を発揮できたか否か、などの評価を行うことが可能である。
　なお、本実施形態に係る出力部２３０は、スタイルディテクター２１２、リゼンブラー２１４、およびディスティラー２１６を用いた分析の結果や、評価部２１０による評価の結果をディスプレイや紙媒体などに出力してもよい。
　例えば、出力部２３０は、図１１～図１５において示した各マップや、図１６において示した８象限に被評価者の評価をプロットしたグラフなどを出力してもよい。
　また、出力部２３０は、例えば、図１７に示すような、複数の被評価者に対する評価を比較した比較表などを出力してもよい。
　図１７に示す比較表の一例では、被評価者であるＡ社、Ｂ社、Ｃ社のそれぞれに関し、アクティブリターンや、スタイルディテクター２１２、リゼンブラー２１４、およびディスティラー２１６を用いた分析の結果が記載されている。
　基金に属する評価者は、図１７に示すような比較表を参照することで、複数の被評価者の中から今後契約する者を選ぶことや、現在契約しているファンドマネージャの契約を解除することなどを検討することが可能となる。
　また、基金に属する評価者は出力部２３０が出力する各種の情報を参照することで、例えば、今週の売買がこれまでの傾向とはことなっていること、最近実力に起因する利益が低下していることなどを把握し、被評価者とこれらについて議論することが可能となる。なお、出力部２３０は、例えば、スタイルの変化や一貫性の低下、実力に起因する利益の低下などに関して閾値を設け、各指標が当該閾値を超えた際にはアラートを発信するなどの制御を行ってもよい。
　本実施形態に係る評価装置２０が有する各機能によれば、評価者が被評価者と同等の専門的知識を有しない場合であっても、被評価者を適切に評価し、被評価者と建設的な議論を行うことが可能となる。
　＜＜１．７．処理の流れ＞＞
　次に、本実施形態に係る評価装置２０による処理の流れについて一例を挙げて説明する。図１８は、本実施形態に係る評価装置２０による処理の流れの一例を示すフローチャートである。なお、以下においては、本実施形態に係る評価部２１０がスタイルディテクター２１２、リゼンブラー２１４、およびディスティラー２１６を備える場合の処理を例示する。
　図１８に示すように、まず、評価部２１０が、スタイルディテクター２１２を用いたスタイル分析を実行する（Ｓ１０２）。
　次に、評価部２１０は、リゼンブラー２１４を用いた一貫性分析を実行する（Ｓ１０４）。
　次に、評価部２１０は、ディスティラー２１６を用いた一貫性分析を実行する（Ｓ１０６）。
　なお、ステップＳ１０２～Ｓ１０６における各処理は、上記とは異なる順番で実行されてもよいし、並行して実行されてもよい。
　次に、評価部２１０は、ステップＳ１０２～Ｓ１０６における各分析の結果に基づく３軸評価を実行する（Ｓ１０８）。
　次に、出力部２３０が、ステップＳ１０８における３軸評価の結果を出力する（Ｓ１１０）。
　＜２．ハードウェア構成例＞
　次に、本開示の一実施形態に係る学習装置１０および評価装置２０に共通するハードウェア構成例について説明する。図１９は、本開示の一実施形態に係る情報処理装置９０のハードウェア構成例を示すブロック図である。情報処理装置９０は、上記各装置と同等のハードウェア構成を有する装置であってよい。図１９に示すように、情報処理装置９０は、例えば、プロセッサ８７１と、ＲＯＭ８７２と、ＲＡＭ８７３と、ホストバス８７４と、ブリッジ８７５と、外部バス８７６と、インターフェース８７７と、入力装置８７８と、出力装置８７９と、ストレージ８８０と、ドライブ８８１と、接続ポート８８２と、通信装置８８３と、を有する。なお、ここで示すハードウェア構成は一例であり、構成要素の一部が省略されてもよい。また、ここで示される構成要素以外の構成要素をさらに含んでもよい。
　（プロセッサ８７１）
　プロセッサ８７１は、例えば、演算処理装置又は制御装置として機能し、ＲＯＭ８７２、ＲＡＭ８７３、ストレージ８８０、又はリムーバブル記録媒体９０１に記録された各種プログラムに基づいて各構成要素の動作全般又はその一部を制御する。
　（ＲＯＭ８７２、ＲＡＭ８７３）
　ＲＯＭ８７２は、プロセッサ８７１に読み込まれるプログラムや演算に用いるデータ等を格納する手段である。ＲＡＭ８７３には、例えば、プロセッサ８７１に読み込まれるプログラムや、そのプログラムを実行する際に適宜変化する各種パラメータ等が一時的又は永続的に格納される。
　（ホストバス８７４、ブリッジ８７５、外部バス８７６、インターフェース８７７）
　プロセッサ８７１、ＲＯＭ８７２、ＲＡＭ８７３は、例えば、高速なデータ伝送が可能なホストバス８７４を介して相互に接続される。一方、ホストバス８７４は、例えば、ブリッジ８７５を介して比較的データ伝送速度が低速な外部バス８７６に接続される。また、外部バス８７６は、インターフェース８７７を介して種々の構成要素と接続される。
　（入力装置８７８）
　入力装置８７８には、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチ、及びレバー等が用いられる。さらに、入力装置８７８としては、赤外線やその他の電波を利用して制御信号を送信することが可能なリモートコントローラ（以下、リモコン）が用いられることもある。また、入力装置８７８には、マイクロフォンなどの音声入力装置が含まれる。
　（出力装置８７９）
　出力装置８７９は、例えば、ＣＲＴ（Ｃａｔｈｏｄｅ　Ｒａｙ　Ｔｕｂｅ）、ＬＣＤ、又は有機ＥＬ等のディスプレイ装置、スピーカ、ヘッドホン等のオーディオ出力装置、プリンタ、携帯電話、又はファクシミリ等、取得した情報を利用者に対して視覚的又は聴覚的に通知することが可能な装置である。また、本開示に係る出力装置８７９は、触覚刺激を出力することが可能な種々の振動デバイスを含む。
　（ストレージ８８０）
　ストレージ８８０は、各種のデータを格納するための装置である。ストレージ８８０としては、例えば、ハードディスクドライブ（ＨＤＤ）等の磁気記憶デバイス、半導体記憶デバイス、光記憶デバイス、又は光磁気記憶デバイス等が用いられる。
　（ドライブ８８１）
　ドライブ８８１は、例えば、磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリ等のリムーバブル記録媒体９０１に記録された情報を読み出し、又はリムーバブル記録媒体９０１に情報を書き込む装置である。
　（リムーバブル記録媒体９０１）
リムーバブル記録媒体９０１は、例えば、ＤＶＤメディア、Ｂｌｕ－ｒａｙ（登録商標）メディア、ＨＤ　ＤＶＤメディア、各種の半導体記憶メディア等である。もちろん、リムーバブル記録媒体９０１は、例えば、非接触型ＩＣチップを搭載したＩＣカード、又は電子機器等であってもよい。
　（接続ポート８８２）
　接続ポート８８２は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）ポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ（Ｓｍａｌｌ　Ｃｏｍｐｕｔｅｒ　Ｓｙｓｔｅｍ　Ｉｎｔｅｒｆａｃｅ）、ＲＳ－２３２Ｃポート、又は光オーディオ端子等のような外部接続機器９０２を接続するためのポートである。
　（外部接続機器９０２）
　外部接続機器９０２は、例えば、プリンタ、携帯音楽プレーヤ、デジタルカメラ、デジタルビデオカメラ、又はＩＣレコーダ等である。
　（通信装置８８３）
　通信装置８８３は、ネットワークに接続するための通信デバイスであり、例えば、有線又は無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、又はＷＵＳＢ（Ｗｉｒｅｌｅｓｓ　ＵＳＢ）用の通信カード、光通信用のルータ、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ　Ｄｉｇｉｔａｌ　Ｓｕｂｓｃｒｉｂｅｒ　Ｌｉｎｅ）用のルータ、又は各種通信用のモデム等である。
　＜３．まとめ＞
　以上説明したように、本開示の一実施形態に係る評価装置２０は、所定のタスクに関する被評価者による行動の実績を示す行動実績データに基づいて、当該被評価者による行動の評価を行う評価部２１０を備える。また、本開示の一実施形態に係る評価部２１０は、被評価者による行動のスタイルを分析するスタイル分析の結果、および被評価者による行動の一貫性を分析する一貫性分析の結果に基づいて、被評価者による行動を評価する、ことを特徴の一つとする。
　上記の構成によれば、被評価者による行動に対し、より適切な評価を実現することが可能となる。
　以上、添付図面を参照しながら本開示の好適な実施形態について詳細に説明したが、本開示の技術的範囲はかかる例に限定されない。本開示の技術分野における通常の知識を有する者であれば、請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本開示の技術的範囲に属するものと了解される。
　また、本明細書において説明した処理に係る各ステップは、必ずしもフローチャートやシーケンス図に記載された順序に沿って時系列に処理される必要はない。例えば、各装置の処理に係る各ステップは、記載された順序と異なる順序で処理されても、並列的に処理されてもよい。
　また、本明細書において説明した各装置による一連の処理は、ソフトウェア、ハードウェア、及びソフトウェアとハードウェアとの組合せのいずれを用いて実現されてもよい。ソフトウェアを構成するプログラムは、例えば、各装置の内部又は外部に設けられる記録媒体（非一時的な媒体：ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ　ｍｅｄｉａ）に予め格納される。そして、各プログラムは、例えば、コンピュータによる実行時にＲＡＭに読み込まれ、各種のプロセッサにより実行される。上記記録媒体は、例えば、磁気ディスク、光ディスク、光磁気ディスク、フラッシュメモリ等である。また、上記のコンピュータプログラムは、記録媒体を用いずに、例えばネットワークを介して配信されてもよい。
　また、本明細書に記載された効果は、あくまで説明的または例示的なものであって限定的ではない。つまり、本開示に係る技術は、上記の効果とともに、または上記の効果に代えて、本明細書の記載から当業者には明らかな他の効果を奏し得る。
　なお、以下のような構成も本開示の技術的範囲に属する。
（１）
　所定のタスクに関する被評価者による行動の実績を示す行動実績データに基づいて、前記被評価者による行動の評価を行う評価部、
　を備え、
　前記評価部は、前記被評価者による行動のスタイルを分析するスタイル分析の結果、および前記被評価者による行動の一貫性を分析する一貫性分析の結果に基づいて、前記被評価者による行動を評価する、
情報処理装置。
（２）
　前記評価部は、入力された前記行動実績データに対応する期間内における前記被評価者による行動のスタイルに係る安定性、および前記期間内における前記被評価者による行動の一貫性に係る安定性に基づいて、前記被評価者による行動を評価する、
前記（１）に記載の情報処理装置。
（３）
　前記評価部は、前記期間内において前記被評価者による行動のスタイルが安定しているか又は変動しているかを示す第１の軸と、前記期間内において前記被評価者による行動の一貫性が保たれているか又は保たれていないかを示す第２の軸とに基づいて、前記被評価者による行動を評価する、
前記（２）に記載の情報処理装置。
（４）
　前記スタイル分析は、深層学習により生成される第１の分類器に前記行動実績データを入力し、前記被評価者による行動のスタイルを分類する分析である、
前記（１）～（３）のいずれか一項に記載の情報処理装置。
（５）
　前記第１の分類器は、互いに異なるスタイルに基づく複数セットの仮想行動実績データを訓練データとする教師あり学習により生成される、
前記（４）に記載の情報処理装置。
（６）
　前記仮想行動実績データは、前記所定のタスクに関する行動を所定のスタイルに基づいて仮想的に実行するプログラムにより得られた仮想行動の実績を示すデータである、
前記（５）に記載の情報処理装置。
（７）
　前記一貫性分析は、深層学習により生成される第２の分類器に前記行動実績データを入力し、前記被評価者による行動に係る他者類似性を分類する分析である、
前記（１）～（６）のいずれか一項に記載の情報処理装置。
（８）
　前記第２の分類器は、複数の実在他者に係る複数セットの他者行動実績データを訓練データとする教師あり学習により生成される、
前記（７）に記載の情報処理装置。
（９）
　前記他者行動実績データは、前記所定のタスクに関する実在他者による行動の実績を示すデータである、
前記（８）に記載の情報処理装置。
（１０）
　前記評価部は、前記所定のタスクにおける評価項目に対する前記被評価者による行動の寄与を分析する寄与分析の結果にさらに基づいて、前記被評価者による行動を評価する、
前記（１）～（９）のいずれかに記載の情報処理装置。
（１１）
　前記寄与分析は、第３の分類器が、入力された前記被評価者による行動の対象となる複数の対象物の属性、および前記対象物に対する前記行動実績データに基づいて、複数の前記対象物を平面上に配置した２次元マップを生成することと、
　前記２次元マップにおいて、前記評価項目に係る強度と前記被評価者による行動に係る強度とをヒートマップ状に表現することと、を含む、
前記（１０）に記載の情報処理装置。
（１２）
　前記第３の分類器は、自己組織化マップを含む、
前記（１１）に記載の情報処理装置。
（１３）
　前記評価部は、前記２次元マップに基づいて、前記評価項目に対する前記被評価者による行動の寄与が、前記被評価者の実力によるものであるか否かを評価する、
前記（１１）または（１２）に記載の情報処理装置。
（１４）
　前記評価部は、前記２次元マップにおいて、前記評価項目に係る強度が高い領域と、前記被評価者による行動に係る強度が高い領域とが重なる領域を、前記被評価者の実力による寄与が高い領域として評価する、
前記（１３）に記載の情報処理装置。
（１５）
　前記評価部は、前記２次元マップにおいて、前記評価項目に係る強度が高い領域と、前記被評価者による行動に係る強度が低い領域とが重なる領域を、前記被評価者の実力による寄与が低い領域として評価する、
前記（１３）に記載の情報処理装置。
（１６）
　前記所定のタスクは、資産運用を含む、
前記（１）～（１５）のいずれかに記載の情報処理装置。
（１７）
　前記被評価者による行動は、金融商品の売買取引を含む、
前記（１）～（１６）のいずれかに記載の情報処理装置。
（１８）
　前記評価部による評価の結果を出力する出力部、
　をさらに備える、
前記（１）～（１７）のいずれかに記載の情報処理装置。
（１９）
　プロセッサが、所定のタスクに関する被評価者による行動の実績を示す行動実績データに基づいて、前記被評価者による行動の評価を行うこと、
　を含み、
　前記評価を行うことは、前記被評価者による行動のスタイルを分析するスタイル分析の結果、および前記被評価者による行動の一貫性を分析する一貫性分析の結果に基づいて、前記被評価者による行動を評価すること、をさらに含む、
情報処理方法。
（２０）
　コンピュータを、
　所定のタスクに関する被評価者による行動の実績を示す行動実績データに基づいて、前記被評価者による行動の評価を行う評価部、
　を備え、
　前記評価部は、前記被評価者による行動のスタイルを分析するスタイル分析の結果、および前記被評価者による行動の一貫性を分析する一貫性分析の結果に基づいて、前記被評価者による行動を評価する、
　情報処理装置、
として機能させるためのプログラム。
　１０　　　学習装置
　１１０　　学習部
　１２０　　記憶部
　２０　　　評価装置
　２１０　　評価部
　２１２　　スタイルディテクター
　２１４　　リゼンブラー
　２１６　　ディスティラー
　２１７　　第３の分類器
　２２０　　記憶部
　２３０　　出力部

Claims (20)

  1. 　所定のタスクに関する被評価者による行動の実績を示す行動実績データに基づいて、前記被評価者による行動の評価を行う評価部、
    　を備え、
    　前記評価部は、前記被評価者による行動のスタイルを分析するスタイル分析の結果、および前記被評価者による行動の一貫性を分析する一貫性分析の結果に基づいて、前記被評価者による行動を評価する、
    情報処理装置。
  2. 　前記評価部は、入力された前記行動実績データに対応する期間内における前記被評価者による行動のスタイルに係る安定性、および前記期間内における前記被評価者による行動の一貫性に係る安定性に基づいて、前記被評価者による行動を評価する、
    請求項１に記載の情報処理装置。
  3. 　前記評価部は、前記期間内において前記被評価者による行動のスタイルが安定しているか又は変動しているかを示す第１の軸と、前記期間内において前記被評価者による行動の一貫性が保たれているか又は保たれていないかを示す第２の軸とに基づいて、前記被評価者による行動を評価する、
    請求項２に記載の情報処理装置。
  4. 　前記スタイル分析は、深層学習により生成される第１の分類器に前記行動実績データを入力し、前記被評価者による行動のスタイルを分類する分析である、
    請求項１に記載の情報処理装置。
  5. 　前記第１の分類器は、互いに異なるスタイルに基づく複数セットの仮想行動実績データを訓練データとする教師あり学習により生成される、
    請求項４に記載の情報処理装置。
  6. 　前記仮想行動実績データは、前記所定のタスクに関する行動を所定のスタイルに基づいて仮想的に実行するプログラムにより得られた仮想行動の実績を示すデータである、
    請求項５に記載の情報処理装置。
  7. 　前記一貫性分析は、深層学習により生成される第２の分類器に前記行動実績データを入力し、前記被評価者による行動に係る他者類似性を分類する分析である、
    請求項１に記載の情報処理装置。
  8. 　前記第２の分類器は、複数の実在他者に係る複数セットの他者行動実績データを訓練データとする教師あり学習により生成される、
    請求項７に記載の情報処理装置。
  9. 　前記他者行動実績データは、前記所定のタスクに関する実在他者による行動の実績を示すデータである、
    請求項８に記載の情報処理装置。
  10. 　前記評価部は、前記所定のタスクにおける評価項目に対する前記被評価者による行動の寄与を分析する寄与分析の結果にさらに基づいて、前記被評価者による行動を評価する、
    請求項１に記載の情報処理装置。
  11. 　前記寄与分析は、第３の分類器が、入力された前記被評価者による行動の対象となる複数の対象物の属性、および前記対象物に対する前記行動実績データに基づいて、複数の前記対象物を平面上に配置した２次元マップを生成することと、
    　前記２次元マップにおいて、前記評価項目に係る強度と前記被評価者による行動に係る強度とをヒートマップ状に表現することと、を含む、
    請求項１０に記載の情報処理装置。
  12. 　前記第３の分類器は、自己組織化マップを含む、
    請求項１１に記載の情報処理装置。
  13. 　前記評価部は、前記２次元マップに基づいて、前記評価項目に対する前記被評価者による行動の寄与が、前記被評価者の実力によるものであるか否かを評価する、
    請求項１１に記載の情報処理装置。
  14. 　前記評価部は、前記２次元マップにおいて、前記評価項目に係る強度が高い領域と、前記被評価者による行動に係る強度が高い領域とが重なる領域を、前記被評価者の実力による寄与が高い領域として評価する、
    請求項１３に記載の情報処理装置。
  15. 　前記評価部は、前記２次元マップにおいて、前記評価項目に係る強度が高い領域と、前記被評価者による行動に係る強度が低い領域とが重なる領域を、前記被評価者の実力による寄与が低い領域として評価する、
    請求項１３に記載の情報処理装置。
  16. 　前記所定のタスクは、資産運用を含む、
    請求項１に記載の情報処理装置。
  17. 　前記被評価者による行動は、金融商品の売買取引を含む、
    請求項１に記載の情報処理装置。
  18. 　前記評価部による評価の結果を出力する出力部、
    　をさらに備える、
    請求項１に記載の情報処理装置。
  19. 　プロセッサが、所定のタスクに関する被評価者による行動の実績を示す行動実績データに基づいて、前記被評価者による行動の評価を行うこと、
    　を含み、
    　前記評価を行うことは、前記被評価者による行動のスタイルを分析するスタイル分析の結果、および前記被評価者による行動の一貫性を分析する一貫性分析の結果に基づいて、前記被評価者による行動を評価すること、をさらに含む、
    情報処理方法。
  20. 　コンピュータを、
    　所定のタスクに関する被評価者による行動の実績を示す行動実績データに基づいて、前記被評価者による行動の評価を行う評価部、
    　を備え、
    　前記評価部は、前記被評価者による行動のスタイルを分析するスタイル分析の結果、および前記被評価者による行動の一貫性を分析する一貫性分析の結果に基づいて、前記被評価者による行動を評価する、
    　情報処理装置、
    として機能させるためのプログラム。
PCT/JP2020/030778 2019-08-21 2020-08-13 情報処理装置、情報処理方法、およびプログラム WO2021033620A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2021540751A JPWO2021033620A1 (ja) 2019-08-21 2020-08-13
EP20854455.1A EP4020348A4 (en) 2019-08-21 2020-08-13 INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD AND PROGRAM
CN202080057460.1A CN114258552A (zh) 2019-08-21 2020-08-13 信息处理装置、信息处理方法和程序
US17/635,000 US20220318913A1 (en) 2019-08-21 2020-08-13 Information processing device, information processing method, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201962889768P 2019-08-21 2019-08-21
US62/889,768 2019-08-21

Publications (1)

Publication Number Publication Date
WO2021033620A1 true WO2021033620A1 (ja) 2021-02-25

Family

ID=74660116

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/JP2020/030778 WO2021033620A1 (ja) 2019-08-21 2020-08-13 情報処理装置、情報処理方法、およびプログラム
PCT/JP2020/030779 WO2021033621A1 (ja) 2019-08-21 2020-08-13 情報処理装置、情報処理方法、およびプログラム

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/030779 WO2021033621A1 (ja) 2019-08-21 2020-08-13 情報処理装置、情報処理方法、およびプログラム

Country Status (5)

Country Link
US (2) US20220292430A1 (ja)
EP (2) EP4020348A4 (ja)
JP (2) JPWO2021033620A1 (ja)
CN (2) CN114258553A (ja)
WO (2) WO2021033620A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009245368A (ja) 2008-03-31 2009-10-22 Nikko Financial Intelligence Inc 投資ファンドのレーティングを行う方法、システム及びコンピュータプログラム
US20130297326A1 (en) * 2012-05-05 2013-11-07 Gewei Ye Set of Novel Algorithms and Processes for Mortgage and Investment Innovations
JP2014238649A (ja) * 2013-06-06 2014-12-18 富士通株式会社 情報処理方法、装置及びプログラム
JP2017522676A (ja) * 2014-06-27 2017-08-10 パイメトリクス，インコーポレイテッド 才能のデータ駆動型識別システム及び方法
JP2017224256A (ja) * 2016-06-17 2017-12-21 貞雄 政吉 診断システム、診断方法、サーバ装置、及びプログラム
JP2019008529A (ja) * 2017-06-23 2019-01-17 株式会社野村総合研究所 記録サーバ、記録方法及びプログラム

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7492372B2 (en) * 2006-02-21 2009-02-17 Bio-Rad Laboratories, Inc. Overlap density (OD) heatmaps and consensus data displays
US8733758B2 (en) * 2010-07-13 2014-05-27 David Chodniewicz Poker based puzzle and method of creation
AU2016379422A1 (en) * 2015-12-23 2018-06-14 Pymetrics, Inc. Systems and methods for data-driven identification of talent
US20180130134A1 (en) * 2016-03-16 2018-05-10 Fiduciary Investment Solutions, Inc. System and method for selecting portfolio managers
JP2019070913A (ja) * 2017-10-06 2019-05-09 株式会社野村総合研究所 スケジュール情報分析システム及びプログラム
US11526713B2 (en) * 2018-09-28 2022-12-13 Intel Corporation Embedding human labeler influences in machine learning interfaces in computing environments
US11178311B2 (en) * 2019-08-21 2021-11-16 Adobe Inc. Context aware color reduction

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009245368A (ja) 2008-03-31 2009-10-22 Nikko Financial Intelligence Inc 投資ファンドのレーティングを行う方法、システム及びコンピュータプログラム
US20130297326A1 (en) * 2012-05-05 2013-11-07 Gewei Ye Set of Novel Algorithms and Processes for Mortgage and Investment Innovations
JP2014238649A (ja) * 2013-06-06 2014-12-18 富士通株式会社 情報処理方法、装置及びプログラム
JP2017522676A (ja) * 2014-06-27 2017-08-10 パイメトリクス，インコーポレイテッド 才能のデータ駆動型識別システム及び方法
JP2017224256A (ja) * 2016-06-17 2017-12-21 貞雄 政吉 診断システム、診断方法、サーバ装置、及びプログラム
JP2019008529A (ja) * 2017-06-23 2019-01-17 株式会社野村総合研究所 記録サーバ、記録方法及びプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4020348A4

Also Published As

Publication number Publication date
JPWO2021033621A1 (ja) 2021-02-25
WO2021033621A1 (ja) 2021-02-25
EP4020347A1 (en) 2022-06-29
CN114258553A (zh) 2022-03-29
US20220292430A1 (en) 2022-09-15
EP4020347A4 (en) 2022-10-12
EP4020348A1 (en) 2022-06-29
US20220318913A1 (en) 2022-10-06
EP4020348A4 (en) 2022-10-12
JPWO2021033620A1 (ja) 2021-02-25
CN114258552A (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
US10860634B2 (en) Artificial intelligence system and method for generating a hierarchical data structure
CN106959942A (zh) 一种表单模板生成的方法、装置及终端
US20190266619A1 (en) Behavior pattern search system and behavior pattern search method
Wimalagunaratne et al. A predictive model for the global cryptocurrency market: A holistic approach to predicting cryptocurrency prices
US11620706B2 (en) Trading platforms using market sentiment and dynamic risk assessment profiles
Moutinho et al. Quantitative modelling in marketing and management
Singh et al. Machine learning based classification and segmentation techniques for CRM: a customer analytics
Mahfuza et al. LRFMV: An efficient customer segmentation model for superstores
WO2021033620A1 (ja) 情報処理装置、情報処理方法、およびプログラム
KR102038957B1 (ko) 게임 어뷰저 검출 방법 및 장치
WO2022064894A1 (ja) 情報処理装置、情報処理方法、およびプログラム
JP6178480B1 (ja) データ分析システム、その制御方法、プログラム、及び、記録媒体
WO2023015165A1 (en) Configuration of user interface for risk assessment visualization
US20230230143A1 (en) Product recommendation system, product recommendation method, and recordingmedium storing product recommendation program
WO2022054548A1 (ja) 情報処理装置、情報処理方法、およびプログラム
US20180253515A1 (en) Characterizing model performance using hierarchical feature groups
US20240144144A1 (en) Machine-generated process transformation
WO2022176281A1 (ja) 情報提供サーバ、データ処理装置、情報提供方法及びプログラム
US11551296B2 (en) System and method for analyzing data by identifying patterns
JP5974868B2 (ja) クラスタリングプログラム、クラスタリング方法、およびクラスタリング装置
WO2022024381A1 (ja) 情報処理装置、情報処理方法、及び、記録媒体
Han et al. Explainable Machine Learning for High-Frequency Trading Dynamics Discovery
JP7409046B2 (ja) 情報処理装置、有向グラフの生成方法、プログラム
US20240212517A1 (en) Teacher data editing assistance system, teacher data editing assistance method, and teacher data editing assistance program
JP6885470B2 (ja) ポートフォリオ提示プログラム、ポートフォリオ提示方法およびポートフォリオ提示装置

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: 20854455

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021540751

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020854455

Country of ref document: EP

Effective date: 20220321