WO2023053776A1 - 投信価値予測装置及び予測モデル - Google Patents

投信価値予測装置及び予測モデル Download PDF

Info

Publication number
WO2023053776A1
WO2023053776A1 PCT/JP2022/031591 JP2022031591W WO2023053776A1 WO 2023053776 A1 WO2023053776 A1 WO 2023053776A1 JP 2022031591 W JP2022031591 W JP 2022031591W WO 2023053776 A1 WO2023053776 A1 WO 2023053776A1
Authority
WO
WIPO (PCT)
Prior art keywords
reit
data
price
prediction
investment trust
Prior art date
Application number
PCT/JP2022/031591
Other languages
English (en)
French (fr)
Inventor
和樹 金城
雅之 寺田
裕人 赤塚
もとこ 鈴木
貴子 小湊
Original Assignee
株式会社Ｎｔｔドコモ
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 株式会社Ｎｔｔドコモ filed Critical 株式会社Ｎｔｔドコモ
Priority to JP2023550456A priority Critical patent/JPWO2023053776A1/ja
Publication of WO2023053776A1 publication Critical patent/WO2023053776A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Definitions

  • One aspect of the present disclosure relates to an investment trust value prediction device and a prediction model for predicting an investment trust value that indicates the value of a real estate investment trust.
  • Patent Document 1 discloses a real-time evaluation system that obtains real-time fluctuations in the actual evaluation of the target real estate from REIT (Real Estate Investment Trust) securities prices.
  • REIT security prices are simply used, and for example, REIT security prices are not predicted. Therefore, it is desirable to predict the value of real estate investment trusts.
  • An investment trust value prediction device inputs input data including population distribution data related to population distribution around each of a plurality of real estate properties invested in by a real estate investment trust, and an investment trust value indicating the value of the real estate investment trust.
  • a storage unit that stores a prediction model that predicts future investment trust values generated by learning based on learning data that includes a set of data, an acquisition unit that acquires input data, and a prediction model stored by the storage unit an output unit that outputs a future investment trust value obtained by applying the input data acquired by the acquisition unit.
  • FIG. 1 It is a schematic diagram showing a usage image of the REIT price prediction device according to the embodiment.
  • BRIEF DESCRIPTION OF THE DRAWINGS It is a figure which shows an example of the system configuration
  • FIG. 4 is a flowchart showing an example of storage processing executed by the REIT price prediction system; It is a figure which shows an example of learning data. It is a figure which shows another example of learning data.
  • FIG. 4 is a flowchart showing an example of storage processing executed by the REIT price prediction system; It is a figure which shows an example of learning data. It is a figure which shows another example of learning data.
  • 4 is a diagram showing an example of learning intervals; It is a figure which shows an example of replacement of a prediction model.
  • 4 is a flow chart showing an example of output processing executed by the REIT price prediction system;
  • 4 is a flowchart showing an example of REIT price prediction processing executed by the REIT price prediction device according to the embodiment; It is a figure which shows an example of the hardware constitutions of the computer used with the REIT price prediction apparatus which concerns on embodiment.
  • FIG. 1 is a schematic diagram showing a usage image of the REIT price prediction device 1 (investment trust value prediction device) according to the embodiment.
  • the REIT price prediction device 1 is a server device that predicts an investment trust value that indicates the value of a real estate investment trust.
  • real estate investment trusts are REITs and investment trust values are REIT prices, but the present invention is not limited to these.
  • the term “REIT” may be appropriately replaced with "real estate investment trust”
  • the term “REIT price” may be replaced with "investment trust value” as appropriate.
  • a REIT collects funds from a large number of investors, invests in multiple properties (office buildings, commercial facilities, condominiums, etc.), and distributes the rental income or gains on real estate sales generated from these investments to the investors. It is a financial product.
  • investment securities (equivalent to stock certificates) are issued to investors, assigned securities codes in the same manner as stocks, and can be traded on stock exchanges.
  • the processing for a specific (one already determined) REIT will be explained instead of an arbitrary REIT.
  • REIT ID which is REIT identification information
  • the REIT price is the value of REIT, specifically the price of REIT securities (securities price).
  • the REIT price prediction device 1 includes past results of population distribution around owned real estate (a plurality of real estate properties) that are REIT investment destinations, past results of REIT prices, Machine learning is performed on (at least one of) other data such as REIT holding real estate data, urban development plan data, store opening plan data, investment market trend index data, and roadside price data in the vicinity. By machine learning, the relationship between population and REIT prices is learned, and a prediction model (machine learning model) is generated.
  • the REIT price prediction device 1 uses a prediction model to output a predicted value of future REIT prices (predict future REIT prices).
  • a customer such as an investor can make an investment decision based on the future REIT price forecast value output by the REIT price forecasting device 1 and aim to improve profits.
  • FIG. 2 is a diagram showing an example of a system configuration of a REIT price prediction system 6 (investment trust value prediction system) including the REIT price prediction device 1 according to the embodiment.
  • the REIT price prediction system 6 includes a REIT price prediction device 1 , population distribution data acquisition device 2 , REIT trading device 3 , REIT management device 4 and external data acquisition device 5 .
  • the REIT price prediction device 1, the population distribution data acquisition device 2, the REIT transaction device 3, the REIT management device 4, and the external data acquisition device 5 are connected to communicate with each other via a network such as the Internet, and can exchange information with each other. be.
  • a population distribution data acquisition device 2 acquires population distribution data on the population distribution in the vicinity of each of a plurality of real estate properties invested in by the REIT (neighborhood, perimeter, neighborhood, perimeter, neighborhood, within a predetermined distance). It is a server device that transmits to the price prediction device 1 . Information about the REIT or the plurality of properties may be stored in the population distribution data acquisition device 2 in advance, or may be transmitted in advance from the REIT price prediction device 1 and acquired. Not limited to the population distribution data acquisition device 2, information related to the REIT targeted in this embodiment or a plurality of real estate properties in which the REIT is invested may be stored in advance in various devices, or the REIT price prediction device. 1 or the like in advance and may be obtained.
  • FIG. 3 is a diagram showing an example of a table of population distribution data.
  • the population distribution data includes date and time, mesh indicating position or range, person's age, place of residence, and people of that age and place of residence who are present in the mesh at that date and time.
  • the population which is the number of , is associated with each other.
  • the population distribution data shown in FIG. 3 indicates, for example, population distribution data around real estate A, which is one of a plurality of real estate properties that are REIT investment destinations. In that case, (the position of) real estate A is included within the range of mesh X and mesh Y shown in FIG.
  • the population distribution data acquisition device 2 obtains the population distribution data from a mobile terminal that is carried by each person and is capable of mobile communication, and that is capable of measuring the position of the terminal itself by a GPS (Global Positioning System). It may be acquired based on the collected terminal information and information on a REIT or a plurality of properties in which the REIT invests. In collecting terminal information, for example, an existing technology such as Mobile Spatial Statistics (registered trademark) provided by NTT DoCoMo, Inc. is used. The population distribution data acquisition device 2 may acquire population distribution data in real time and transmit it to the REIT price prediction device 1 .
  • GPS Global Positioning System
  • the REIT trading device 3 is a server device that acquires REIT price data including the REIT price and transmits it to the REIT price prediction device 1 .
  • the REIT trading device 3 performs data transmission/reception with the server device of the stock exchange, thereby collecting REIT-related information (including REIT price data) and conducting REIT-related transactions.
  • the REIT trading device 3 may acquire REIT price data in real time and transmit it to the REIT price prediction device 1 .
  • FIG. 4 is a diagram showing an example table of REIT price data. As shown in FIG. 4, in the REIT price data, the date and time, the REIT ID that is the identification information of the REIT, and the price that is the REIT price of the REIT identified by the REIT ID at that date and time are associated with each other.
  • the REIT management device 4 is a server device that acquires REIT-held real estate data, which is data relating to multiple real estate properties in which the REIT invests, and transmits the data to the REIT price prediction device 1 .
  • the REIT management device 4 manages REIT-held real estate data.
  • the REIT management device 4 may, for example, acquire REIT-held real estate data input from the administrator of the REIT management device 4, or may acquire REIT-held real estate data from another device via a network.
  • the REIT management device 4 may acquire REIT-held real estate data every half year and transmit it to the REIT price prediction device 1 .
  • FIG. 5 is a diagram showing an example table of REIT-owned real estate data.
  • the real estate data held by REIT includes the date, the real estate ID that is the identification information of the real estate, the latitude that is the position of the real estate identified by the real estate ID, and the position of the real estate that the real estate ID identifies.
  • the longitude and the current appraisal value, which is the appraisal value of the property identified by the property ID on the date, are associated with each other.
  • the external data acquisition device 5 is a server device that acquires external data, which is data acquired from an external device or the like, and transmits it to the REIT price prediction device 1 .
  • the external data includes urban development plan data, store opening plan data, investment market trend index data, and neighborhood road price data.
  • the external data acquisition device 5 may, for example, acquire each external data from other various devices via a network.
  • the external data acquisition device 5 may acquire external data in real time and transmit it to the REIT price prediction device 1 .
  • FIG. 6 is a diagram showing an example of a table of urban development plan data.
  • REIT-owned real estate data includes the decision date, which is the date when the urban development plan was decided, the development start date, which is the date when the urban development started, and the date when the urban development was completed. is the development completion date, the municipality that is the target of the urban development, and the distinction of the urban development are associated with each other.
  • the urban development plan data shown in FIG. 6 is, for example, urban development plan data for a municipality that includes a plurality of REIT investment destinations. In that case, the plurality of properties are included in A municipality and B municipality shown in FIG.
  • FIG. 7 is a diagram showing a table example of store opening plan data.
  • the decision date that is the date when the store opening plan is decided
  • the development start date that is the date when the store opening is started
  • the development completion date the store opening company that opened the store, the total floor area of the target store, the latitude that is the location of the store, and the longitude that is the location of the store. are associated with each other.
  • the store opening plan data shown in FIG. 7 indicates, for example, store opening plan data around each of a plurality of real estate properties that are REIT investment destinations. In that case, the stores at the latitude and longitude shown in FIG. 7 are the stores around the plurality of properties.
  • FIG. 8 is a diagram showing a table example of Nikkei Stock Average data among the investment market trend index data. As shown in FIG. 8, in the Nikkei Stock Average data, the date and time and the Nikkei Stock Average at that date and time are associated with each other.
  • FIG. 9 is a diagram showing a table example of the Dow Jones Industrial Average stock price data among the investment market trend index data. As shown in FIG. 9, in the Dow Jones Industrial Average stock price data, the date and time and the Dow Jones Industrial Average stock price at that date and time are associated with each other.
  • FIG. 10 is a diagram showing a table example of government bond yield data among the investment market trend index data. As shown in FIG. 10, in the government bond yield data, the date and time and the government bond yield at that date and time are associated with each other.
  • FIG. 11 is a diagram showing an example of a roadside price data table.
  • the roadside price data shown in FIG. 11 indicates, for example, roadside price data around each of a plurality of real estate properties that are REIT investment destinations.
  • the stations shown in FIG. 11 are stations around the plurality of properties.
  • the data necessary for the processing of the REIT price prediction device 1 is prepared in advance on each device side of the population distribution data acquisition device 2, the REIT transaction device 3, the REIT management device 4, and the external data acquisition device 5.
  • each of the population distribution data acquisition device 2, the REIT transaction device 3, the REIT management device 4, and the external data acquisition device 5 uses, for example, raw nationwide data rather than data related to specific real estate as a REIT price prediction device. 1, and the REIT price prediction device 1 prepares data necessary for the processing of the REIT price prediction device 1, such as extracting data related to multiple real estates that are REIT investment destinations from the raw data. may
  • FIG. 12 is a diagram showing an example of the functional configuration of the REIT price prediction device 1 according to the embodiment.
  • the REIT price prediction device 1 includes a storage unit 10 (storage unit), an acquisition unit 11 (acquisition unit), a learning unit 12 (learning unit), and an output unit 13 (output unit). be done.
  • Each functional block of the REIT price prediction device 1 is assumed to function within the REIT price prediction device 1, but is not limited to this.
  • part of the functional blocks of the REIT price prediction device 1 is a computer device different from the REIT price prediction device 1, and in a computer device network-connected to the REIT price prediction device 1, It may function while transmitting and receiving information as appropriate.
  • some functional blocks of the REIT price prediction device 1 may be omitted, a plurality of functional blocks may be integrated into one functional block, or one functional block may be broken down into a plurality of functional blocks. good too.
  • the storage unit 10 stores arbitrary information used in calculations by the REIT price prediction device 1, calculation results by the REIT price prediction device 1, and the like.
  • the information stored by the storage unit 10 may be referred to by each function of the REIT price prediction device 1 as appropriate.
  • the storage unit 10 stores a prediction model, which will be described later.
  • the storage unit 10 may store the prediction model generated by the learning unit 12 .
  • the acquisition unit 11 acquires population distribution data from the population distribution data acquisition device 2 and causes the storage unit 10 to store it.
  • the acquisition unit 11 acquires REIT price data from the REIT trading device 3 and causes the storage unit 10 to store the data.
  • the acquisition unit 11 acquires REIT-held real estate data from the REIT management device 4 and causes the storage unit 10 to store the data.
  • the acquisition unit 11 acquires external data (urban development plan data, store opening plan data, investment market trend index data, roadside price data in the vicinity, etc.) from the external data acquisition device 5 and causes the storage unit 10 to store the data.
  • FIG. 13 is a flowchart showing an example of storage processing executed by the REIT price prediction system 6.
  • the population distribution data acquisition device 2 transmits population distribution data to the REIT price prediction device 1 (step S1).
  • the REIT price prediction device 1 causes the storage unit 10 to store the population distribution data transmitted in S1 (step S2).
  • the REIT trading device 3 transmits REIT price data to the REIT price prediction device 1 (step S3).
  • the REIT price prediction device 1 causes the storage unit 10 to store the REIT price data transmitted in S3 (step S4).
  • the REIT management device 4 transmits REIT-held real estate data to the REIT price prediction device 1 (step S5).
  • the REIT price prediction device 1 causes the storage unit 10 to store the REIT-held real estate data transmitted in S5 (step S6).
  • the external data acquisition device 5 transmits the external data to the REIT price prediction device 1 (step S7).
  • the REIT price prediction device 1 causes the storage unit 10 to store the external data transmitted in S7 (step S8).
  • S1, S3, S5 and S7 may be arbitrary, each may be executed multiple times, or each may be periodically and repeatedly executed.
  • S2 may be executed at any point after S1.
  • S4 may be executed at any point after S3.
  • S6 may be executed at any point after S5.
  • S8 may be executed at any point after S7.
  • the acquisition unit 11 acquires input data.
  • the acquisition unit 11 may acquire input data at one point in time.
  • the input data includes population distribution data on the population distribution around each of the multiple real estate properties in which the REIT is invested.
  • the input data may further include REIT prices.
  • the input data is the appraisal value of each property (current appraisal value), data on urban development plans around each property (urban development plan data), data on store opening plans around each property ( store opening plan data), data on investment market trends (investment market trend index data), and data on road prices around each of the plurality of properties (road price data).
  • the learning unit 12 performs learning to generate a prediction model (learned model).
  • a forecast model predicts future REIT prices.
  • the prediction model includes an acquisition unit 11 that acquires population distribution data on the population distribution around each of a plurality of real estate properties that are REIT investment destinations, and an output unit 13 that outputs a REIT price indicating the value of the REIT.
  • a prediction model is a combination of a computer program and parameters.
  • a prediction model is a combination of a neural network structure and a parameter (weighting coefficient) that is the strength of connection between neurons of the neural network.
  • a predictive model is a command to a computer that is combined to obtain a result (perform a predetermined process), that is, a computer program that causes the computer to function.
  • the learning unit 12 may generate a prediction model by performing learning based on learning data composed of a set of input data and REIT price.
  • a set may include input data at an arbitrary point in time and REIT prices after a predetermined period of time from the arbitrary point in time.
  • the learning unit 12 acquires (input data including) population distribution data (regarding the population distribution around each of a plurality of REIT investment destinations) at an arbitrary point in time and the REIT price after a predetermined period from the arbitrary point in time.
  • a prediction model is generated by performing learning based on learning data composed of a set including and.
  • FIG. 14 is a diagram showing an example of learning data.
  • the learning data shown in FIG. 14 includes population distribution data (input data) on a certain day (regarding population distribution around each of multiple real estate properties in which the REIT invests) and (REIT (including price) and REIT price data (correct value data).
  • the learning unit 12 learns, for example, the relationship between REIT prices one day later from the population by age and place of residence in the mesh surrounding REIT-owned real estate on any given day.
  • the learning unit 12 performs learning based on the learning data shown in FIG. 14 to generate a prediction model that outputs the REIT price (or REIT price data) for the day following the target day of the population distribution data to be applied. That is, the forecast model generated predicts future REIT prices.
  • the learning unit 12 acquires population distribution data (regarding the population distribution around each of a plurality of REIT investment destinations) and REIT prices (including input data) at an arbitrary time and the arbitrary A prediction model is generated by performing learning based on learning data composed of a set including the REIT price after a predetermined period from the time point.
  • FIG. 15 is a diagram showing another example of learning data.
  • the learning data shown in FIG. 15 includes population distribution data (regarding the population distribution around each of a plurality of REIT investment destination real estates) and REIT price data (including REIT prices) (input data) for that day. , and REIT price data (correct value data) (including REIT price) on the day after the relevant date (after a predetermined period of time).
  • the learning data shown in FIG. 15 includes a set of input data on January 1 and correct value data on January 2 (the day after January 1), and input data on January 2 and (1 Two sets of the correct value data of January 3 (the day after the second day of the month) are shown (actually, there may be three or more sets).
  • the learning unit 12 performs learning based on the learning data shown in FIG. Learn price relationships.
  • the learning unit 12 performs learning based on the learning data shown in FIG. 15 to create a prediction model that outputs the REIT price (or REIT price data) for the day following the target date for the applied population distribution data and REIT price data. Generate. That is, the forecast model generated predicts future REIT prices.
  • the time interval (learning interval) between each piece of data in the learning data may be set according to the above-mentioned predetermined period (prediction target period).
  • FIG. 16 is a diagram illustrating an example of learning intervals. As shown in FIG. 16, if the prediction target period is one day later, the population distribution data, which is (the input data for) the learning data, is set to the population distribution data about the population for each hour of the previous day, and the learning data (the input data for ) may be set to the REIT price data for the previous day's hourly REIT prices. In this case, the investment market trend index data will be obtained and used every hour on the previous day, and the REIT real estate data will be obtained and used every six months (because it is published every six months). The urban development plan data and the store opening plan data may be acquired and used each month (because they are not frequently updated data).
  • the population distribution data which is the learning data (input data)
  • the learning data may be set to the REIT price data for the average REIT price for each day of the previous month.
  • the population distribution data which is the learning data (input data)
  • the learning data may be set to the REIT price data for the average REIT price for each month of the previous year.
  • the learning unit 12 generates a new prediction model based on the changed real estate when there is a change in the real estate invested in by the REIT, and converts the existing prediction model stored by the storage unit 10 into the new prediction model. can be replaced with The learning unit 12 may replace the prediction model when the prediction accuracy of the new prediction model becomes superior to the prediction accuracy of the existing prediction model.
  • FIG. 17 is a diagram showing an example of replacement of prediction models. Time flows from left to right in FIG. Assume that real estates A, B, and C are REIT investment destinations at the first time point (left side of FIG. 17). At the first time, the learning unit 12 generates a prediction model P through learning based on learning data based on the properties A, B, and C, and causes the storage unit 10 to store it. The prediction model P is used in the REIT price prediction device 1 for a while from the first time.
  • the learning unit 12 Assume that at the second time point (middle of FIG. 17) after the first time point, real estate C has disappeared from the REIT investment destinations, and the REIT investment destinations have been changed to real estate A and B.
  • the learning unit 12 At the second time, the learning unit 12 generates the prediction model Q by learning based on the learning data based on the properties A and B.
  • the learning unit 12 compares the prediction accuracy of the prediction model Q, which is a new prediction model, with the prediction accuracy of the prediction model P, which is an existing prediction model. Prediction accuracy may be calculated, for example, based on comparison between predicted values and subsequent actual values, or may be calculated by other existing techniques.
  • the prediction model P is continuously used in the REIT price prediction device 1, and thereafter the learning unit 12 periodically compares the prediction accuracy of the prediction model Q and the prediction accuracy of the prediction model P. make a comparison. Then, when the prediction accuracy of the prediction model Q becomes dominant, the learning unit 12 replaces the prediction model P stored by the storage unit 10 with the prediction model Q. The prediction model Q is used in the REIT price prediction device 1 for a while after the replacement.
  • the learning unit 12 Assume that real estate D is added to the REIT's investment destinations and the REIT's investment destinations are changed to real estates A, B, and D at the third time after the second time (right in FIG. 17).
  • the learning unit 12 generates the prediction model R by learning based on the learning data based on the properties A, B, and D.
  • the learning unit 12 compares the prediction accuracy of the prediction model R, which is a new prediction model, with the prediction accuracy of the prediction model Q, which is an existing prediction model. Subsequent processing is the same as the processing after the second time point described above.
  • the output unit 13 outputs the future REIT price obtained by applying the input data acquired by the acquisition unit 11 to the prediction model stored by the storage unit 10 .
  • the output unit 13 may output the REIT price after a predetermined period from the one point in time obtained by applying the input data at the one point in time acquired by the acquisition unit 11 to the prediction model.
  • the output unit 13 adds a prediction model generated by learning based on the learning data shown in FIG. By applying the population distribution data (for each surrounding population distribution), obtain the REIT price one day from now (eg, September 2nd) and output the obtained REIT price.
  • the output unit 13 adds the prediction model generated by learning based on the learning data shown in FIG. By applying the population distribution data (for each surrounding population distribution) and the current REIT price data, obtain the REIT price one day from the current time (for example, September 2nd) and output the obtained REIT price.
  • the output from the output unit 13 may be displayed on a display, output to another functional block of the REIT price prediction device 1, or transmitted to another device via a network.
  • FIG. 18 is a flowchart showing an example of output processing executed by the REIT price prediction system 6.
  • the REIT price prediction device 1 transmits the REIT price, which is the prediction result, to the REIT trading device 3 (step S10).
  • data including the REIT ID which is REIT identification information, a future date and time, and the REIT price (predicted price) at that date and time may be sent.
  • the REIT transaction device 3 transmits the REIT price received in S10 to the customer (such as his/her smart phone) (step S11).
  • the REIT price data including the REIT ID, which is the identification information of the REIT, the current REIT price, the future REIT price forecast value, and the forecast target time may be sent.
  • the customer decides whether to buy or sell the REIT, referring to the REIT price received in S11 (step S12).
  • the customer transmits a trading instruction based on the determination result of S12 to the REIT trading device 3 (step S13).
  • data including a customer ID that is identification information of the customer, a REIT ID that is identification information of the REIT, a transaction price, and a trading flag indicating trading may be transmitted.
  • the REIT trading device 3 performs trading based on the trading instruction received in S13, and transmits the trading result to the REIT management device 4 (step S14).
  • the REIT management device 4 manages the REIT based on the trading results received in S14.
  • FIG. 19 is a flowchart showing an example of REIT price prediction processing executed by the REIT price prediction device 1 according to the embodiment.
  • the learning unit 12 generates a prediction model (step S20).
  • the storage unit 10 stores the prediction model generated in S20 (step S21).
  • the acquisition unit 11 acquires input data (step S22).
  • the output unit 13 outputs the REIT price obtained by applying the input data obtained in S22 to the prediction model stored in S21 (step S23). Note that S22 may be executed at any timing as long as it is before S23.
  • the storage unit 10 stores input data including population distribution data about population distribution around each of a plurality of REIT investment destinations, and a REIT price indicating the value of the REIT.
  • the acquisition unit 11 acquires input data
  • the output unit 13 stores the prediction stored by the storage unit 10
  • a future REIT price obtained by applying the input data acquired by the acquisition unit 11 to the model is output.
  • a predictive model can be used to output future REIT prices. That is, it is possible to predict the value of the real estate investment trust.
  • a set includes input data at an arbitrary point in time and a REIT price after a predetermined period from the arbitrary point in time, and the obtaining unit 11 obtains the input data at one point in time.
  • the output unit 13 may output the REIT price after a predetermined period from the one point in time obtained by applying the input data at the one point in time acquired by the acquisition unit 11 to the prediction model.
  • the forecast model can be used to output the REIT price after a predetermined period of time from a point in time. That is, it is possible to predict the value of the real estate investment trust.
  • the input data may further include the REIT price.
  • the content of learning data is expanded, and a prediction model capable of predicting a more accurate REIT price can be used. That is, more accurate REIT prices can be predicted.
  • the input data are the appraisal value of each of the plurality of real estate properties, data on urban development plans around each of the plurality of real estate properties, data on store opening plans around each of the plurality of real estate properties, At least one of data on investment market trends and data on road prices around each of the plurality of properties may be further included.
  • the content of learning data is expanded, and a prediction model capable of predicting a more accurate REIT price can be used. That is, more accurate REIT prices can be predicted.
  • a learning unit 12 that performs learning and generates a prediction model may be further provided, and the storage unit 10 may store the prediction model generated by the learning unit 12.
  • the storage unit 10 may store the prediction model generated by the learning unit 12.
  • the learning unit 12 when there is a change in the real estate invested in by the REIT, the learning unit 12 generates a new prediction model based on the changed real estate, and stores the new prediction model in the storage unit 10.
  • the existing forecast model may be replaced with a new forecast model.
  • the learning unit 12 may replace the new prediction model when the prediction accuracy of the new prediction model becomes superior to the prediction accuracy of the existing prediction model.
  • REITs are considered to acquire or leave real estate at the discretion of the management company, so when such an event occurs, the REIT price prediction device 1 newly creates and learns a prediction model, and appropriately corrects the error in the prediction result. compare.
  • the REIT price prediction device 1 replaces the model when the precision of the prediction model branched based on the comparison result becomes superior to the current one.
  • the prediction model also includes an acquisition unit 11 that acquires population distribution data on the population distribution around each of a plurality of real estate properties that are REIT investment destinations, and an output unit 13 that outputs a REIT price indicating the value of the REIT.
  • a forecasting model that is a trained model used by the REIT price forecasting device 1, and is composed of a neural network in which weighting coefficients have been learned based on population distribution data and REIT prices. It is a prediction model that outputs future REIT prices obtained by applying the population distribution data acquired by the acquisition unit 11 . With this configuration, future REIT prices can be output using the prediction model. That is, it is possible to predict the value of the real estate investment trust.
  • REIT price prediction device 1 it is possible to predict the future REIT security value (REIT price) by utilizing past population distribution data around real estate held by REITs by sex, age, and place of residence. By using the forecast results as materials for investment decisions, it is possible to maximize returns for investors (customers).
  • the learning unit 12 of the REIT price prediction device 1 predicts future REIT prices using accumulated past data (population distribution data around each REIT-owned real estate, appraisal value of each real estate, external data, and REIT price data). You can create a model.
  • the output unit 13 of the REIT price prediction device 1 inputs the current data (population distribution data around each REIT-owned real estate, appraisal value of each real estate, external data, REIT price data) into the prediction model to predict future A REIT price may be calculated.
  • each functional block may be implemented using one device that is physically or logically coupled, or directly or indirectly using two or more devices that are physically or logically separated (e.g. , wired, wireless, etc.) and may be implemented using these multiple devices.
  • a functional block may be implemented by combining software in the one device or the plurality of devices.
  • Functions include judging, determining, determining, calculating, calculating, processing, deriving, investigating, searching, checking, receiving, transmitting, outputting, accessing, resolving, selecting, choosing, establishing, comparing, assuming, expecting, assuming, Broadcasting, notifying, communicating, forwarding, configuring, reconfiguring, allocating, mapping, assigning, etc. can't
  • a functional block (component) that performs transmission is called a transmitting unit or transmitter.
  • the implementation method is not particularly limited.
  • the REIT price prediction device 1 may function as a computer that performs the processing of the REIT price prediction method of the present disclosure.
  • FIG. 20 is a diagram showing an example of a hardware configuration of the REIT price prediction device 1 according to one embodiment of the present disclosure.
  • the REIT price prediction device 1 described above may be physically configured as a computer device including a processor 1001, a memory 1002, a storage 1003, a communication device 1004, an input device 1005, an output device 1006, a bus 1007, and the like.
  • the term "apparatus” can be read as a circuit, device, unit, or the like.
  • the hardware configuration of the REIT price prediction device 1 may be configured to include one or more of each device shown in the figure, or may be configured without some of the devices.
  • Each function of the REIT price prediction device 1 is performed by loading predetermined software (program) onto hardware such as the processor 1001 and the memory 1002 so that the processor 1001 performs calculations, controls communication by the communication device 1004, It is realized by controlling at least one of data reading and writing in the memory 1002 and the storage 1003 .
  • the processor 1001 for example, operates an operating system and controls the entire computer.
  • the processor 1001 may be configured by a central processing unit (CPU) including an interface with peripheral devices, a control device, an arithmetic device, registers, and the like.
  • CPU central processing unit
  • the acquisition unit 11 , the learning unit 12 , the output unit 13 and the like described above may be implemented by the processor 1001 .
  • the processor 1001 reads programs (program codes), software modules, data, etc. from at least one of the storage 1003 and the communication device 1004 to the memory 1002, and executes various processes according to them.
  • programs program codes
  • the program a program that causes a computer to execute at least part of the operations described in the above embodiments is used.
  • the acquisition unit 11, the learning unit 12, and the output unit 13 may be implemented by a control program stored in the memory 1002 and running on the processor 1001, and other functional blocks may be implemented similarly.
  • FIG. Processor 1001 may be implemented by one or more chips. Note that the program may be transmitted from a network via an electric communication line.
  • the memory 1002 is a computer-readable recording medium, and is composed of at least one of, for example, ROM (Read Only Memory), EPROM (Erasable Programmable ROM), EEPROM (Electrically Erasable Programmable ROM), RAM (Random Access Memory), etc. may be
  • ROM Read Only Memory
  • EPROM Erasable Programmable ROM
  • EEPROM Electrical Erasable Programmable ROM
  • RAM Random Access Memory
  • the memory 1002 may also be called a register, cache, main memory (main storage device), or the like.
  • the memory 1002 can store executable programs (program code), software modules, etc. for implementing a wireless communication method according to an embodiment of the present disclosure.
  • the storage 1003 is a computer-readable recording medium, for example, an optical disk such as a CD-ROM (Compact Disc ROM), a hard disk drive, a flexible disk, a magneto-optical disk (for example, a compact disk, a digital versatile disk, a Blu-ray disk), smart card, flash memory (eg, card, stick, key drive), floppy disk, magnetic strip, and/or the like.
  • Storage 1003 may also be called an auxiliary storage device.
  • the storage medium described above may be, for example, a database, server, or other suitable medium including at least one of memory 1002 and storage 1003 .
  • the communication device 1004 is hardware (transmitting/receiving device) for communicating between computers via at least one of a wired network and a wireless network, and is also called a network device, a network controller, a network card, a communication module, or the like.
  • the communication device 1004 includes a high-frequency switch, a duplexer, a filter, a frequency synthesizer, etc., in order to realize at least one of, for example, frequency division duplex (FDD) and time division duplex (TDD). may consist of For example, the acquisition unit 11, the learning unit 12, the output unit 13, and the like described above may be implemented by the communication device 1004.
  • the input device 1005 is an input device (for example, keyboard, mouse, microphone, switch, button, sensor, etc.) that receives input from the outside.
  • the output device 1006 is an output device (for example, display, speaker, LED lamp, etc.) that outputs to the outside. Note that the input device 1005 and the output device 1006 may be integrated (for example, a touch panel).
  • Each device such as the processor 1001 and the memory 1002 is connected by a bus 1007 for communicating information.
  • the bus 1007 may be configured using a single bus, or may be configured using different buses between devices.
  • the REIT price prediction device 1 includes hardware such as a microprocessor, a digital signal processor (DSP), an ASIC (Application Specific Integrated Circuit), a PLD (Programmable Logic Device), and an FPGA (Field Programmable Gate Array). part or all of each functional block may be implemented by the hardware.
  • processor 1001 may be implemented using at least one of these pieces of hardware.
  • Each aspect/embodiment described in the present disclosure includes LTE (Long Term Evolution), LTE-A (LTE-Advanced), SUPER 3G, IMT-Advanced, 4G (4th generation mobile communication system), 5G (5th generation mobile communication system) system), FRA (Future Radio Access), NR (new Radio), W-CDMA (registered trademark), GSM (registered trademark), CDMA2000, UMB (Ultra Mobile Broadband), IEEE 802.11 (Wi-Fi (registered trademark) )), IEEE 802.16 (WiMAX (registered trademark)), IEEE 802.20, UWB (Ultra-WideBand), Bluetooth (registered trademark), and other suitable systems and extended It may be applied to at least one of the next generation systems. Also, a plurality of systems may be applied in combination (for example, a combination of at least one of LTE and LTE-A and 5G, etc.).
  • Input/output information may be stored in a specific location (for example, memory) or managed using a management table. Input/output information and the like can be overwritten, updated, or appended. The output information and the like may be deleted. The entered information and the like may be transmitted to another device.
  • the determination may be made by a value represented by one bit (0 or 1), by a true/false value (Boolean: true or false), or by numerical comparison (for example, a predetermined value).
  • notification of predetermined information is not limited to being performed explicitly, but may be performed implicitly (for example, not notifying the predetermined information). good too.
  • Software whether referred to as software, firmware, middleware, microcode, hardware description language or otherwise, includes instructions, instruction sets, code, code segments, program code, programs, subprograms, and software modules. , applications, software applications, software packages, routines, subroutines, objects, executables, threads of execution, procedures, functions, and the like.
  • software, instructions, information, etc. may be transmitted and received via a transmission medium.
  • the software uses at least one of wired technology (coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL), etc.) and wireless technology (infrared, microwave, etc.) to website, Wired and/or wireless technologies are included within the definition of transmission medium when sent from a server or other remote source.
  • wired technology coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL), etc.
  • wireless technology infrared, microwave, etc.
  • data, instructions, commands, information, signals, bits, symbols, chips, etc. may refer to voltages, currents, electromagnetic waves, magnetic fields or magnetic particles, light fields or photons, or any of these. may be represented by a combination of
  • system and “network” used in this disclosure are used interchangeably.
  • information, parameters, etc. described in the present disclosure may be expressed using absolute values, may be expressed using relative values from a predetermined value, or may be expressed using other corresponding information. may be represented.
  • determining and “determining” used in this disclosure may encompass a wide variety of actions.
  • “Judgement” and “determination” are, for example, judging, calculating, computing, processing, deriving, investigating, looking up, search, inquiry (eg, lookup in a table, database, or other data structure), ascertaining as “judged” or “determined”, and the like.
  • "judgment” and “decision” are used for receiving (e.g., receiving information), transmitting (e.g., transmitting information), input, output, access (accessing) (for example, accessing data in memory) may include deeming that something has been "determined” or “decided”.
  • judgment and “decision” are considered to be “judgment” and “decision” by resolving, selecting, choosing, establishing, comparing, etc. can contain.
  • judgment and “decision” may include considering that some action is “judgment” and “decision”.
  • judgment (decision) may be read as “assuming”, “expecting”, “considering”, or the like.
  • connection means any direct or indirect connection or connection between two or more elements, It can include the presence of one or more intermediate elements between two elements being “connected” or “coupled.” Couplings or connections between elements may be physical, logical, or a combination thereof. For example, “connection” may be read as "access”.
  • two elements are defined using at least one of one or more wires, cables, and printed electrical connections and, as some non-limiting and non-exhaustive examples, in the radio frequency domain. , electromagnetic energy having wavelengths in the microwave and optical (both visible and invisible) regions, and the like.
  • any reference to elements using the "first,” “second,” etc. designations used in this disclosure does not generally limit the quantity or order of those elements. These designations may be used in this disclosure as a convenient method of distinguishing between two or more elements. Thus, reference to a first and second element does not imply that only two elements can be employed or that the first element must precede the second element in any way.
  • a and B are different may mean “A and B are different from each other.”
  • the term may also mean that "A and B are different from C”.
  • Terms such as “separate,” “coupled,” etc. may also be interpreted in the same manner as “different.”
  • REIT price prediction device 1
  • population distribution data acquisition device 3
  • REIT transaction device 4
  • REIT management device 5
  • external data acquisition device 6
  • REIT price prediction system 10 storage unit 11 acquisition unit , 12... learning unit, 13... output unit, 1001... processor, 1002... memory, 1003... storage, 1004... communication device, 1005... input device, 1006... output device, 1007... bus.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

不動産投資信託の価値を予測することを課題とする。ＲＥＩＴ価格予測装置１は、ＲＥＩＴ（Real　Estate　Investment　Trust）の投資先である複数の不動産それぞれの周辺の人口分布に関する人口分布データを含む入力データとＲＥＩＴの価値を示すＲＥＩＴ価格とを含む組から構成される学習データに基づく学習により生成された、将来のＲＥＩＴ価格を予測する予測モデルを格納する格納部１０と、入力データを取得する取得部１１と、格納部１０によって格納された予測モデルに取得部１１によって取得された入力データを適用することで得られる将来のＲＥＩＴ価格を出力する出力部１３と、を備える。

Description

投信価値予測装置及び予測モデル
　本開示の一側面は、不動産投資信託の価値を示す投信価値を予測する投信価値予測装置及び予測モデルに関する。
　下記特許文献１では、ＲＥＩＴ（Real　Estate　Investment　Trust）証券価格から対象不動産の実態的な評価の変動をリアルタイムで得るリアルタイム評価システムが開示されている。
特開２００４－２９５５３４号公報
　しかしながら、上記リアルタイム評価システムにおいて、ＲＥＩＴ証券価格は単に利用するだけであって、例えばＲＥＩＴ証券価格を予測するものではない。そこで、不動産投資信託の価値を予測することが望まれている。
　本開示の一側面に係る投信価値予測装置は、不動産投資信託の投資先である複数の不動産それぞれの周辺の人口分布に関する人口分布データを含む入力データと不動産投資信託の価値を示す投信価値とを含む組から構成される学習データに基づく学習により生成された、将来の投信価値を予測する予測モデルを格納する格納部と、入力データを取得する取得部と、格納部によって格納された予測モデルに取得部によって取得された入力データを適用することで得られる将来の投信価値を出力する出力部と、を備える。
　このような側面においては、予測モデルを利用して将来の投信価値を出力することができる。すなわち、不動産投資信託の価値を予測することができる。
　本開示の一側面によれば、不動産投資信託の価値を予測することができる。
実施形態に係るＲＥＩＴ価格予測装置の利用イメージを示す概要図である。 実施形態に係るＲＥＩＴ価格予測装置を含むＲＥＩＴ価格予測システムのシステム構成の一例を示す図である。 人口分布データのテーブル例を示す図である。 ＲＥＩＴ価格データのテーブル例を示す図である。 ＲＥＩＴ保有不動産データのテーブル例を示す図である。 都市開発計画データのテーブル例を示す図である。 店舗出店計画データのテーブル例を示す図である。 投資市場動向指標データ（日経平均株価データ）のテーブル例を示す図である。 投資市場動向指標データ（ダウ平均株価データ）のテーブル例を示す図である。 投資市場動向指標データ（国債利回りデータ）のテーブル例を示す図である。 路線価データのテーブル例を示す図である。 実施形態に係るＲＥＩＴ価格予測装置の機能構成の一例を示す図である。 ＲＥＩＴ価格予測システムが実行する格納処理の一例を示すフローチャートである。 学習データの一例を示す図である。 学習データの別の一例を示す図である。 学習間隔の一例を示す図である。 予測モデルの入れ替えの一例を示す図である。 ＲＥＩＴ価格予測システムが実行する出力処理の一例を示すフローチャートである。 実施形態に係るＲＥＩＴ価格予測装置が実行するＲＥＩＴ価格予測処理の一例を示すフローチャートである。 実施形態に係るＲＥＩＴ価格予測装置で用いられるコンピュータのハードウェア構成の一例を示す図である。
　以下、図面を参照しながら本開示での実施形態を詳細に説明する。なお、図面の説明においては同一要素には同一符号を付し、重複する説明を省略する。また、以下の説明における本開示での実施形態は、本発明の具体例であり、特に本発明を限定する旨の記載がない限り、これらの実施形態に限定されないものとする。
　図１は、実施形態に係るＲＥＩＴ価格予測装置１（投信価値予測装置）の利用イメージを示す概要図である。ＲＥＩＴ価格予測装置１は、不動産投資信託の価値を示す投信価値を予測するサーバ装置である。本実施形態では、不動産投資信託としてＲＥＩＴを対象とし、投信価値としてＲＥＩＴ価格を対象とするが、これらに限るものでは無い。本実施形態において、用語「ＲＥＩＴ」を「不動産投資信託」に適宜置き換え、用語「ＲＥＩＴ価格」を「投信価値」に適宜置き換えてもよい。
　ＲＥＩＴは、多くの投資家から資金を集め、複数の不動産（オフィスビル、商業施設及びマンションなど）への投資を行い、そこから生じる賃貸収入又は不動産の売買益などを原資として投資家に分配する金融商品である。ＲＥＩＴについて、投資家には投資証券（株券に相当）が発行され、株と同じように証券コードが割り当てられ、証券取引所で売買が可能である。本実施形態では、説明の便宜上、任意のＲＥＩＴではなく、特定の（既に決まった１つの）ＲＥＩＴに関する処理について説明する。例えば、ＲＥＩＴの識別情報であるＲＥＩＴ　ＩＤを処理の際に適宜利用することで、任意のＲＥＩＴに関する処理に拡張可能である。
　ＲＥＩＴ価格は、ＲＥＩＴの価値としての価格であり、具体的にはＲＥＩＴ証券の価格（証券価格）である。
　各詳細については後述するが、図１に示す通り、ＲＥＩＴ価格予測装置１は、ＲＥＩＴの投資先である保有不動産（複数の不動産）周辺の人口分布の過去実績と、ＲＥＩＴ価格の過去実績と、ＲＥＩＴ保有不動産データ、都市開発計画データ、店舗出店計画データ、投資市場動向指標データ及び近傍の路線価データなどのその他データと（の少なくとも１つ）を機械学習する。機械学習により、人口等とＲＥＩＴ価格との関係が学習され、予測モデル（機械学習モデル）が生成される。ＲＥＩＴ価格予測装置１は、予測モデルを利用することで、将来的なＲＥＩＴ価格の予測値を出力する（将来的なＲＥＩＴ価格の予測を行う）。投資家などの顧客は、ＲＥＩＴ価格予測装置１が出力する将来的なＲＥＩＴ価格の予測値を判断材料として投資判断を行い、利益向上を目指すことができる。
　図２は、実施形態に係るＲＥＩＴ価格予測装置１を含むＲＥＩＴ価格予測システム６（投信価値予測システム）のシステム構成の一例を示す図である。図１に示す通り、ＲＥＩＴ価格予測システム６は、ＲＥＩＴ価格予測装置１、人口分布データ取得装置２、ＲＥＩＴ取引装置３、ＲＥＩＴ管理装置４及び外部データ取得装置５を含んで構成される。ＲＥＩＴ価格予測装置１と、人口分布データ取得装置２、ＲＥＩＴ取引装置３、ＲＥＩＴ管理装置４及び外部データ取得装置５のそれぞれとは、インターネットなどのネットワークによって互いに通信接続され、互いに情報を送受信可能である。
　人口分布データ取得装置２は、ＲＥＩＴの投資先である複数の不動産それぞれの周辺（近辺、周囲、近傍、周り、近隣、あたり、所定の距離以内）の人口分布に関する人口分布データを取得し、ＲＥＩＴ価格予測装置１に送信するサーバ装置である。当該ＲＥＩＴ又は当該複数の不動産に関する情報などは、人口分布データ取得装置２に予め格納されていてもよいし、ＲＥＩＴ価格予測装置１から予め送信されて取得していてもよい。人口分布データ取得装置２に限らず、本実施形態において対象とするＲＥＩＴ又は当該ＲＥＩＴの投資先である複数の不動産に関する情報などは、各種装置に予め格納されていてもよいし、ＲＥＩＴ価格予測装置１などから予め送信されて取得していてもよい。
　図３は、人口分布データのテーブル例を示す図である。図３に示す通り、人口分布データでは、日時と、位置又は範囲を示すメッシュと、人の年代と、人の居住地と、当該日時の当該メッシュに存在する、当該年代及び当該居住地の人の数である人口とが互いに対応付いている。図３に示す人口分布データは、例えば、ＲＥＩＴの投資先である複数の不動産のうち一つの不動産である不動産Ａの周辺の人口分布データを示す。その場合、図３に示すメッシュＸ及びメッシュＹの範囲内に不動産Ａ（の位置）が含まれている。
　人口分布データ取得装置２は、人口分布データを、各人が携帯する移動体通信が可能な移動体端末であって、ＧＰＳ（Global　Positioning　System）により自端末の位置を測定可能な移動体端末から収集した端末情報と、ＲＥＩＴ又はＲＥＩＴの投資先である複数の不動産に関する情報とに基づいて取得してもよい。端末情報の収集において、例えば株式会社ＮＴＴドコモが提供するモバイル空間統計（登録商標）などの既存技術を用いる。人口分布データ取得装置２は、リアルタイムに人口分布データを取得してＲＥＩＴ価格予測装置１に送信してもよい。
　ＲＥＩＴ取引装置３は、ＲＥＩＴ価格を含むＲＥＩＴ価格データを取得し、ＲＥＩＴ価格予測装置１に送信するサーバ装置である。ＲＥＩＴ取引装置３は、証券取引所のサーバ装置とデータ送受信を行うことで、ＲＥＩＴに関する情報（ＲＥＩＴ価格データを含む）の収集及びＲＥＩＴに関する取引を行う。ＲＥＩＴ取引装置３は、リアルタイムにＲＥＩＴ価格データを取得してＲＥＩＴ価格予測装置１に送信してもよい。
　図４は、ＲＥＩＴ価格データのテーブル例を示す図である。図４に示す通り、ＲＥＩＴ価格データでは、日時と、ＲＥＩＴの識別情報であるＲＥＩＴ　ＩＤと、当該日時における当該ＲＥＩＴ　ＩＤが識別するＲＥＩＴのＲＥＩＴ価格である価格とが互いに対応付いている。
　ＲＥＩＴ管理装置４は、ＲＥＩＴの投資先である複数の不動産に関するデータであるＲＥＩＴ保有不動産データを取得し、ＲＥＩＴ価格予測装置１に送信するサーバ装置である。ＲＥＩＴ管理装置４は、ＲＥＩＴ保有不動産データを管理する。ＲＥＩＴ管理装置４は、例えば、ＲＥＩＴ管理装置４の管理者から入力されたＲＥＩＴ保有不動産データを取得してもよいし、他の装置からネットワークを介してＲＥＩＴ保有不動産データを取得してもよい。ＲＥＩＴ管理装置４は、半年ごとにＲＥＩＴ保有不動産データを取得してＲＥＩＴ価格予測装置１に送信してもよい。
　図５は、ＲＥＩＴ保有不動産データのテーブル例を示す図である。図５に示す通り、ＲＥＩＴ保有不動産データでは、日付と、不動産の識別情報である不動産ＩＤと、当該不動産ＩＤが識別する不動産の位置である緯度と、当該不動産ＩＤが識別する不動産の位置である経度と、当該日付における当該不動産ＩＤが識別する不動産の評価額である現在評価額とが互いに対応付いている。
　外部データ取得装置５は、外部の装置などから取得したデータである外部データを取得し、ＲＥＩＴ価格予測装置１に送信するサーバ装置である。外部データは、都市開発計画データ、店舗出店計画データ、投資市場動向指標データ及び近傍の路線価データを含む。外部データ取得装置５は、例えば、他の各種装置からネットワークを介して各外部データを取得してもよい。外部データ取得装置５は、リアルタイムに外部データを取得してＲＥＩＴ価格予測装置１に送信してもよい。
　図６は、都市開発計画データのテーブル例を示す図である。図６に示す通り、ＲＥＩＴ保有不動産データでは、都市開発の計画が決定した日付けである決定日付と、当該都市開発が着手した日付けである開発着手日と、当該都市開発が完了した日付けである開発完了日と、当該都市開発の対象である市区町村区と、当該都市開発の区別とが互いに対応付いている。図６に示す都市開発計画データは、例えば、ＲＥＩＴの投資先である複数の不動産が含まれる市区町村区の都市開発計画データを示す。その場合、図６に示すＡ市区町村区及びＢ市区町村区に当該複数の不動産が含まれている。
　図７は、店舗出店計画データのテーブル例を示す図である。図７に示す通り、店舗出店計画データでは、店舗出店の計画が決定した日付けである決定日付と、当該店舗出店が着手した日付けである開発着手日と、当該店舗出店が完了した日付けである開発完了日と、当該店舗出店を行った会社である店舗出店会社と、当該店舗出店の対象の店舗の延べ床面積と、当該店舗の位置である緯度と、当該店舗の位置である経度とが互いに対応付いている。図７に示す店舗出店計画データは、例えば、ＲＥＩＴの投資先である複数の不動産それぞれの周辺の店舗出店計画データを示す。その場合、図７に示す緯度及び経度の店舗は、当該複数の不動産の周辺にある店舗である。
　図８は、投資市場動向指標データのうち日経平均株価データのテーブル例を示す図である。図８に示す通り、日経平均株価データでは、日時と、当該日時の日経平均株価とが互いに対応付いている。
　図９は、投資市場動向指標データのうちダウ平均株価データのテーブル例を示す図である。図９に示す通り、ダウ平均株価データでは、日時と、当該日時のダウ平均株価とが互いに対応付いている。
　図１０は、投資市場動向指標データのうち国債利回りデータのテーブル例を示す図である。図１０に示す通り、国債利回りデータでは、日時と、当該日時の国債利回りとが互いに対応付いている。
　図１１は、路線価データのテーブル例を示す図である。図１１に示す通り、路線価データでは、日付と、駅と、当該駅を通る路線と、当該駅周辺の路線価として坪あたりの価格である価格／坪とが互いに対応付いている。図１１に示す路線価データは、例えば、ＲＥＩＴの投資先である複数の不動産それぞれの周辺の路線価データを示す。その場合、図１１に示す駅は、当該複数の不動産の周辺にある駅である。
　上記説明では、人口分布データ取得装置２、ＲＥＩＴ取引装置３、ＲＥＩＴ管理装置４及び外部データ取得装置５のそれぞれの装置側で、ＲＥＩＴ価格予測装置１の処理で必要なデータが予め準備されている前提で説明したが、これに限るものではない。例えば、人口分布データ取得装置２、ＲＥＩＴ取引装置３、ＲＥＩＴ管理装置４及び外部データ取得装置５のそれぞれの装置は、例えば、特定の不動産に関連するデータではなく全国の生データをＲＥＩＴ価格予測装置１に送信し、ＲＥＩＴ価格予測装置１側にて、生データからＲＥＩＴの投資先である複数の不動産に関連するデータを抽出するなど、当該ＲＥＩＴ価格予測装置１の処理で必要なデータを準備してもよい。
　図１２は、実施形態に係るＲＥＩＴ価格予測装置１の機能構成の一例を示す図である。図１２に示す通り、ＲＥＩＴ価格予測装置１は、格納部１０（格納部）、取得部１１（取得部）、学習部１２（学習部）、及び、出力部１３（出力部）を含んで構成される。
　ＲＥＩＴ価格予測装置１の各機能ブロックは、ＲＥＩＴ価格予測装置１内にて機能することを想定しているが、これに限るものではない。例えば、ＲＥＩＴ価格予測装置１の機能ブロックの一部は、ＲＥＩＴ価格予測装置１とは異なるコンピュータ装置であって、ＲＥＩＴ価格予測装置１とネットワーク接続されたコンピュータ装置内において、ＲＥＩＴ価格予測装置１と情報を適宜送受信しつつ機能してもよい。また、ＲＥＩＴ価格予測装置１の一部の機能ブロックは無くてもよいし、複数の機能ブロックを一つの機能ブロックに統合してもよいし、一つの機能ブロックを複数の機能ブロックに分解してもよい。
　以下、図１２に示すＲＥＩＴ価格予測装置１の各機能について説明する。
　格納部１０は、ＲＥＩＴ価格予測装置１における算出などで利用される任意の情報及びＲＥＩＴ価格予測装置１における算出の結果などを格納する。格納部１０によって格納された情報は、ＲＥＩＴ価格予測装置１の各機能によって適宜参照されてもよい。
　格納部１０は、後述の予測モデルを格納する。格納部１０は、学習部１２によって生成された予測モデルを格納してもよい。
　取得部１１は、人口分布データ取得装置２から人口分布データを取得し、格納部１０によって格納させる。取得部１１は、ＲＥＩＴ取引装置３からＲＥＩＴ価格データを取得し、格納部１０によって格納させる。取得部１１は、ＲＥＩＴ管理装置４からＲＥＩＴ保有不動産データを取得し、格納部１０によって格納させる。取得部１１は、外部データ取得装置５から外部データ（都市開発計画データ、店舗出店計画データ、投資市場動向指標データ及び近傍の路線価データなど）を取得し、格納部１０によって格納させる。
　図１３は、ＲＥＩＴ価格予測システム６が実行する格納処理の一例を示すフローチャートである。図１３において、まず、人口分布データ取得装置２が人口分布データをＲＥＩＴ価格予測装置１に送信する（ステップＳ１）。次に、ＲＥＩＴ価格予測装置１がＳ１で送信された人口分布データを格納部１０によって格納させる（ステップＳ２）。次に、ＲＥＩＴ取引装置３がＲＥＩＴ価格データをＲＥＩＴ価格予測装置１に送信する（ステップＳ３）。次に、ＲＥＩＴ価格予測装置１がＳ３で送信されたＲＥＩＴ価格データを格納部１０によって格納させる（ステップＳ４）。次に、ＲＥＩＴ管理装置４がＲＥＩＴ保有不動産データをＲＥＩＴ価格予測装置１に送信する（ステップＳ５）。次に、ＲＥＩＴ価格予測装置１がＳ５で送信されたＲＥＩＴ保有不動産データを格納部１０によって格納させる（ステップＳ６）。次に、外部データ取得装置５が外部データをＲＥＩＴ価格予測装置１に送信する（ステップＳ７）。次に、ＲＥＩＴ価格予測装置１がＳ７で送信された外部データを格納部１０によって格納させる（ステップＳ８）。
　なお、図１３において、Ｓ１、Ｓ３、Ｓ５及びＳ７の順番は任意の順番でよいし、それぞれ複数回実行されてもよいし、それぞれ定期的に繰り返し実行されてもよい。Ｓ２は、Ｓ１以降であれば任意の時点で実行されてもよい。Ｓ４は、Ｓ３以降であれば任意の時点で実行されてもよい。Ｓ６は、Ｓ５以降であれば任意の時点で実行されてもよい。Ｓ８は、Ｓ７以降であれば任意の時点で実行されてもよい。
　取得部１１は、入力データを取得する。取得部１１は、一の時点の入力データを取得してもよい。
　入力データは、ＲＥＩＴの投資先である複数の不動産それぞれの周辺の人口分布に関する人口分布データを含む。入力データは、ＲＥＩＴ価格をさらに含んでもよい。入力データは、複数の不動産それぞれの評価額（現在評価額）、複数の不動産それぞれの周辺の都市開発計画に関するデータ（都市開発計画データ）、複数の不動産それぞれの周辺の店舗の出店計画に関するデータ（店舗出店計画データ）、投資市場動向に関するデータ（投資市場動向指標データ）、及び、複数の不動産それぞれの周辺の路線価に関するデータ（路線価データ）の少なくとも一つをさらに含んでもよい。
　学習部１２は、学習を行って予測モデル（学習済みモデル）を生成する。予測モデルは、将来のＲＥＩＴ価格を予測する。
　予測モデルは、ＲＥＩＴの投資先である複数の不動産それぞれの周辺の人口分布に関する人口分布データを取得する取得部１１と、ＲＥＩＴの価値を示すＲＥＩＴ価格を出力する出力部１３と、を備えるＲＥＩＴ価格予測装置１が利用する学習済みモデルであって、人口分布データとＲＥＩＴ価格とに基づいて重み付け係数が学習されたニューラルネットワークにより構成され、出力部１３は、当該予測モデルに取得部１１によって取得された人口分布データを適用することで得られる将来のＲＥＩＴ価格を出力する。
　予測モデルは、コンピュータプログラムとパラメータとの組み合わせである。また、予測モデルは、ニューラルネットワークの構造と当該ニューラルネットワークの各ニューロン間の結びつきの強さであるパラメータ（重み付け係数）との組み合わせである。また、予測モデルは、コンピュータに対する指令であって、一の結果を得る（所定の処理を実行する）ことができるように組み合わされたもの、すなわち、コンピュータを機能させるコンピュータプログラムである。
　学習部１２は、入力データとＲＥＩＴ価格とを含む組から構成される学習データに基づく学習を行って予測モデルを生成してもよい。組は、任意の時点の入力データと当該任意の時点より所定期間後のＲＥＩＴ価格とを含んでもよい。
　例えば、学習部１２は、任意の時点の（ＲＥＩＴの投資先である複数の不動産それぞれの周辺の人口分布に関する）人口分布データ（を含む入力データ）と当該任意の時点より所定期間後のＲＥＩＴ価格とを含む組から構成される学習データに基づく学習を行って予測モデルを生成する。図１４は、学習データの一例を示す図である。図１４に示す学習データは、ある日の（ＲＥＩＴの投資先である複数の不動産それぞれの周辺の人口分布に関する）人口分布データ（入力データ）と、当該日の翌日（所定期間後）の（ＲＥＩＴ価格を含む）ＲＥＩＴ価格データ（正解値データ）とを含む組から構成されている。図１４に示す学習データには、１月１日の入力データと（１月１日の翌日の）１月２日の正解値データとの組、及び、１月２日の入力データと（１月２日の翌日の）１月３日の正解値データとの組の２組が示されている（実際は３組以上あってもよい）。
　学習部１２は、図１４に示す学習データに基づく学習を行うことで、例えば、任意の日におけるＲＥＩＴ保有不動産周辺メッシュの年代・居住地別人口から、１日後のＲＥＩＴ価格の関係を学習する。学習部１２は、図１４に示す学習データに基づく学習を行うことで、適用される人口分布データの対象の日の翌日のＲＥＩＴ価格（又はＲＥＩＴ価格データ）を出力する予測モデルを生成する。すなわち、生成された予測モデルは将来のＲＥＩＴ価格を予測する。
　例えば、学習部１２は、任意の時点の（ＲＥＩＴの投資先である複数の不動産それぞれの周辺の人口分布に関する）人口分布データ及び当該任意の時点のＲＥＩＴ価格（を含む入力データ）と当該任意の時点より所定期間後のＲＥＩＴ価格とを含む組から構成される学習データに基づく学習を行って予測モデルを生成する。図１５は、学習データの別の一例を示す図である。図１５に示す学習データは、ある日の（ＲＥＩＴの投資先である複数の不動産それぞれの周辺の人口分布に関する）人口分布データ及び当該日の（ＲＥＩＴ価格を含む）ＲＥＩＴ価格データ（入力データ）と、当該日の翌日（所定期間後）の（ＲＥＩＴ価格を含む）ＲＥＩＴ価格データ（正解値データ）とを含む組から構成されている。図１５に示す学習データには、１月１日の入力データと（１月１日の翌日の）１月２日の正解値データとの組、及び、１月２日の入力データと（１月２日の翌日の）１月３日の正解値データとの組の２組が示されている（実際は３組以上あってもよい）。
　学習部１２は、図１５に示す学習データに基づく学習を行うことで、例えば、任意の日におけるＲＥＩＴ保有不動産周辺メッシュの年代・居住地別人口と、その日のＲＥＩＴ価格とから、１日後のＲＥＩＴ価格の関係を学習する。学習部１２は、図１５に示す学習データに基づく学習を行うことで、適用される人口分布データ及びＲＥＩＴ価格データの対象の日の翌日のＲＥＩＴ価格（又はＲＥＩＴ価格データ）を出力する予測モデルを生成する。すなわち、生成された予測モデルは将来のＲＥＩＴ価格を予測する。
　学習データにおける各データ間の時間間隔（学習間隔）は、上述の所定期間（予測対象期間）に応じて設定されてもよい。図１６は、学習間隔の一例を示す図である。図１６に示す通り、予測対象期間が１日後であれば、学習データ（の入力データ）である人口分布データは前日の１時間毎の人口に関する人口分布データに設定し、学習データ（の入力データ）であるＲＥＩＴ価格データは前日の１時間毎のＲＥＩＴ価格に関するＲＥＩＴ価格データに設定してもよい。なお、この場合、投資市場動向指標データは、１日毎に前日の１時間毎のデータを取得及び利用し、ＲＥＩＴ保有不動産データは、半年毎に取得及び利用し（公表が半年ごとのため）、都市開発計画データ及び店舗出店計画データは、それぞれ１ヶ月毎に取得及び利用してもよい（頻繁に更新されるデータではないため）。
　同様に、予測対象期間が１か月後であれば、学習データ（の入力データ）である人口分布データは前月の１日毎の平均人口に関する人口分布データに設定し、学習データ（の入力データ）であるＲＥＩＴ価格データは前月の１日毎の平均ＲＥＩＴ価格に関するＲＥＩＴ価格データに設定してもよい。同様に、予測対象期間が１年後であれば、学習データ（の入力データ）である人口分布データは前年の１ヶ月毎の平均人口に関する人口分布データに設定し、学習データ（の入力データ）であるＲＥＩＴ価格データは前年の１ヶ月毎の平均ＲＥＩＴ価格に関するＲＥＩＴ価格データに設定してもよい。
　学習部１２は、ＲＥＩＴの投資先である不動産に変更があった場合、変更後の不動産に基づく新たな予測モデルを生成し、格納部１０によって格納された既存の予測モデルを、新たな予測モデルに入れ替えてもよい。学習部１２は、新たな予測モデルの予測精度が、既存の予測モデルの予測精度よりも優位になったタイミングで入れ替えてもよい。
　図１７は、予測モデルの入れ替えの一例を示す図である。図１７において時間は左から右に向かって流れている。第１時刻の時点（図１７の左）で、ＲＥＩＴの投資先は不動産Ａ、Ｂ及びＣであるとする。第１時刻の時点で、学習部１２は不動産Ａ、Ｂ及びＣに基づく学習データに基づく学習により予測モデルＰを生成し、格納部１０によって格納させる。第１時刻の時点からしばらく、ＲＥＩＴ価格予測装置１において予測モデルＰが利用される。
　第１時刻より時間が経った第２時刻の時点（図１７の真ん中）で、ＲＥＩＴの投資先から不動産Ｃが無くなり、ＲＥＩＴの投資先は不動産Ａ及びＢに変更されたとする。第２時刻の時点で、学習部１２は不動産Ａ及びＢに基づく学習データに基づく学習により予測モデルＱを生成する。その際、学習部１２は、新たな予測モデルである予測モデルＱの予測精度と、既存の予測モデルである予測モデルＰの予測精度とを比較する。予測精度は、例えば、予測した値とその後の実際の値との比較に基づいて算出してもよいし、その他の既存技術によって算出してもよい。予測モデルＰの予測精度が優位であれば、ＲＥＩＴ価格予測装置１において引き続き予測モデルＰが利用され、その後も学習部１２は定期的に予測モデルＱの予測精度と予測モデルＰの予測精度との比較を行う。そして、予測モデルＱの予測精度が優位になった際に、学習部１２は、格納部１０によって格納された予測モデルＰを予測モデルＱに入れ替える。入れ替えてからしばらく、ＲＥＩＴ価格予測装置１において予測モデルＱが利用される。
　第２時刻より時間が経った第３時刻の時点（図１７の右）で、ＲＥＩＴの投資先に不動産Ｄが追加され、ＲＥＩＴの投資先は不動産Ａ、Ｂ及びＤに変更されたとする。第３時刻の時点で、学習部１２は不動産Ａ、Ｂ及びＤに基づく学習データに基づく学習により予測モデルＲを生成する。その際、学習部１２は、新たな予測モデルである予測モデルＲの予測精度と、既存の予測モデルである予測モデルＱの予測精度とを比較する。以降の処理は、上述の第２時刻の時点以降の処理と同様である。
　出力部１３は、格納部１０によって格納された予測モデルに取得部１１によって取得された入力データを適用することで得られる将来のＲＥＩＴ価格を出力する。出力部１３は、予測モデルに取得部１１によって取得された一の時点の入力データを適用することで得られる、当該一の時点より所定期間後のＲＥＩＴ価格を出力してもよい。
　例えば、出力部１３は、図１４に示す学習データに基づく学習により生成された予測モデルに、取得部１１によって取得された現時点（例えば９月１日）の（ＲＥＩＴの投資先である複数の不動産それぞれの周辺の人口分布に関する）人口分布データを適用することで、現時点から１日後（例えば９月２日）のＲＥＩＴ価格を取得し、取得したＲＥＩＴ価格を出力する。
　例えば、出力部１３は、図１５に示す学習データに基づく学習により生成された予測モデルに、取得部１１によって取得された現時点（例えば９月１日）の（ＲＥＩＴの投資先である複数の不動産それぞれの周辺の人口分布に関する）人口分布データと現時点のＲＥＩＴ価格データとを適用することで、現時点から１日後（例えば９月２日）のＲＥＩＴ価格を取得し、取得したＲＥＩＴ価格を出力する。
　出力部１３による出力は、ディスプレイへの表示であってもよいし、ＲＥＩＴ価格予測装置１の他の機能ブロックへの出力でもよいし、ネットワークを介した他の装置への送信でもよい。
　図１８は、ＲＥＩＴ価格予測システム６が実行する出力処理の一例を示すフローチャートである。まず、ＲＥＩＴ価格予測装置１（の出力部１３）が、予測結果であるＲＥＩＴ価格をＲＥＩＴ取引装置３に送信する（ステップＳ１０）。なお、ＲＥＩＴ価格の代わりに、ＲＥＩＴの識別情報であるＲＥＩＴ　ＩＤと、未来の日時と、当該日時のＲＥＩＴ価格（予測価格）とを含むデータを送信してもよい。次に、ＲＥＩＴ取引装置３が、Ｓ１０で受信したＲＥＩＴ価格を顧客（のスマートフォンなど）に送信する（ステップＳ１１）。なお、ＲＥＩＴ価格の代わりに、ＲＥＩＴの識別情報であるＲＥＩＴ　ＩＤと、現在のＲＥＩＴ価格と、将来のＲＥＩＴ価格予測値と、予測対象時刻とを含むデータを送信してもよい。
　次に、顧客が、Ｓ１１で受信したＲＥＩＴ価格を参考に、ＲＥＩＴに関する売買を判断する（ステップＳ１２）。次に、顧客が、Ｓ１２の判断結果に基づく売買指示をＲＥＩＴ取引装置３に送信する（ステップＳ１３）。なお、売買指示の代わりに、当該顧客の識別情報である顧客ＩＤと、ＲＥＩＴの識別情報であるＲＥＩＴ　ＩＤと、取引価格と、売買を示す売買フラグとを含むデータを送信してもよい。次に、ＲＥＩＴ取引装置３が、Ｓ１３で受信した売買指示に基づく売買を行い、売買結果をＲＥＩＴ管理装置４に送信する（ステップＳ１４）。ＲＥＩＴ管理装置４は、Ｓ１４で受信した売買結果に基づくＲＥＩＴの管理を行う。
　続いて、図１９を参照しながら、ＲＥＩＴ価格予測装置１が実行するＲＥＩＴ価格予測処理の例を説明する。図１９は、実施形態に係るＲＥＩＴ価格予測装置１が実行するＲＥＩＴ価格予測処理の一例を示すフローチャートである。まず、学習部１２が、予測モデルを生成する（ステップＳ２０）。次に、格納部１０が、Ｓ２０で生成された予測モデルを格納する（ステップＳ２１）。次に、取得部１１が、入力データを取得する（ステップＳ２２）。次に、出力部１３が、Ｓ２１で格納された予測モデルに、Ｓ２２で取得された入力データを適用することで得られるＲＥＩＴ価格を出力する（ステップＳ２３）。なお、Ｓ２２はＳ２３の前であれば任意のタイミングで実行してもよい。
　続いて、実施形態に係るＲＥＩＴ価格予測装置１の作用効果について説明する。
　ＲＥＩＴ価格予測装置１によれば、格納部１０が、ＲＥＩＴの投資先である複数の不動産それぞれの周辺の人口分布に関する人口分布データを含む入力データとＲＥＩＴの価値を示すＲＥＩＴ価格とを含む組から構成される学習データに基づく学習により生成された、将来のＲＥＩＴ価格を予測する予測モデルを格納し、取得部１１が、入力データを取得し、出力部１３が、格納部１０によって格納された予測モデルに取得部１１によって取得された入力データを適用することで得られる将来のＲＥＩＴ価格を出力する。この構成により、予測モデルを利用して将来のＲＥＩＴ価格を出力することができる。すなわち、不動産投資信託の価値を予測することができる。
　また、ＲＥＩＴ価格予測装置１によれば、組は、任意の時点の入力データと当該任意の時点より所定期間後のＲＥＩＴ価格とを含み、取得部１１は、一の時点の入力データを取得し、出力部１３は、予測モデルに取得部１１によって取得された一の時点の入力データを適用することで得られる、当該一の時点より所定期間後のＲＥＩＴ価格を出力してもよい。この構成により、予測モデルを利用して一の時点より所定期間後のＲＥＩＴ価格を出力することができる。すなわち、不動産投資信託の価値を予測することができる。
　また、ＲＥＩＴ価格予測装置１によれば、入力データは、ＲＥＩＴ価格をさらに含んでもよい。この構成により、学習データの内容が拡充され、より正確なＲＥＩＴ価格を予測することが可能な予測モデルを利用することができる。すなわち、より正確なＲＥＩＴ価格を予測することができる。
　また、ＲＥＩＴ価格予測装置１によれば、入力データは、複数の不動産それぞれの評価額、複数の不動産それぞれの周辺の都市開発計画に関するデータ、複数の不動産それぞれの周辺の店舗の出店計画に関するデータ、投資市場動向に関するデータ、及び、複数の不動産それぞれの周辺の路線価に関するデータの少なくとも一つをさらに含んでもよい。この構成により、学習データの内容が拡充され、より正確なＲＥＩＴ価格を予測することが可能な予測モデルを利用することができる。すなわち、より正確なＲＥＩＴ価格を予測することができる。
　また、ＲＥＩＴ価格予測装置１によれば、学習を行って予測モデルを生成する学習部１２をさらに備え、格納部１０は、学習部１２によって生成された予測モデルを格納してもよい。この構成により、予測モデルを生成することができると共に、生成した予測モデルを利用することができる。
　また、ＲＥＩＴ価格予測装置１によれば、学習部１２は、ＲＥＩＴの投資先である不動産に変更があった場合、変更後の不動産に基づく新たな予測モデルを生成し、格納部１０によって格納された既存の予測モデルを、新たな予測モデルに入れ替えてもよい。この構成により、ＲＥＩＴの投資先である不動産に変更があった場合、変更後の不動産に基づく新たな予測モデルを利用することができる。
　また、ＲＥＩＴ価格予測装置１によれば、学習部１２は、新たな予測モデルの予測精度が、既存の予測モデルの予測精度よりも優位になったタイミングで入れ替えてもよい。この構成により、ＲＥＩＴの投資先である不動産に変更があった場合、予測精度がより良い予測モデルを利用し続けることができる。一般的に、ＲＥＩＴは運営会社の判断による不動産の取得又は退去が考えられるため、そのようなイベント発生時にＲＥＩＴ価格予測装置１は予測モデルを新たに作成・学習を行い、適宜予測結果の誤差を比較する。ＲＥＩＴ価格予測装置１は、比較結果をもとに分岐した予測モデルの精度が現行と比べて優位になったタイミングでモデルを入れ替える。
　また、予測モデルは、ＲＥＩＴの投資先である複数の不動産それぞれの周辺の人口分布に関する人口分布データを取得する取得部１１と、ＲＥＩＴの価値を示すＲＥＩＴ価格を出力する出力部１３と、を備えるＲＥＩＴ価格予測装置１が利用する学習済みモデルである予測モデルであって、人口分布データとＲＥＩＴ価格とに基づいて重み付け係数が学習されたニューラルネットワークにより構成され、出力部１３は、当該予測モデルに取得部１１によって取得された人口分布データを適用することで得られる将来のＲＥＩＴ価格を出力する、予測モデルである。この構成により、当該予測モデルを利用して将来のＲＥＩＴ価格を出力することができる。すなわち、不動産投資信託の価値を予測することができる。
　ここで、従来の課題について説明する。ＲＥＩＴ投資において、将来的な証券価値を予測することは保有資産を守る上で重要であるが、高精度な証券価値の予測については、従来、画一的な手法が確立できていない。それゆえ、投資判断において将来的な価値変動については考慮が難しいという課題があった。
　ＲＥＩＴ価格予測装置１によれば、過去の性・年代・居住地別のＲＥＩＴ保有不動産周辺の人口分布データを活用して将来的なＲＥＩＴ証券価値（ＲＥＩＴ価格）の予測を実現することができる。そして予測結果を投資判断の材料として利用することで、投資家（顧客）のリターンを最大化することができる。
　ＲＥＩＴ価格予測装置１の学習部１２は、蓄積された過去データ（各ＲＥＩＴ保有不動産周辺の人口分布データ、各不動産評価額、外部データ、ＲＥＩＴ価格データ）を用いて、将来的なＲＥＩＴ価格の予測モデルを作成してもよい。ＲＥＩＴ価格予測装置１の出力部１３は、予測モデルに現在の同データ（各ＲＥＩＴ保有不動産周辺の人口分布データ、各不動産評価額、外部データ、ＲＥＩＴ価格データ）を投入することで、将来的なＲＥＩＴ価格を計算してもよい。
　なお、上記実施形態の説明に用いたブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、ハードウェア及びソフトウェアの少なくとも一方の任意の組み合わせによって実現される。また、各機能ブロックの実現方法は特に限定されない。すなわち、各機能ブロックは、物理的又は論理的に結合した１つの装置を用いて実現されてもよいし、物理的又は論理的に分離した２つ以上の装置を直接的又は間接的に（例えば、有線、無線などを用いて）接続し、これら複数の装置を用いて実現されてもよい。機能ブロックは、上記１つの装置又は上記複数の装置にソフトウェアを組み合わせて実現されてもよい。
　機能には、判断、決定、判定、計算、算出、処理、導出、調査、探索、確認、受信、送信、出力、アクセス、解決、選択、選定、確立、比較、想定、期待、見做し、報知（broadcasting）、通知（notifying）、通信（communicating）、転送（forwarding）、構成（configuring）、再構成（reconfiguring）、割り当て（allocating、mapping）、割り振り（assigning）などがあるが、これらに限られない。たとえば、送信を機能させる機能ブロック（構成部）は、送信部（transmitting　unit）や送信機（transmitter）と呼称される。いずれも、上述したとおり、実現方法は特に限定されない。
　例えば、本開示の一実施の形態におけるＲＥＩＴ価格予測装置１などは、本開示のＲＥＩＴ価格予測方法の処理を行うコンピュータとして機能してもよい。図２０は、本開示の一実施の形態に係るＲＥＩＴ価格予測装置１のハードウェア構成の一例を示す図である。上述のＲＥＩＴ価格予測装置１は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７などを含むコンピュータ装置として構成されてもよい。
　なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。ＲＥＩＴ価格予測装置１のハードウェア構成は、図に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。
　ＲＥＩＴ価格予測装置１における各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることによって、プロセッサ１００１が演算を行い、通信装置１００４による通信を制御したり、メモリ１００２及びストレージ１００３におけるデータの読み出し及び書き込みの少なくとも一方を制御したりすることによって実現される。
　プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central　Processing　Unit）によって構成されてもよい。例えば、上述の取得部１１、学習部１２及び出力部１３などは、プロセッサ１００１によって実現されてもよい。
　また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュール、データなどを、ストレージ１００３及び通信装置１００４の少なくとも一方からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施の形態において説明した動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。例えば、取得部１１、学習部１２及び出力部１３は、メモリ１００２に格納され、プロセッサ１００１において動作する制御プログラムによって実現されてもよく、他の機能ブロックについても同様に実現されてもよい。上述の各種処理は、１つのプロセッサ１００１によって実行される旨を説明してきたが、２以上のプロセッサ１００１により同時又は逐次に実行されてもよい。プロセッサ１００１は、１以上のチップによって実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。
　メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read　Only　Memory）、ＥＰＲＯＭ（Erasable　Programmable　ＲＯＭ）、ＥＥＰＲＯＭ（Electrically　Erasable　Programmable　ROM）、ＲＡＭ（Random　Access　Memory）などの少なくとも１つによって構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本開示の一実施の形態に係る無線通信方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。
　ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤ－ＲＯＭ（Compact　Disc　ROM）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク（例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク）、スマートカード、フラッシュメモリ（例えば、カード、スティック、キードライブ）、フロッピー（登録商標）ディスク、磁気ストリップなどの少なくとも１つによって構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ１００２及びストレージ１００３の少なくとも一方を含むデータベース、サーバその他の適切な媒体であってもよい。
　通信装置１００４は、有線ネットワーク及び無線ネットワークの少なくとも一方を介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。通信装置１００４は、例えば周波数分割複信（ＦＤＤ：Frequency　Division　Duplex）及び時分割複信（ＴＤＤ：Time　Division　Duplex）の少なくとも一方を実現するために、高周波スイッチ、デュプレクサ、フィルタ、周波数シンセサイザなどを含んで構成されてもよい。例えば、上述の取得部１１、学習部１２及び出力部１３などは、通信装置１００４によって実現されてもよい。
　入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、ＬＥＤランプなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。
　また、プロセッサ１００１、メモリ１００２などの各装置は、情報を通信するためのバス１００７によって接続される。バス１００７は、単一のバスを用いて構成されてもよいし、装置間ごとに異なるバスを用いて構成されてもよい。
　また、ＲＥＩＴ価格予測装置１は、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ：Digital　Signal　Processor）、ＡＳＩＣ（Application　Specific　Integrated　Circuit）、ＰＬＤ（Programmable　Logic　Device）、ＦＰＧＡ（Field　Programmable　Gate　Array）などのハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部又は全てが実現されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つを用いて実装されてもよい。
　情報の通知は、本開示において説明した態様／実施形態に限られず、他の方法を用いて行われてもよい。
　本開示において説明した各態様／実施形態は、ＬＴＥ（Long　Term　Evolution）、ＬＴＥ－Ａ（LTE-Advanced）、ＳＵＰＥＲ　３Ｇ、ＩＭＴ－Ａｄｖａｎｃｅｄ、４Ｇ（4th　generation　mobile　communication　system）、５Ｇ（5th　generation　mobile　communication　system）、ＦＲＡ（Future　Radio　Access）、ＮＲ（new　Radio）、Ｗ－ＣＤＭＡ（登録商標）、ＧＳＭ（登録商標）、ＣＤＭＡ２０００、ＵＭＢ（Ultra　Mobile　Broadband）、ＩＥＥＥ　８０２．１１（Ｗｉ－Ｆｉ（登録商標））、ＩＥＥＥ　８０２．１６（ＷｉＭＡＸ（登録商標））、ＩＥＥＥ　８０２．２０、ＵＷＢ（Ultra-WideBand）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、その他の適切なシステムを利用するシステム及びこれらに基づいて拡張された次世代システムの少なくとも一つに適用されてもよい。また、複数のシステムが組み合わされて（例えば、ＬＴＥ及びＬＴＥ－Ａの少なくとも一方と５Ｇとの組み合わせ等）適用されてもよい。
　本開示において説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本開示において説明した方法については、例示的な順序を用いて様々なステップの要素を提示しており、提示した特定の順序に限定されない。
　入出力された情報等は特定の場所（例えば、メモリ）に保存されてもよいし、管理テーブルを用いて管理してもよい。入出力される情報等は、上書き、更新、又は追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。
　判定は、１ビットで表される値（０か１か）によって行われてもよいし、真偽値（Boolean：true又はfalse）によって行われてもよいし、数値の比較（例えば、所定の値との比較）によって行われてもよい。
　本開示において説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的に行うものに限られず、暗黙的（例えば、当該所定の情報の通知を行わない）ことによって行われてもよい。
　以上、本開示について詳細に説明したが、当業者にとっては、本開示が本開示中に説明した実施形態に限定されるものではないということは明らかである。本開示は、請求の範囲の記載により定まる本開示の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本開示の記載は、例示説明を目的とするものであり、本開示に対して何ら制限的な意味を有するものではない。
　ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈されるべきである。
　また、ソフトウェア、命令、情報などは、伝送媒体を介して送受信されてもよい。例えば、ソフトウェアが、有線技術（同軸ケーブル、光ファイバケーブル、ツイストペア、デジタル加入者回線（ＤＳＬ：Digital　Subscriber　Line）など）及び無線技術（赤外線、マイクロ波など）の少なくとも一方を使用してウェブサイト、サーバ、又は他のリモートソースから送信される場合、これらの有線技術及び無線技術の少なくとも一方は、伝送媒体の定義内に含まれる。
　本開示において説明した情報、信号などは、様々な異なる技術のいずれかを使用して表されてもよい。例えば、上記の説明全体に渡って言及され得るデータ、命令、コマンド、情報、信号、ビット、シンボル、チップなどは、電圧、電流、電磁波、磁界若しくは磁性粒子、光場若しくは光子、又はこれらの任意の組み合わせによって表されてもよい。
　なお、本開示において説明した用語及び本開示の理解に必要な用語については、同一の又は類似する意味を有する用語と置き換えてもよい。
　本開示において使用する「システム」及び「ネットワーク」という用語は、互換的に使用される。
　また、本開示において説明した情報、パラメータなどは、絶対値を用いて表されてもよいし、所定の値からの相対値を用いて表されてもよいし、対応する別の情報を用いて表されてもよい。
　上述したパラメータに使用する名称はいかなる点においても限定的な名称ではない。さらに、これらのパラメータを使用する数式等は、本開示で明示的に開示したものと異なる場合もある。
　本開示で使用する「判断（determining）」、「決定（determining）」という用語は、多種多様な動作を包含する場合がある。「判断」、「決定」は、例えば、判定（judging）、計算（calculating）、算出（computing）、処理（processing）、導出（deriving）、調査（investigating）、探索（looking　up、search、inquiry）（例えば、テーブル、データベース又は別のデータ構造での探索）、確認（ascertaining）した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、受信（receiving）（例えば、情報を受信すること）、送信（transmitting）（例えば、情報を送信すること）、入力（input）、出力（output）、アクセス（accessing）（例えば、メモリ中のデータにアクセスすること）した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、解決（resolving）、選択（selecting）、選定（choosing）、確立（establishing）、比較（comparing）などした事を「判断」「決定」したとみなす事を含み得る。つまり、「判断」「決定」は、何らかの動作を「判断」「決定」したとみなす事を含み得る。また、「判断（決定）」は、「想定する（assuming）」、「期待する（expecting）」、「みなす（considering）」などで読み替えられてもよい。
　「接続された（connected）」、「結合された（coupled）」という用語、又はこれらのあらゆる変形は、２又はそれ以上の要素間の直接的又は間接的なあらゆる接続又は結合を意味し、互いに「接続」又は「結合」された２つの要素間に１又はそれ以上の中間要素が存在することを含むことができる。要素間の結合又は接続は、物理的なものであっても、論理的なものであっても、或いはこれらの組み合わせであってもよい。例えば、「接続」は「アクセス」で読み替えられてもよい。本開示で使用する場合、２つの要素は、１又はそれ以上の電線、ケーブル及びプリント電気接続の少なくとも一つを用いて、並びにいくつかの非限定的かつ非包括的な例として、無線周波数領域、マイクロ波領域及び光（可視及び不可視の両方）領域の波長を有する電磁エネルギーなどを用いて、互いに「接続」又は「結合」されると考えることができる。
　本開示において使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。
　本開示において使用する「第１の」、「第２の」などの呼称を使用した要素へのいかなる参照も、それらの要素の量又は順序を全般的に限定しない。これらの呼称は、２つ以上の要素間を区別する便利な方法として本開示において使用され得る。したがって、第１及び第２の要素への参照は、２つの要素のみが採用され得ること、又は何らかの形で第１の要素が第２の要素に先行しなければならないことを意味しない。
　上記の各装置の構成における「手段」を、「部」、「回路」、「デバイス」等に置き換えてもよい。
　本開示において、「含む（include）」、「含んでいる（including）」及びそれらの変形が使用されている場合、これらの用語は、用語「備える（comprising）」と同様に、包括的であることが意図される。さらに、本開示において使用されている用語「又は（or）」は、排他的論理和ではないことが意図される。
　本開示において、例えば、英語でのa、an及びtheのように、翻訳により冠詞が追加された場合、本開示は、これらの冠詞の後に続く名詞が複数形であることを含んでもよい。
　本開示において、「ＡとＢが異なる」という用語は、「ＡとＢが互いに異なる」ことを意味してもよい。なお、当該用語は、「ＡとＢがそれぞれＣと異なる」ことを意味してもよい。「離れる」、「結合される」などの用語も、「異なる」と同様に解釈されてもよい。
　１…ＲＥＩＴ価格予測装置、２…人口分布データ取得装置、３…ＲＥＩＴ取引装置、４…ＲＥＩＴ管理装置、５…外部データ取得装置、６…ＲＥＩＴ価格予測システム、１０…格納部、１１…取得部、１２…学習部、１３…出力部、１００１…プロセッサ、１００２…メモリ、１００３…ストレージ、１００４…通信装置、１００５…入力装置、１００６…出力装置、１００７…バス。

Claims (8)

  1. 　不動産投資信託の投資先である複数の不動産それぞれの周辺の人口分布に関する人口分布データを含む入力データと前記不動産投資信託の価値を示す投信価値とを含む組から構成される学習データに基づく学習により生成された、将来の前記投信価値を予測する予測モデルを格納する格納部と、
    　前記入力データを取得する取得部と、
    　前記格納部によって格納された前記予測モデルに前記取得部によって取得された前記入力データを適用することで得られる将来の前記投信価値を出力する出力部と、
    　を備える投信価値予測装置。
  2. 　前記組は、任意の時点の前記入力データと当該任意の時点より所定期間後の前記投信価値とを含み、
    　前記取得部は、一の時点の前記入力データを取得し、
    　前記出力部は、前記予測モデルに前記取得部によって取得された前記一の時点の前記入力データを適用することで得られる、当該一の時点より前記所定期間後の前記投信価値を出力する、
    　請求項１に記載の投信価値予測装置。
  3. 　前記入力データは、前記投信価値をさらに含む、
    　請求項１又は２に記載の投信価値予測装置。
  4. 　前記入力データは、前記複数の不動産それぞれの評価額、前記複数の不動産それぞれの周辺の都市開発計画に関するデータ、前記複数の不動産それぞれの周辺の店舗の出店計画に関するデータ、投資市場動向に関するデータ、及び、前記複数の不動産それぞれの周辺の路線価に関するデータの少なくとも一つをさらに含む、
    　請求項１～３の何れか一項に記載の投信価値予測装置。
  5. 　前記学習を行って前記予測モデルを生成する学習部をさらに備え、
    　前記格納部は、前記学習部によって生成された前記予測モデルを格納する、
    　請求項１～４の何れか一項に記載の投信価値予測装置。
  6. 　前記学習部は、前記不動産投資信託の投資先である不動産に変更があった場合、変更後の不動産に基づく新たな前記予測モデルを生成し、前記格納部によって格納された既存の前記予測モデルを、新たな前記予測モデルに入れ替える、
    　請求項５に記載の投信価値予測装置。
  7. 　前記学習部は、新たな前記予測モデルの予測精度が、既存の前記予測モデルの予測精度よりも優位になったタイミングで入れ替える、
    　請求項６に記載の投信価値予測装置。
  8. 　不動産投資信託の投資先である複数の不動産それぞれの周辺の人口分布に関する人口分布データを取得する取得部と、前記不動産投資信託の価値を示す投信価値を出力する出力部と、を備える投信価値予測装置が利用する学習済みモデルである予測モデルであって、
    　前記人口分布データと前記投信価値とに基づいて重み付け係数が学習されたニューラルネットワークにより構成され、
    　前記出力部は、当該予測モデルに前記取得部によって取得された前記人口分布データを適用することで得られる将来の前記投信価値を出力する、
    　予測モデル。
PCT/JP2022/031591 2021-09-30 2022-08-22 投信価値予測装置及び予測モデル WO2023053776A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023550456A JPWO2023053776A1 (ja) 2021-09-30 2022-08-22

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021160672 2021-09-30
JP2021-160672 2021-09-30

Publications (1)

Publication Number Publication Date
WO2023053776A1 true WO2023053776A1 (ja) 2023-04-06

Family

ID=85782317

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/031591 WO2023053776A1 (ja) 2021-09-30 2022-08-22 投信価値予測装置及び予測モデル

Country Status (2)

Country Link
JP (1) JPWO2023053776A1 (ja)
WO (1) WO2023053776A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004295534A (ja) * 2003-03-27 2004-10-21 Real Estate Financial Engineering Institute 不動産価値のリアルタイム評価システム
US20050216384A1 (en) * 2003-12-15 2005-09-29 Daniel Partlow System, method, and computer program for creating and valuing financial instruments linked to real estate indices
JP2016076098A (ja) * 2014-10-07 2016-05-12 朝太郎 三宅 Ｊ−ｒｅｉｔの買付及び売付のタイミングを判定するコンピュータ装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004295534A (ja) * 2003-03-27 2004-10-21 Real Estate Financial Engineering Institute 不動産価値のリアルタイム評価システム
US20050216384A1 (en) * 2003-12-15 2005-09-29 Daniel Partlow System, method, and computer program for creating and valuing financial instruments linked to real estate indices
JP2016076098A (ja) * 2014-10-07 2016-05-12 朝太郎 三宅 Ｊ−ｒｅｉｔの買付及び売付のタイミングを判定するコンピュータ装置

Also Published As

Publication number Publication date
JPWO2023053776A1 (ja) 2023-04-06

Similar Documents

Publication Publication Date Title
US20220343432A1 (en) Machine learning architecture for risk modelling and analytics
Wan et al. Sentiment correlation in financial news networks and associated market movements
Jiraporn et al. Does corporate social responsibility (CSR) improve credit ratings? Evidence from geographic identification
Abdellaoui et al. Loss aversion under prospect theory: A parameter-free measurement
Chen et al. Hybrid models based on rough set classifiers for setting credit rating decision rules in the global banking industry
KR102046501B1 (ko) 창업 기업 진단에 기반한 가치 평가 및 육성 지원을 위한 서비스 제공 장치 및 방법
US9870596B2 (en) Predicting community development trends
Balcilar et al. Predicting stock returns and volatility with investor sentiment indices: a reconsideration using a nonparametric causality‐in‐quantiles test
KR102147999B1 (ko) 부동산 정보를 제공하기 위한 방법
Sohn et al. Behavioral credit scoring model for technology-based firms that considers uncertain financial ratios obtained from relationship banking
Abbasi et al. Research on measurement of supply chain finance credit risk based on Internet of Things
Wenninger et al. Benchmarking energy quantification methods to predict heating energy performance of residential buildings in Germany
He et al. Do voluntary disclosures of product and business expansion plans impact analyst coverage and forecasts?
CN112508580A (zh) 基于拒绝推断方法的模型构建方法、装置和电子设备
Chen et al. Constructing a multilayer network for stock market
Kargah-Ostadi et al. Developing performance prediction models for pavement management systems in local governments in absence of age data
CA3169417A1 (en) Method of and system for appraising risk
Charalambous et al. Estimating corporate bankruptcy forecasting models by maximizing discriminatory power
JP2019046376A (ja) 情報処理装置
Yi et al. Financial risk prediction in supply chain finance based on buyer transaction behavior
WO2023053776A1 (ja) 投信価値予測装置及び予測モデル
KR102202486B1 (ko) 통합자산관리를 위한 정보의 수집, 가공, 및 제공방법
KR101891090B1 (ko) 재무분석과 진단 및 맞춤형 권고의견서 자동 도출 방법
Zhou et al. Smooth structural breaks and the stationarity of the yen real exchange rates
JP7312161B2 (ja) 在宅予測装置

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: 22875648

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023550456

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE