JPH05334309A - Bond grading device and financial consulting method - Google Patents
Bond grading device and financial consulting methodInfo
- Publication number
- JPH05334309A JPH05334309A JP13738092A JP13738092A JPH05334309A JP H05334309 A JPH05334309 A JP H05334309A JP 13738092 A JP13738092 A JP 13738092A JP 13738092 A JP13738092 A JP 13738092A JP H05334309 A JPH05334309 A JP H05334309A
- Authority
- JP
- Japan
- Prior art keywords
- value
- bond
- financial
- layer
- fuzzy rule
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 36
- 238000012545 processing Methods 0.000 claims abstract description 96
- 230000006870 function Effects 0.000 claims description 97
- 230000013016 learning Effects 0.000 claims description 59
- 230000008569 process Effects 0.000 claims description 13
- 230000005484 gravity Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 5
- 238000000547 structure data Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims 1
- 210000002569 neuron Anatomy 0.000 abstract description 125
- 230000008878 coupling Effects 0.000 abstract description 11
- 238000010168 coupling process Methods 0.000 abstract description 11
- 238000005859 coupling reaction Methods 0.000 abstract description 11
- 238000013507 mapping Methods 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 25
- 238000012360 testing method Methods 0.000 description 11
- 239000000047 product Substances 0.000 description 10
- 230000007774 longterm Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000010304 firing Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
Description
【0001】[0001]
【産業上の利用分野】本発明は、債券格付け情報を算出
する債券格付け決定装置と、債券格付けに対しての財務
コンサルテーションを実行する財務コンサルティング方
法に関し、特に、高精度の債券格付け情報を算出できる
ようにする債券格付け決定装置と、債券格付けに対し
て、適格な財務コンサルテーションを実行できるように
する財務コンサルティング方法に関するものである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a bond rating determination device for calculating bond rating information and a financial consulting method for carrying out a financial consultation for bond ratings, and particularly for calculating bond rating information with high accuracy. The present invention relates to a bond rating determination device that performs the above, and a financial consulting method that enables a qualified financial consultation for a bond rating.
【0002】社債の1つである転換社債は、CB(Conv
ertible Bond)と略称されており、発行後の転換請求期
間中に、発行時に決められた転換価格で発行会社の株式
に転換できる権利が付けられている社債である。A convertible bond, which is one of the corporate bonds, is a CB (Conv
ertible Bond), which is a corporate bond that has the right to convert into shares of the issuing company at the conversion price decided at the time of issuance during the conversion request period after issuance.
【0003】転換社債等の債券の格付け情報は、債券の
償還及び利払いの確実性の度合いを図21に示すような
簡単な記号で表すものであり、投資情報として、多くの
投資家により債券投資を行う場合の判断材料として用い
られている。ここで、この図21に示す債券の格付け情
報は、日本における代表的な格付け機関が用いているも
のである。The rating information of a bond such as a convertible bond is a simple symbol as shown in FIG. 21, which indicates the degree of certainty of redemption and interest payment of the bond. As investment information, many investors invest in bond investment. It is used as a judgment material when performing. The bond rating information shown in FIG. 21 is used by a typical rating agency in Japan.
【0004】このような債券の格付け情報は、信頼性を
高めるためにも、客観的に決定されていく必要がある。[0004] Such bond rating information must be objectively determined in order to improve reliability.
【0005】[0005]
【従来の技術】従来では、債券の格付けは、格付けのエ
キスパートが、公表されている資本金や経常利益や自己
資本率等の財務指標を基にして経験とノウハウを駆使し
て行っている。2. Description of the Related Art Conventionally, a credit rating expert has used its experience and know-how based on publicly announced financial indicators such as capital, ordinary profit and equity ratio.
【0006】[0006]
【発明が解決しようとする課題】しかしながら、このよ
うなエキスパートによる債券の格付けの決定方法では、
エキスパート自身のノウハウによるところが大きく、債
券の格付けが客観的に決定されていないという問題点が
あった。However, in such a method of determining a bond rating by an expert,
There is a problem that the credit rating of the bond is not objectively determined, because it depends largely on the know-how of the expert himself.
【0007】このような事情を背景にして、本出願人
は、9個の入力ユニットからなる入力層と、3個の基本
ユニットからなる中間層と、1個の基本ユニットからな
る出力層とから構成されるニューロコンピュータを用意
するとともに、今まで得られている財務データと債券格
付け情報との対応関係を教師信号として用意する構成を
採って、この用意したニューロコンピュータに教師信号
の財務データを与えるときに、ニューロコンピュータの
出力する出力信号が教師信号の債券格付け情報と一致す
ることになるようにと、入力層の入力ユニットと中間層
の基本ユニットとの間の内部結合に設定される内部状態
値と、中間層の基本ユニットと出力層の基本ユニットと
の間の内部結合に設定される内部状態値とを、バックプ
ロパゲーション法により学習していく構成を採ること
で、ニューロコンピュータを債券格付け決定装置として
構築することを試みた。Against this background, the applicant of the present invention has proposed an input layer consisting of nine input units, an intermediate layer consisting of three basic units, and an output layer consisting of one basic unit. The prepared neuro computer is prepared, and the correspondence between the financial data obtained up to now and the bond rating information is prepared as the teacher signal, and the prepared neuro computer is provided with the financial data of the teacher signal. Sometimes, an internal state is set in the inner coupling between the input unit of the input layer and the basic unit of the middle layer so that the output signal output from the neurocomputer will match the bond rating information of the teacher signal. The value and the internal state value set in the internal coupling between the basic unit of the middle layer and the basic unit of the output layer are set to the backpropagation method. Ri By employing a configuration that continue to learn, have attempted to construct a neurocomputer as bond ratings determining device.
【0008】ここで、ニューロコンピュータを構成する
入力層の入力ユニットは、入力信号を受け取って、中間
層の基本ユニットに分配するよう動作し、中間層の基本
ユニットは、入力ユニットの分配する入力信号と、その
入力信号に乗算されるべき内部状態値とを受け取って積
和値を得るとともに、その積和値を閾値関数により変換
して出力するよう動作し、出力層の基本ユニットは、中
間層の基本ユニットの出力する出力信号と、その出力信
号に乗算されるべき内部状態値とを受け取って積和値を
得るとともに、その積和値を閾値関数により変換して出
力するよう動作する。Here, the input unit of the input layer constituting the neurocomputer operates so as to receive the input signal and distribute it to the basic unit of the intermediate layer, and the basic unit of the intermediate layer operates the input signal distributed by the input unit. And an internal state value to be multiplied with the input signal to obtain a product sum value, and the product sum value is converted by a threshold function and output, and the basic unit of the output layer is an intermediate layer. It receives the output signal output from the basic unit and the internal state value to be multiplied with the output signal, obtains the product sum value, and converts the product sum value by the threshold function to output.
【0009】確かに、このニューロコンピュータにより
構成される債券格付け決定装置は、格付けされていない
債券の財務データを入力すると、直ちに債券の格付け情
報を出力することになることから、エキスパートによる
ことなく、客観的に債券の格付けを実行できるという利
点がある。Certainly, the bond rating determination device composed of this neuro-computer will immediately output the bond rating information when the financial data of the unrated bond is input, so that there is no need for an expert. It has the advantage of being able to carry out an objective bond rating.
【0010】しかしながら、このようなニューロコンピ
ュータにより構成される債券格付け決定装置では、エキ
スパートの用いていた決定手順が正確にニューロコンピ
ュータのデータ変換機能に写像されていないことから、
出力する債券の格付け情報の精度が十分でないという問
題点があった。However, in the bond rating determination device constituted by such a neuro computer, the determination procedure used by the expert is not accurately mapped to the data conversion function of the neuro computer,
There was a problem that the accuracy of the bond rating information that was output was not sufficient.
【0011】また、このようなニューロコンピュータに
より構成される債券格付け決定装置では、どのような決
定手順に従って債券の格付けを行っているかが全く分か
らないことから、債券の格付けを上げるための財務コン
サルテーションを適格に実行できないという問題点があ
った。すなわち、財務データの各項目が、債券の格付け
に大きな影響を与えているのか、小さな影響しか与えて
いないかということが分からないために、債券の格付け
を上げるためには、どのように財務データの改善を図れ
ばよいのかということが分からず、これがために、試行
錯誤的に様々な財務データを入力してみて財務コンサル
テーションを実行していくという方法を採らざるを得な
かったのである。Further, since the bond rating determination device composed of such a neuro computer has no idea what kind of determination procedure is used for rating the bond, a financial consultation for raising the rating of the bond is carried out. There was a problem that it could not be executed properly. In other words, since it is not known whether each item of financial data has a large impact or a small impact on a bond's rating, how can the financial data be upgraded? I did not know if I should improve it, and for this reason, I had no choice but to adopt a method of conducting various financial consultations by inputting various financial data through trial and error.
【0012】本発明はかかる事情に鑑みてなされたもの
であって、高精度の債券格付け情報を算出できるように
する新たな債券格付け決定装置の提供と、債券格付けに
対して、適格な財務コンサルテーションを実行できるよ
うにする新たな財務コンサルティング方法の提供を目的
とするものである。The present invention has been made in view of the above circumstances, and provides a new bond rating determination device that enables highly accurate bond rating information to be calculated, and a financial consultation that is suitable for bond rating. The purpose is to provide a new financial consulting method that enables the execution of
【0013】[0013]
【課題を解決するための手段】以下に説明するように、
本発明では、本出願人が先に出願した特願平2-60256号
(発明の名称:階層ネットワーク構成データ処理装置及
びデータ処理システム)の発明で開示した階層ネットワ
ーク構成データ処理装置を債券格付け決定装置として構
築することで、高精度の債券格付け情報の算出を実現す
るとともに、適格な財務コンサルテーションの実行を実
現するものである。[Means for Solving the Problems] As described below,
In the present invention, a bond rating is determined for the hierarchical network configuration data processing device disclosed in the invention of Japanese Patent Application No. 2-60256 (name of invention: hierarchical network configuration data processing device and data processing system) previously filed by the applicant. By constructing as a device, it is possible to realize highly accurate calculation of bond rating information and also to execute a qualified financial consultation.
【0014】本発明の原理構成を説明する前に、この特
願平2-60256号の発明で開示した階層ネットワーク構成
データ処理装置(以下、ファジィ構造型ニューロコンピ
ュータと称することにする)の概要について説明する。Before explaining the principle configuration of the present invention, an outline of the hierarchical network configuration data processing device (hereinafter referred to as a fuzzy structure type neurocomputer) disclosed in the invention of Japanese Patent Application No. 2-60256 will be described. explain.
【0015】このファジィ構造型ニューロコンピュータ
は、図22に示すように、入力変数分の線形ニューロン
1により構成される入力層10と、この入力層10と内
部状態値の割り付けられる内部結合で結合して、シグモ
イドニューロン2と線形ニューロン1との組み合わせの
複数により構成される第1段層11と、この第1段層1
1と内部状態値の割り付けられる内部結合で結合して、
シグモイドニューロン2の複数により構成される第2段
層12と、この第2段層12と内部状態値の割り付けら
れる内部結合で結合して、線形ニューロン1の複数によ
り構成される第3段層13と、この第3段層13と内部
状態値の割り付けられる内部結合で結合して、線形ニュ
ーロン1の複数により構成される第4段層14と、この
第4段層14と内部状態値の割り付けられる内部結合で
結合して、線形ニューロン1の2つにより構成される第
5段層15と、例えば、以上に説明した階層ネットワー
ク構造とは別に用意されて、第5段層15の出力信号を
受け取る結論値決定手段16とから構成される。As shown in FIG. 22, this fuzzy structure-type neurocomputer is connected to an input layer 10 composed of linear neurons 1 for input variables, and this input layer 10 is connected by an internal connection to which internal state values are assigned. And a first stage layer 11 composed of a plurality of combinations of sigmoid neurons 2 and linear neurons 1, and the first stage layer 1
Combined with 1 and the internal join where the internal state value is assigned,
A second-stage layer 12 formed by a plurality of sigmoid neurons 2 and a third-stage layer 13 formed by a plurality of linear neurons 1 by being connected to the second-stage layer 12 by an internal connection to which internal state values are assigned. And a fourth-stage layer 14 composed of a plurality of linear neurons 1 connected to the third-stage layer 13 by an internal connection to which internal-state values are assigned, and an assignment of the fourth-stage layer 14 and internal-state values. The output signal of the fifth-stage layer 15 is prepared separately from the fifth-stage layer 15 composed of two linear neurons 1 and the hierarchical network structure described above. And a conclusion value determining means 16 for receiving.
【0016】ここで、この図22のファジィ構造型ニュ
ーロコンピュータは、図23に示すファジィルールを写
像するように階層ネットワークを構造化させたものであ
る。また、線形ニューロン1は、入力信号値をx、その
入力信号値xの内部結合に割り付けられる内部状態値を
ωとするならば、 y=Σωi xi で表される出力信号値yを出力するように動作するもの
であり、シグモイドニューロン2は、入力信号値をx、
その入力信号値xの内部結合に割り付けられる内部状態
値をω、シグモイド関数の閾値をθするならば、 y=1/(1+exp(−Σωi xi +θ)) で表される出力信号値yを出力するように動作するもの
である。The fuzzy structure-type neurocomputer shown in FIG. 22 is a structured hierarchical network that maps the fuzzy rules shown in FIG. Further, the linear neuron 1 outputs an output signal value y represented by y = Σω i x i, where x is an input signal value and ω is an internal state value assigned to the internal coupling of the input signal value x. The sigmoid neuron 2 inputs the input signal value x,
The internal state value to be assigned to the internal coupling of the input signal value x omega, if the threshold of the sigmoid function θ, y = 1 / (1 + exp (-Σω i x i + θ)) output signal value y represented by It operates so as to output.
【0017】ファジィ構造型ニューロコンピュータの第
1段層11は、入力信号(図22の例ではX,Y)が与
えられるときに、その入力信号の持つファジィルールの
前件部メンバーシップ関数のグレード値を算出するよう
に動作する。The first layer 11 of the fuzzy structure type neurocomputer, when an input signal (X, Y in the example of FIG. 22) is given, grades the antecedent part membership function of the fuzzy rule of the input signal. Operates to calculate a value.
【0018】この前件部メンバーシップ関数のグレード
値の算出処理は、以下の構成で実現される。すなわち、
前件部メンバーシップ関数は、図24に示すような関数
形状を持つものとして定義され、一方、シグモイドニュ
ーロン2は、ωとθの符号により、図25に示すような
入出力信号特性を有している。The calculation process of the grade value of the membership function of the antecedent part is realized by the following configuration. That is,
The antecedent part membership function is defined as having a function shape as shown in FIG. 24, while the sigmoid neuron 2 has input / output signal characteristics as shown in FIG. 25 by the signs of ω and θ. ing.
【0019】これから、図24中の「X is small 」の
ような前件部メンバーシップ関数は、入力層10の線形
ニューロン1と自層のシグモイドニューロン2との間の
内部結合に負の内部状態値ωを割り付けるとともに、シ
グモイドニューロン2が負の閾値θを演算し、かつ、後
続の線形ニューロン1との間の内部結合に内部状態値
“1”を割り付けることで実現できる。また、図24中
の「X is big 」のような前件部メンバーシップ関数
は、正の内部状態値ωを割り付けるとともに、正の閾値
θを演算し、かつ、後続の線形ニューロン1との間の内
部結合に内部状態値“1”を割り付けることで実現でき
る。From now on, a membership function such as "X is small" in FIG. 24 has a negative internal state in the internal connection between the linear neuron 1 of the input layer 10 and the sigmoid neuron 2 of its own layer. This can be realized by assigning the value ω, the sigmoid neuron 2 calculates a negative threshold value θ, and assigning the internal state value “1” to the internal connection with the subsequent linear neuron 1. Further, the antecedent part membership function such as “X is big” in FIG. 24 assigns a positive internal state value ω, calculates a positive threshold value θ, and performs the calculation with the subsequent linear neuron 1. This can be realized by assigning the internal state value "1" to the internal coupling of.
【0020】また、図24中の「X is middle」のよう
な前件部メンバーシップ関数は、負の内部状態値ωを割
り付けるとともに、負の閾値θを演算するシグモイドニ
ューロン2と、正の内部状態値ωを割り付けるととも
に、正の閾値θを演算するシグモイドニューロン2とを
用意するとともに、この2つのシグモイドニューロン2
の出力値の差分値を算出すべく、後続の線形ニューロン
1との間の内部結合にそれぞれ内部状態値“1”と“−
1”を割り付けることで実現できる。The antecedent membership function such as "X is middle" in FIG. 24 is a sigmoid neuron 2 that assigns a negative internal state value ω and calculates a negative threshold value θ, and a positive internal value. A sigmoid neuron 2 for allocating a state value ω and calculating a positive threshold value θ is prepared, and these two sigmoid neurons 2 are prepared.
In order to calculate the difference value of the output values of the internal state values "1" and "-", respectively.
It can be realized by assigning 1 ”.
【0021】ファジィ構造型ニューロコンピュータの第
2段層12は、各ファジィルールに対応付けて備えられ
るシグモイドニューロン2により構成されて、第1段層
11から前件部命題についてのグレード値が与えられる
ときに、ファジィルールに対しての適用値を算出するよ
うに動作する。The second stage layer 12 of the fuzzy structure type neurocomputer is composed of sigmoid neurons 2 provided in association with each fuzzy rule, and the grade value for the antecedent part proposition is given from the first stage layer 11. Sometimes it operates to calculate the applied value for the fuzzy rule.
【0022】このファジィルールに対しての適用値の算
出処理は、以下の構成で実現される。すなわち、ファジ
ィルールの前件部命題には、「X is small 」という命
題記述と、and 条件の有る「(X is small )and (Y
is small )」という命題記述とがある。前者の命題記
述に対しては、例えば、命題記述関係にある第1段層1
1の線形ニューロン1と自層のシグモイドニューロン2
との間の内部結合に“4.98”という値の内部状態値を割
り付けるとともに、自層のシグモイドニューロン2が
“-2.49 ”という閾値を演算することで実現できる。こ
の内部状態値/閾値の割り付けにより、第2段層12の
シグモイドニューロン2は、第1段層11の線形ニュー
ロン1の出力するグレード値を概略そのまま第3段層1
3に出力していくことで、ファジィルールに対しての適
用値を算出していく。The calculation process of the applied value for this fuzzy rule is realized by the following configuration. That is, the antecedent part proposition of the fuzzy rule has a propositional description of "X is small" and "(X is small) and (Y
is small) ". For the former propositional description, for example, the first layer 1 in the propositional description relation
1 linear neuron 1 and its own sigmoid neuron 2
This can be realized by assigning an internal state value of “4.98” to the internal connection between and and calculating the threshold value of “−2.49” by the sigmoid neuron 2 of its own layer. By the allocation of the internal state value / threshold value, the sigmoid neuron 2 of the second-stage layer 12 can directly use the grade value output from the linear neuron 1 of the first-stage layer 11 as it is.
By outputting to 3, the applicable value for the fuzzy rule is calculated.
【0023】一方、後者の命題記述に対しては、例え
ば、命題記述関係にある第1段層11の2つの線形ニュ
ーロン1と自層のシグモイドニューロン2との間の内部
結合に“7.0 ”という値の内部状態値を割り付けるとと
もに、自層のシグモイドニューロン2が“10.5 ”とい
う閾値を演算することで実現できる。この内部状態値/
閾値の割り付けにより、第2段層12のシグモイドニュ
ーロン2は、第1段層11の一方の線形ニューロン1の
出力するグレード値μA と、他方の線形ニューロン1の
出力するグレード値μB との限界積である「0∨(μA
+μB −1)」を概略算出して第3段層13に出力して
いくことで、ファジィルールに対しての適用値を算出し
ていく。On the other hand, with respect to the latter propositional description, for example, the internal connection between the two linear neurons 1 of the first stage layer 11 and the sigmoid neuron 2 of its own layer, which are in the propositional description relation, is called “7.0”. It can be realized by assigning the internal state value of the value and calculating the threshold value of "10.5" by the sigmoid neuron 2 of its own layer. This internal state value /
By assigning the threshold value, the sigmoid neuron 2 of the second-stage layer 12 has a grade value μ A output from one linear neuron 1 of the first-stage layer 11 and a grade value μ B output from the other linear neuron 1. The marginal product "0 ∨ (μ A
+ Μ B −1) ”is roughly calculated and output to the third layer 13, and the applicable value for the fuzzy rule is calculated.
【0024】ここで、後者の命題記述に、nで表される
3個以上のand 条件が記述される場合には、命題記述関
係にある第1段層11の2つの線形ニューロン1と自層
のシグモイドニューロン2との間の内部結合に“2h”
(但し、hは、1/(1+e -h)≒0を充足する値であ
り、例えば“3.3 ”に設定される)という値の内部状態
値を割り付けるとともに、自層のシグモイドニューロン
2が“2h(n−0.5)”という閾値を演算することで実現
できる。また、第2段層12では、後者の命題記述の
「and 」に対して、上述のような限界積以外の論理積演
算でもって実現することも可能であり、更に、ファジィ
ルールの前件部命題として、前者の命題記述しかないよ
うな場合には、第2段層12を線形ニューロン1で構成
して、この線形ニューロン1と第1段層11の線形ニュ
ーロン1との間の内部結合に“1”という値の内部状態
値を割り付けることで構成することも可能である。Here, the latter propositional description is represented by n.
When three or more and conditions are described, the propositional description function
Two linear neurons 1 of the first stage layer 11 and its own layer
"2h" for internal connection with sigmoid neuron 2
(However, h is 1 / (1 + e -h) ≈ 0 is a value that satisfies
Internal state with a value of, for example, set to "3.3")
Assigning values and sigmoid neurons of own layer
2 is realized by calculating the threshold value "2h (n-0.5)"
it can. In the second layer 12, the latter propositional description
For "and", the logical product other than the marginal product as described above
It is also possible to realize by arithmetic, and further, fuzzy
As the antecedent part of the rule, there is only the former proposition description.
In such a case, the second layer 12 is composed of linear neurons 1.
Then, the linear neurons of this linear neuron 1 and the first-stage layer 11 are
The internal state with a value of "1" for the inner connection with ron 1.
It is also possible to configure by assigning a value.
【0025】ファジィ構造型ニューロコンピュータの第
3段層13は、ファジィルールの後件部命題に対応付け
て備えられる線形ニューロン1により構成されて、第2
段層12からそのファジィルールに関しての適用値が与
えられるときに、ファジィルールの後件部命題に対して
の命題値を算出するように動作する。The third stage layer 13 of the fuzzy structure type neurocomputer is composed of a linear neuron 1 provided in association with the consequent part proposition of the fuzzy rule,
It operates to calculate the proposition value for the consequent part proposition of the fuzzy rule when the applicable value for that fuzzy rule is given from the layer 12.
【0026】この後件部命題に対しての命題値の算出処
理は、命題記述関係にある第2段層12のシグモイドニ
ューロン2と自層の線形ニューロン1との間の内部結合
にファジィルールの重要度を示す内部状態値を割り付け
ることで実現される。The processing of calculating the proposition value for the consequent part proposition is based on the fuzzy rule for the internal connection between the sigmoid neuron 2 of the second stage layer 12 and the linear neuron 1 of the self layer in the propositional description relation. It is realized by assigning an internal state value indicating importance.
【0027】ファジィ構造型ニューロコンピュータの第
4段層14は、ファジィルールの同一出力変数を単位に
して設けられる適切な個数の線形ニューロン1により構
成されて、第3段層13から命題値が与えられるとき
に、その命題値に従ってファジィルールの後件部メンバ
ーシップ関数を縮小するとともに、その縮小した同一の
出力変数についての後件部メンバーシップ関数の関数和
を算出するように動作する。The fourth stage layer 14 of the fuzzy structure type neurocomputer is composed of an appropriate number of linear neurons 1 provided in units of the same output variable of the fuzzy rule, and the proposition value is given from the third stage layer 13. At the same time, it operates so as to reduce the consequent part membership function of the fuzzy rule according to the proposition value and to calculate the functional sum of the consequent part membership functions for the same reduced output variables.
【0028】この後件部メンバーシップ関数に対しての
縮小関数和の算出処理は、以下の構成で実現されるすな
わち、図26に示すように、後件部メンバーシップ関数
を第4段層14の線形ニューロン1の個数に従って細か
く区画して各区画のグレード値αi を特定するととも
に、この特定したグレード値αi を第3段層13の線形
ニューロン1と自層の線形ニューロン1との間の内部結
合の内部状態値として割り付けることで実現する。The process of calculating the reduction function sum for the consequent part membership function is realized by the following configuration, that is, as shown in FIG. between with finely partitioned to identify the grade value alpha i of each section according to the number of linear neurons 1, a linear neuron 1 in the specified grade value alpha i linear neuron 1 the own layer of the third-stage layer 13 of It is realized by assigning it as the internal state value of the internal coupling of.
【0029】例えば、「Z is small 」という後件部命
題に対しては、「Z is small 」の後件部メンバーシッ
プ関数を補間するグレード値を第3段層13の線形ニュ
ーロン1との間の内部結合の内部状態値として割り付
け、「Z is middle」という後件部命題に対しては、
「Z is middle」の後件部メンバーシップ関数を補間す
るグレード値を第3段層13の線形ニューロン1との間
の内部結合の内部状態値として割り付け、「Z is big
」という後件部命題に対しては、「Z is big 」の後
件部メンバーシップ関数を補間するグレード値を第3段
層13の線形ニューロン1との間の内部結合の内部状態
値として割り付けることで、第3段層13から与えられ
る命題値に従ってファジィルールの各後件部メンバーシ
ップ関数が縮小されるとともに、その縮小された同一出
力変数Zについての後件部メンバーシップ関数の関数和
が得られるのである。For example, for the consequent part proposition “Z is small”, the grade value for interpolating the consequent part membership function of “Z is small” is set between the linear neuron 1 of the third layer 13. Assigned as the inner state value of the inner join of, and for the consequent part proposition "Z is middle",
The grade value that interpolates the consequent part membership function of "Z is middle" is assigned as the internal state value of the internal connection with the linear neuron 1 of the third layer 13, and "Z is big" is assigned.
For the consequent part proposition "", a grade value that interpolates the consequent part membership function of "Z is big" is assigned as the internal state value of the internal connection with the linear neuron 1 of the third stage layer 13. Therefore, each consequent part membership function of the fuzzy rule is reduced according to the proposition value given from the third stage layer 13, and the functional sum of the consequent part membership functions for the reduced same output variables Z is You can get it.
【0030】ファジィ構造型ニューロコンピュータの第
5段層15は、同一出力変数について2個の線形ニュー
ロン1により構成されて、第4段層14の線形ニューロ
ン1から縮小された後件部メンバーシップ関数の関数和
が与えられるときに、その関数和の重心値の算出に用い
る2つの重心導出値を算出するように動作する。The fifth-stage layer 15 of the fuzzy structure-type neurocomputer is composed of two linear neurons 1 for the same output variable, and the consequent membership function reduced from the linear neuron 1 of the fourth-stage layer 14 When the functional sum of the above is given, it operates so as to calculate two centroid derived values used for calculating the centroid value of the functional sum.
【0031】この重心導出値の算出処理は、以下の構成
で実現される。すなわち、第5段層15の一方の線形ニ
ューロン1と、第4段層14の線形ニューロン1との間
の内部結合に、0から1までの間で等間隔に増加する内
部状態値を割り付けるとともに、他方の線形ニューロン
1と、第4段層14の線形ニューロン1との間の内部結
合に、−1から0までの間で等間隔に増加する内部状態
値を割り付けることで実現できる。The calculation processing of the derived value of the center of gravity is realized by the following configuration. That is, the internal connection between one of the linear neurons 1 of the fifth layer 15 and the linear neuron 1 of the fourth layer 14 is assigned an internal state value that increases from 0 to 1 at equal intervals. , The other linear neuron 1 and the linear neuron 1 of the fourth layer 14 can be realized by allocating internal state values that increase from -1 to 0 at equal intervals.
【0032】このように内部状態値を割り付けると、例
えば、第4段層14の線形ニューロン1の個数が6個で
ある場合にあって、この6個の線形ニューロン1がCi
を出力する例で説明するならば、第5段層15の一方の
線形ニューロン1は、 Z1 =0・C1 +0.2 ・C2 +0.4 ・C3 +0.6 ・C4 +0.8 ・C5 +1・C6 他方の線形ニューロン1は、 Z2 =−1・C1 −0.8 ・C2 −0.6 ・C3 −0.4 ・C4 −0.2 ・C5 −0・C6 という重心導出値を算出する。When the internal state values are assigned in this way, for example, when the number of the linear neurons 1 in the fourth stage layer 14 is 6, the six linear neurons 1 are C i.
For example, one of the linear neurons 1 of the fifth stage layer 15 outputs Z 1 = 0.C 1 +0.2 .C 2 +0.4 .C 3 +0.6 .C 4 +0. 8 · C 5 + 1 · C 6 The other linear neuron 1 has a center of gravity of Z 2 = −1 · C 1 −0.8 · C 2 −0.6 · C 3 −0.4 · C 4 −0.2 · C 5 −0 · C 6. Calculate the derived value.
【0033】この2つの重心導出値Z1,Z2 を用いて、 Z=Z1 /(Z1 −Z2 ) を計算すると、 Z=Z1 /(C1 +C2 +C3 +C4 +C5 +C6 ) が算出されることになるが、これは、取りも直さず、 Z=∫grade(z)zdz /∫grade(z)dz というように、grade(z)で表される関数和の重心値を表
している。これから、第5段層15の線形ニューロン1
の算出する算出値が、第4段層14から出力される縮小
後件部メンバーシップ関数の関数和の重心値の算出に用
いられる重心導出値となるのである。When Z = Z 1 / (Z 1 -Z 2 ) is calculated using these two derived values of the center of gravity Z 1 and Z 2 , Z = Z 1 / (C 1 + C 2 + C 3 + C 4 + C 5 + C 6 ) will be calculated, but this is not fixed, and Z = ∫grade (z) zdz / ∫grade (z) dz, such as the sum of the functions represented by grade (z) It represents the center of gravity. From now on, the linear neuron 1 of the fifth layer 15
The calculated value calculated by is the center-of-gravity derived value used for calculating the center-of-gravity value of the function sum of the reduced consequent part membership functions output from the fourth layer 14.
【0034】ファジィ構造型ニューロコンピュータの備
える結論値決定手段16は、第5段層15から2つの重
心導出値が与えられるときに、ファジィルールの最終出
力となる結論値を算出するように動作する。The conclusion value determining means 16 provided in the fuzzy structure type neurocomputer operates so as to calculate the conclusion value which is the final output of the fuzzy rule when the five barycentric derived values are given from the fifth stage layer 15. ..
【0035】この結論値の算出処理は、上述したよう
に、第5段層15の出力する2つの重心導出値Z1,Z2
を用いて、 Z=Z1 /(Z1 −Z2 ) を算出することで実現される。なお、この結論値決定手
段16も、ネットワーク構造により構成することが可能
である。As described above, in the calculation process of the conclusion value, the two center-of-gravity derived values Z 1 and Z 2 output from the fifth layer 15 are output.
It is realized by calculating Z = Z 1 / (Z 1 −Z 2 ) using. The conclusion value determining means 16 can also be configured by a network structure.
【0036】このように、本出願人が特願平2-60256号
で開示したファジィ構造型ニューロンコンピュータは、
ファジィルールに従って構造化された階層ネットワーク
構造を持つことを特徴とするものであって、データ処理
目的にかなうファジィルールに従って階層ネットワーク
構造が初期化され、続いて、データ処理目的にかなう入
出力信号関係の教師信号が得られると、バックプロパゲ
ーション法等を実装する学習処理装置が、その教師信号
の入力提示信号を入力するときに出力される出力信号が
教師信号の出力提示信号となるようにと、調整対象とな
る階層ネットワーク構造の内部状態値/閾値(入力層
10と第1段層11との間の内部状態値と、第1段層1
1のシグモイドニューロン2の閾値、第2段層12と
第3段層13との間の内部状態値、第3段層13と第
4段層14との間の内部状態値)を学習することで、そ
のデータ処理目的を遂行するデータ処理装置として構築
していく構成を採るものである。この構成に従って、最
初に想定したファジィルールがデータ処理目的をかなう
ものに調整されていくことになる。As described above, the fuzzy structure type neuron computer disclosed by the present applicant in Japanese Patent Application No. 2-60256 is
It is characterized by having a hierarchical network structure structured according to a fuzzy rule, wherein the hierarchical network structure is initialized according to a fuzzy rule that meets the purpose of data processing, and subsequently, the input / output signal relationship that meets the purpose of data processing. When the learning processing device that implements the back propagation method or the like obtains the teacher signal of, the output signal output when the input presentation signal of the teacher signal is input becomes the output presentation signal of the teacher signal. , The internal state value / threshold value of the hierarchical network structure to be adjusted (the internal state value between the input layer 10 and the first layer 11 and the first layer 1
The threshold value of the sigmoid neuron 2 of 1, the internal state value between the second stage layer 12 and the third stage layer 13, the internal state value between the third stage layer 13 and the fourth stage layer 14) Then, a configuration is adopted in which the data processing apparatus is constructed to perform the data processing purpose. According to this configuration, the initially assumed fuzzy rules will be adjusted to meet the data processing purpose.
【0037】なお、本出願人が特願昭62-333484 号で開
示したように、シグモイドニューロン2の閾値は、内部
状態値と等価なものとして扱える構成が採れることか
ら、本明細書で内部状態値として記述するときには、こ
の閾値を含むものとして表現することがある。As disclosed by the present applicant in Japanese Patent Application No. 62-333484, the threshold of the sigmoid neuron 2 can be treated as being equivalent to the internal state value. When described as a value, it may be expressed as including this threshold value.
【0038】このように、このファジィ構造型ニューロ
コンピュータでは、ファジィモデルとニューロコンピュ
ータとを融合することで、ニューロコンピュータの弱点
をファジィモデルで補完するとともに、ファジィモデル
の弱点をニューロコンピュータで補完する構成を採って
いることを特徴とするものである。すなわち、どのよう
なデータ変換処理を実行しているかというニューロコン
ピュータに欠如している説明機能を、モデル化の容易な
ファジィモデルでもって補完するとともに、メンバーシ
ップ関数等の調整が難しいというファジィモデルの持つ
弱点を、学習の容易なニューロコンピュータでもって補
完することを特徴とするものである。As described above, in this fuzzy structure type neuro computer, the weak point of the neuro computer is complemented by the fuzzy model and the weak point of the fuzzy model is complemented by the neuro computer by fusing the fuzzy model and the neuro computer. It is characterized by taking. In other words, the explanation function that is lacking in the neurocomputer, such as what kind of data conversion processing is being performed, is complemented by a fuzzy model that is easy to model, and the fuzzy model that the adjustment of membership functions etc. is difficult. It is characterized by complementing the weaknesses it has with a neurocomputer that is easy to learn.
【0039】次に、このファジィ構造型ニューロコンピ
ュータを用いて実現した本発明の債券格付け決定装置
と、本発明の財務コンサルティング方法との原理構成に
ついて説明する。Next, the principle configuration of the bond rating determination device of the present invention realized using this fuzzy structure type neurocomputer and the financial consulting method of the present invention will be described.
【0040】図1に本発明の原理構成を図示する。図
中、100は本発明により構成される債券格付け決定装
置である。この債券格付け決定装置100は、上述のフ
ァジィ構造型ニューロコンピュータにより構成されるも
のであって、階層ネットワーク構造部分を構成するネッ
トワーク構成データ処理手段20と、ネットワーク構造
又は非ネットワーク構造から構成されて、ネットワーク
構成データ処理手段20の算出する重心導出値からファ
ジィルールの最終出力となる結論値を決定する結論値決
定手段16と、ネットワーク構成データ処理手段20の
階層ネットワーク構造部分の持つ内部結合に割り付けら
れる学習対象及び非学習対象の内部状態値を管理する内
部状態値管理手段21とから構成される。FIG. 1 illustrates the principle configuration of the present invention. In the figure, reference numeral 100 is a bond rating determination device configured according to the present invention. The bond rating determination device 100 is composed of the above-mentioned fuzzy structure type neuro computer, and is composed of a network structure data processing means 20 forming a hierarchical network structure part and a network structure or a non-network structure. It is allocated to the conclusion value determination means 16 for determining the conclusion value which is the final output of the fuzzy rule from the centroid derived value calculated by the network configuration data processing means 20 and the internal connection of the hierarchical network structure portion of the network configuration data processing means 20. The internal state value management unit 21 manages internal state values of the learning target and the non-learning target.
【0041】このネットワーク構成データ処理手段20
は、ファジィ構造型ニューロコンピュータの階層ネット
ワーク構造部分に相当するものであって、入力信号を分
配する処理ユニット(線形ニューロン1)の複数により
構成される入力層10と、入力層10から与えられる入
力信号と、この入力信号に対応付けられる学習対象の内
部状態値との乗算値を入力として、入力信号が示すファ
ジィルールの前件部メンバーシップ関数のグレード値を
算出する処理ユニット(線形ニューロン1/シグモイド
ニューロン2)の複数により構成される第1段層11
と、第1段層11の後段にファジィルール対応に備えら
れて、算出されたグレード値と、このグレード値に対応
付けられる非学習対象の内部状態値との乗算値を入力と
して、ファジィルールに対しての適用値を算出する処理
ユニット(シグモイドニューロン2)の複数により構成
される第2段層12と、第2段層12の後段にファジィ
ルールの後件部命題対応に備えられて、算出されたファ
ジィルールの適用値と、このファジィルールの重要度を
示す学習対象の内部状態値との乗算値を入力として、後
件部命題に対しての命題値を算出する処理ユニット(線
形ニューロン1)の複数により構成される第3段層13
と、第3段層13の後段に備えられ、複数の線形ニュー
ロン1より構成されて、算出された命題値に従って内部
状態値(学習対象となる)により規定されるファジィル
ールの後件部メンバーシップ関数を変形してその関数和
を算出する第4段層14と、第4段層14の後段に備え
られ、2つの線形ニューロン1より構成されて、算出さ
れた関数和からこの関数和の重心値の算出に用いる重心
導出値を算出する第5段層15とから構成される。This network configuration data processing means 20
Corresponds to a hierarchical network structure portion of a fuzzy structure-type neurocomputer, and includes an input layer 10 composed of a plurality of processing units (linear neurons 1) for distributing an input signal, and an input given from the input layer 10. A processing unit (the linear neuron 1 / the linear neuron 1 / the input signal that is the multiplication value of the internal state value of the learning target that is associated with this input signal) is input to calculate the grade value of the antecedent membership function of the fuzzy rule. First-stage layer 11 composed of a plurality of sigmoid neurons 2)
Then, the fuzzy rule is provided in the subsequent stage of the first-stage layer 11 in correspondence with the fuzzy rule, and the product of the calculated grade value and the internal state value of the non-learning target associated with this grade value is input to the fuzzy rule. The second stage layer 12 including a plurality of processing units (sigmoid neurons 2) for calculating the applied value for the second stage layer 12 and the subsequent stage of the second stage layer 12 are provided for the consequent part proposition of the fuzzy rule, and are calculated. A processing unit that calculates a proposition value for the consequent proposition by using the multiplication value of the applied value of the fuzzy rule and the internal state value of the learning target indicating the importance of the fuzzy rule as input (linear neuron 1 ) Third layer 13 composed of a plurality of
And the consequent part membership of the fuzzy rule, which is provided in the latter stage of the third layer 13 and is composed of a plurality of linear neurons 1 and is defined by the internal state value (being a learning target) according to the calculated proposition value. A fourth stage layer 14 for transforming a function to calculate its function sum, and a second stage of the fourth stage layer 14 are provided and are composed of two linear neurons 1. The center of gravity of this function sum is calculated from the calculated function sum. And the fifth layer 15 for calculating the derived value of the center of gravity used for calculating the value.
【0042】債券格付け決定装置100を構築する場
合、財務データと債券格付けとの対応関係を記述するフ
ァジィルールがネットワーク構成データ処理手段20の
階層ネットワーク構造部分に写像される構成が採られ
る。When constructing the bond rating determining apparatus 100, a fuzzy rule describing the correspondence between financial data and bond ratings is mapped onto the hierarchical network structure portion of the network structure data processing means 20.
【0043】200は教師信号管理装置であって、多数
の会社の財務データと、格付け機関により格付けされた
これらの会社に対しての債券格付け情報との対応関係を
教師信号として管理するものである。Reference numeral 200 denotes a teacher signal management device, which manages, as a teacher signal, the correspondence relationship between the financial data of a number of companies and the bond rating information for these companies rated by the rating agencies. ..
【0044】300は学習処理装置であって、教師信号
管理装置200の管理する教師信号の財務データをネッ
トワーク構成データ処理手段20に入力するときに、結
論値決定手段16から対となる債券格付け情報が出力さ
れることになるようにと、バックプロパゲーション法等
のアルゴリズムに従ってネットワーク構成データ処理手
段20の学習対象の内部状態値を学習して、内部状態値
管理手段21に格納していくよう処理するものである。Reference numeral 300 is a learning processing device, and when the financial data of the teacher signal managed by the teacher signal management device 200 is input to the network configuration data processing means 20, the bond rating information which forms a pair from the conclusion value determining means 16 So as to be output, the internal state value of the learning target of the network configuration data processing means 20 is learned according to an algorithm such as the backpropagation method and stored in the internal state value management means 21. To do.
【0045】400は財務コンサルティング装置であっ
て、内部状態値管理手段21の管理データに従って、ネ
ットワーク構成データ処理手段20の第3段層13の持
つ内部状態値の大きさを評価することで、債券格付けに
重要な影響を与えるファジィルールを特定するファジィ
ルール評価手段401と、コンサルティング対象となる
財務データが与えられるときに、ファジィルール評価手
段401により特定されたファジィルールに記述される
財務データのデータ値を操作しつつネットワーク構成デ
ータ処理手段20に入力していくとともに、この入力に
応答して出力される結論値決定手段16の債券格付け情
報を評価していくことで、財務コンサルテーションを実
行していく財務コンサルティング実行手段402とを備
える。Reference numeral 400 denotes a financial consulting device, which evaluates the magnitude of the internal state value of the third layer 13 of the network configuration data processing means 20 according to the management data of the internal state value management means 21 to issue a bond. The data of the financial data described in the fuzzy rule specified by the fuzzy rule evaluation means 401 when the fuzzy rule evaluation means 401 for specifying the fuzzy rule that significantly affects the rating and the financial data to be consulted are given. The financial consultation is executed by operating the values and inputting them into the network configuration data processing means 20, and by evaluating the bond rating information of the conclusion value determining means 16 output in response to this input. Financial consulting execution means 402.
【0046】[0046]
【作用】本発明では、ユーザは、債券格付け決定装置1
00を構築する場合、先ず最初に、財務データと債券格
付けとの対応関係を記述するファジィルールを生成す
る。In the present invention, the user is the bond rating determination device 1
In the case of constructing 00, first, a fuzzy rule that describes the correspondence between financial data and bond ratings is generated.
【0047】次に、ユーザは、このようにして生成した
ファジィルールをネットワーク構成データ処理手段20
の階層ネットワーク構造部分に写像する。すなわち、そ
のファジィルールの持つ前件部メンバーシップ関数のグ
レード値の算出を実現できるようにと、第1段層11の
シグモイドニューロン2への内部結合に割り付けられる
内部状態値を設定するとともに、シグモイドニューロン
2の演算する閾値を設定し、かつ、シグモイドニューロ
ン2と後続の線形ニューロン1との間の内部結合の内部
状態値を前件部メンバーシップ関数の関数形状に整合さ
せて“1”か“−1”に設定する。ここで、この設定さ
れる“1”か“−1”の内部状態値は、前件部メンバー
シップ関数の関数形状により規定されるものであること
から学習対象とはならない。Next, the user applies the fuzzy rules thus generated to the network configuration data processing means 20.
To the hierarchical network structure part of. That is, in order to realize the calculation of the grade value of the antecedent membership function of the fuzzy rule, the internal state value assigned to the internal connection to the sigmoid neuron 2 of the first stage layer 11 is set, and the sigmoid is set. A threshold value to be calculated by the neuron 2 is set, and the internal state value of the internal connection between the sigmoid neuron 2 and the subsequent linear neuron 1 is matched with the function shape of the antecedent part membership function to be "1" or " Set to -1 ". Here, since the set internal state value of "1" or "-1" is defined by the function shape of the antecedent part membership function, it is not a learning target.
【0048】そして、そのファジィルールの前件部命題
に合わせて、命題記述関係にある第2段層12のシグモ
イドニューロン2と第1段層11の線形ニューロン1と
の間の内部結合に対して内部状態値を設定するととも
に、シグモイドニューロン2の演算する閾値を設定す
る。上述のファジィ構造型ニューロコンピュータで一例
として示したように、「and 」の無い前件部命題に対し
ては、例えば、内部状態値として“4.98”を設定すると
ともに、閾値として“-2.49 ”を設定し、「and 」の有
る前件部命題に対しては、例えば、内部状態値として
“7.0 ”を設定するとともに、閾値として“10.5”を設
定するのである。ここで、この設定される内部状態値と
閾値は、前件部命題により規定されるものであることか
ら学習対象とはならない。Then, according to the antecedent part of the fuzzy rule, the internal connection between the sigmoid neuron 2 of the second stage layer 12 and the linear neuron 1 of the first stage layer 11 in the propositional description relation The internal state value is set and the threshold value calculated by the sigmoid neuron 2 is set. As shown as an example in the above fuzzy structure type neurocomputer, for the antecedent part proposition without "and", for example, the internal state value is set to "4.98" and the threshold value is set to "-2.49". For the antecedent part proposition with "and" set, for example, "7.0" is set as the internal state value and "10.5" is set as the threshold value. Here, since the internal state value and the threshold value that are set are defined by the antecedent part proposition, they are not learning targets.
【0049】そして、そのファジィルールの重要度を表
示する内部状態値を、命題記述関係にある第2段層12
のシグモイドニューロン2と第3段層13の線形ニュー
ロン1との間の内部結合に設定する。すなわち、ルール
1の重要度が“1.0 ”である場合には、ルール1の割り
付けられる第2段層12のシグモイドニューロン2と、
そのルール1の後件部命題の割り付けられる第3段層1
3の線形ニューロン1との間の内部結合に“1.0 ”を設
定し、ルール2の重要度が“0.2 ”である場合には、ル
ール2の割り付けられる第2段層12のシグモイドニュ
ーロン2と、そのルール2の後件部命題の割り付けられ
る第3段層13の線形ニューロン1との間の内部結合に
“0.2 ”を設定するのである。Then, the internal state value indicating the degree of importance of the fuzzy rule is set to the second layer 12 in the propositional description relation.
The internal connection between the sigmoid neuron 2 and the linear neuron 1 of the third layer 13 is set. That is, when the importance of rule 1 is “1.0”, the sigmoid neuron 2 of the second stage layer 12 to which rule 1 is assigned,
Third consequential layer 1 to which consequent proposition of rule 1 is assigned
When the inner connection with the linear neuron 1 of 3 is set to “1.0” and the importance of rule 2 is “0.2”, the sigmoid neuron 2 of the second stage layer 12 to which rule 2 is assigned, "0.2" is set to the internal connection between the linear neuron 1 of the third stage layer 13 to which the consequent part proposition of rule 2 is assigned.
【0050】そして、そのファジィルールの持つ後件部
メンバーシップ関数の区画グレード値を内部状態値とし
て、第3段層13と第4段層14との間の内部結合に設
定する。この設定処理により、第4段層14は、第3段
層13から与えられる命題値に従ってそのファジィルー
ルの後件部メンバーシップ関数を縮小するとともに、そ
の縮小した後件部メンバーシップ関数の関数和を算出す
るよう動作できることになる。Then, the partition grade value of the consequent part membership function of the fuzzy rule is set as the internal state value for the internal connection between the third layer 13 and the fourth layer 14. By this setting processing, the fourth-stage layer 14 reduces the consequent part membership function of the fuzzy rule in accordance with the proposition value given from the third-stage layer 13, and also the function sum of the contracted consequent part membership functions. Would be operable to calculate
【0051】このようにして、財務データと債券格付け
との対応関係を記述するファジィルールがネットワーク
構成データ処理手段20の階層ネットワーク構造部分に
写像されることになる。なお、第4段層14と第5段層
15との間の内部結合に割り付けられる内部状態値は、
上述したように、生成されるファジィルールに依らずに
固定的な値が設定されることから学習対象とはならな
い。In this way, the fuzzy rule describing the correspondence between the financial data and the bond rating is mapped to the hierarchical network structure portion of the network configuration data processing means 20. The internal state value assigned to the internal coupling between the fourth layer 15 and the fifth layer 15 is
As described above, since a fixed value is set regardless of the generated fuzzy rule, it is not a learning target.
【0052】続いて、ユーザは、学習処理装置300を
起動する。このようにして起動されると、学習処理装置
300は、教師信号管理装置200の管理する教師信号
の財務データをネットワーク構成データ処理手段20に
入力するときに、結論値決定手段16から対となる債券
格付け情報が出力されることになるようにと、バックプ
ロパゲーション法のアルゴリズムに従って、第1段層1
1のシグモイドニューロン2への内部結合に割り付けら
れる内部状態値と、それらのシグモイドニューロン2が
演算する閾値とを学習していくとともに、第3段層13
の線形ニューロン1への内部結合に割り付けられる内部
状態値と、第4段層14の線形ニューロン1への内部結
合に割り付けられる内部状態値とを学習していく。Subsequently, the user activates the learning processing device 300. When activated in this way, the learning processing device 300 forms a pair from the conclusion value determination means 16 when the financial data of the teacher signal managed by the teacher signal management device 200 is input to the network configuration data processing means 20. According to the backpropagation algorithm, the first tier 1
The internal state value assigned to the internal connection to the sigmoid neuron 2 of 1 and the threshold value calculated by those sigmoid neurons 2 are learned, and the third-stage layer 13
The internal state value assigned to the internal connection to the linear neuron 1 and the internal state value assigned to the internal connection to the linear neuron 1 in the fourth layer 14 are learned.
【0053】この学習処理により、ネットワーク構成デ
ータ処理手段20と結論値決定手段16とから構成され
る債券格付け決定装置100は、債券の格付けの実行し
ていない財務データが入力されてくると、その財務デー
タが示す債券の格付け情報を出力していくよう動作する
ことになる。By this learning process, the bond rating determination device 100, which is composed of the network configuration data processing means 20 and the conclusion value determination means 16, receives the financial data for which the bond rating has not been executed, It will operate so as to output the bond rating information indicated by the financial data.
【0054】このようにして構築される債券格付け決定
装置100は、エキスパートの用いていた債券格付けの
決定手順をファジィルールとして写像しつつニューロコ
ンピュータ動作により債券格付け情報を決定していく構
成を採るものであることから、ニューロコンピュータそ
のものを用いる債券格付け決定装置よりも高精度でもっ
て債券格付け情報を決定できるようになる。そして、フ
ァジィルールだけに従うのでは、ファジィルールの調整
が難しいという点があるために債券格付け情報を高精度
で決定できないのに対して、ニューロコンピュータ動作
による学習動作に従って、写像されたファジィルールの
調整も自動的に実行できるようになることから、ファジ
ィルールそのものを用いる債券格付け決定装置よりも高
精度でもって債券格付け情報を決定できるようになるの
である。The bond rating determination device 100 constructed in this way has a structure in which bond rating information is determined by a neuro computer operation while mapping the bond rating determination procedure used by the expert as a fuzzy rule. Therefore, the bond rating information can be determined with higher accuracy than the bond rating determining device using the neuro computer itself. And, if only the fuzzy rules are followed, it is difficult to adjust the fuzzy rules, so the bond rating information cannot be determined with high accuracy, whereas according to the learning operation by the neuro computer operation, the adjusted fuzzy rules are adjusted. Since it can be automatically executed, bond rating information can be determined with higher accuracy than the bond rating determining device using the fuzzy rule itself.
【0055】学習処理装置300の学習処理が完了する
と、ユーザは、財務コンサルティング装置400を起動
する。このようにして起動されると、財務コンサルティ
ング装置400のファジィルール評価手段401は、ネ
ットワーク構成データ処理手段20の第3段層13の持
つ学習内部状態値の大きさを評価することで、債券格付
けに重要な影響を与えるファジィルールを特定する。例
えば、当初に、重要度“1.0 ”と債券格付けに大きな影
響を与えるファジィルールとして想定したものであって
も、学習後の重要度が低い値を示すときには、債券格付
けに小さな影響しか与えないものと再評価し、これとは
逆に、当初に、重要度“0.2 ”と債券格付けに小さな影
響しか与えないファジィルールとして想定したものであ
っても、学習後の重要度が高い値を示すときには、債券
格付けに大きな影響を与えるものと再評価していくとい
ったように、ファジィルールの重要度を表示することに
なる第3段層13の持つ学習内部状態値の大きさを評価
していくことで、各ファジィルールの重要度を再評価し
ていくのである。When the learning process of the learning processing device 300 is completed, the user activates the financial consulting device 400. When activated in this way, the fuzzy rule evaluation means 401 of the financial consulting apparatus 400 evaluates the magnitude of the learning internal state value held by the third-tier layer 13 of the network configuration data processing means 20 to obtain a bond rating. Identify fuzzy rules that have a significant impact on. For example, even if it was initially assumed as a fuzzy rule that had a significant impact on the bond rating of “1.0”, it would only have a small impact on the bond rating when the value after learning showed a low value. However, on the contrary, even if it was initially assumed as a fuzzy rule that had a small impact on the bond rating of “0.2” and the bond rating, when the value after learning showed a high value, , Assessing the magnitude of the learning internal state value of the third tier 13 that displays the degree of importance of fuzzy rules, such as reevaluating it as having a major impact on bond ratings Then, the importance of each fuzzy rule is re-evaluated.
【0056】ファジィルール評価手段401が債券格付
けに重要な影響を与えるファジィルールを特定すると、
財務コンサルティング装置400の財務コンサルティン
グ実行手段402は、コンサルティング対象となる財務
データが与えられるときに、ユーザと対話することで、
この財務データの内のファジィルール評価手段401に
より特定されたファジィルールに記述される財務データ
のデータ値を操作することで、この与えられた財務デー
タを変更していく。そして、この変更した財務データを
ネットワーク構成データ処理手段20に入力していくと
ともに、この入力に応答して出力される結論値決定手段
16の債券格付け情報をユーザに表示していくことで、
財務コンサルテーションを実行していく。When the fuzzy rule evaluation means 401 identifies a fuzzy rule that has an important influence on the bond rating,
The financial consulting execution means 402 of the financial consulting device 400 interacts with the user when the financial data to be consulted is given,
The given financial data is changed by operating the data value of the financial data described in the fuzzy rule specified by the fuzzy rule evaluation means 401 in the financial data. By inputting the changed financial data into the network configuration data processing means 20 and displaying the bond rating information of the conclusion value determining means 16 output in response to the input to the user,
Carry out financial consultation.
【0057】このようにして、本発明により構築される
債券格付け決定装置100を用いて、債券の格付けを上
げるための財務コンサルテーションを行うと、財務デー
タの各項目が、債券の格付けに大きな影響を与えている
のか、小さな影響しか与えていないかということが数値
的に分かることから、債券の格付けを上げるためには、
どのように財務データの改善を図ればよいのかというこ
とを試行錯誤的な方法に依らずに把握できるようになる
のである。In this way, when a financial consultation for raising the rating of a bond is performed using the bond rating determination device 100 constructed according to the present invention, each item of financial data has a great influence on the rating of the bond. Since it is possible to numerically understand whether the bond is being given or whether it has only a small influence, in order to raise the bond rating,
It will be possible to understand how to improve financial data without trial and error.
【0058】[0058]
【実施例】以下、実施例に従って本発明を詳細に説明す
る。先ず最初に、財務データと債券格付けとの対応関係
を記述するファジィルールを生成するために、格付けさ
れている銘柄が多く、過去の経験から定性的要因の格付
けに与える影響が少ないと考えられる電気・機械関連の
企業の中から、89年4月〜90年3月の間に12ケ月決算を
持つ56社を選択して、それら各社の決算データを有証
実績財務データベースより取得した。The present invention will be described in detail below with reference to examples. First of all, in order to generate fuzzy rules that describe the correspondence between financial data and bond ratings, there are many stocks that have been rated, and past experience is thought to have little impact on the rating of qualitative factors. -Of the machinery-related companies, we selected 56 companies that had 12-month accounts between April 1989 and March 1990, and obtained the account settlement data for each of these companies from the certified financial database.
【0059】次に、債券格付けに影響を与えると考えら
れる財務データとして、専門家のアドバイスや過去のノ
ウハウから、自己資本、資産合計、売上高、営
業利益、経常利益、自己資本比率、一株当たり純
利益、長期負債構成比率、インタレスト・カバレッ
ジ・レシオの9項目をリストアップした。図2に、56
社の内の5社に関しての、この9項目についての財務デ
ータを一例として図示する。続いて、これらの9項目を
キーにして、選択した56社の財務データと、債券格付
けとの対応関係を検討することで、財務データと債券格
付けとの対応関係を記述するファジィルールを生成する
ことを試みた。Next, as financial data considered to affect the bond rating, from the advice of experts and past know-how, equity capital, total assets, sales, operating income, ordinary income, equity ratio, one share We have listed nine items: net income per unit, long-term debt composition ratio, and interest coverage ratio. In FIG. 2, 56
The financial data for these nine items for five of the companies are shown as an example. Next, by using these 9 items as keys, by examining the correspondence between the financial data of the selected 56 companies and the bond rating, a fuzzy rule describing the correspondence between the financial data and the bond rating is generated. Tried that.
【0060】このファジィルール生成にあたっては、最
初に、9項目の財務データの内の自己資本、資産合計、
売上高、経常利益、営業利益といった規模を表す財務デ
ータに着目して、これらの内で最も格付けに影響を与え
る財務データを検討した。この結果、経常利益が最も格
付けに影響を与える財務データであることが判明し、こ
の経常利益から、最も基本的な基本分類ルールとして、 (1)経常利益が大きければ、債券格付けは高い。 (2)経常利益が普通ならば、債券格付けは普通であ
る。 (3)経常利益が小さければ、債券格付けは低い。 という3つのファジィルールを得た。In generating this fuzzy rule, first, the capital, total assets, and
Focusing on the financial data that represents the scale of sales, ordinary profit, and operating profit, we examined the financial data that most affect the rating among these. As a result, it was revealed that ordinary profit is the financial data that most affects the rating. From this ordinary profit, the most basic basic classification rules are: (1) If ordinary profit is large, the bond rating is high. (2) If ordinary income is normal, the bond rating is normal. (3) If the ordinary profit is small, the bond rating is low. I got three fuzzy rules.
【0061】次に、経常利益の大きさによってデータを
並び変え、基本分類による格付けと実際の格付けとを比
較して、経常利益以外の財務データを調べた。この結
果、基本分類ルールを補う修正分類ルールとして、 (1)自己資本が大きければ、債券格付けは高い。 (2)自己資本が小さければ、債券格付けは低い。 (3)インタレスト・カバレッジ・レシオが大きけれ
ば、債券格付けは高い。 (4)インタレスト・カバレッジ・レシオが小さけれ
ば、債券格付けは低い。 (5)長期負債構成比率が低ければ、債券格付けは高
い。 (6)長期負債構成比率が高ければ、債券格付けは低
い。 (7)自己資本比率が低ければ、債券格付けは低い。 という7つのファジィルールを得た。Next, the data was rearranged according to the magnitude of ordinary profit, and the ratings by the basic classification were compared with the actual ratings to examine financial data other than ordinary profit. As a result, as a modified classification rule that supplements the basic classification rule, (1) If the equity capital is large, the bond rating is high. (2) If the equity capital is small, the bond rating is low. (3) If the interest coverage ratio is large, the bond rating is high. (4) If the interest coverage ratio is small, the bond rating is low. (5) If the long-term debt composition ratio is low, the bond rating is high. (6) If the long-term debt composition ratio is high, the bond rating is low. (7) If the equity ratio is low, the bond rating is low. I got 7 fuzzy rules.
【0062】図3に、これらのファジィルールの一覧を
図示する。ここで、図中、「p」は前件部命題が「高い
・大きい」であることを表し、「q」は前件部命題が
「普通」であることを表し、「r」は前件部命題が「低
い・小さい」であることを表している。また、図中に示
すように、基本分類ルールに対しては、ルールの重要度
として“1.0 ”を設定し、修正分類ルールに対しては、
ルールの重要度として“0.2 ”を設定した。FIG. 3 shows a list of these fuzzy rules. Here, in the figure, “p” represents that the antecedent part proposition is “high / large”, “q” represents that the antecedent part proposition is “normal”, and “r” is the antecedent. It means that the divisional proposition is "low / small". Also, as shown in the figure, "1.0" is set as the importance of the rule for the basic classification rule, and for the modified classification rule,
"0.2" was set as the importance of the rule.
【0063】このようにして、経常利益、自己資本、イ
ンタレスト・カバレッジ・レシオ、長期負債構成比率及
び自己資本比率を入力変数とし、債券格付け情報を出力
変数とする10個のファジィルールを得た。これから図
1で説明したネットワーク構成データ処理手段20は、
このファジィルールに従って、債券格付け決定装置10
0として構築する場合には、図4に示すようなネットワ
ーク構造(第4段層14の線形ニューロン1の個数は1
0個としている)を持つことになる。なお、図中のp,
q,rは、それぞれ図3中のp,q,rの命題に対応し
ている。In this way, ten fuzzy rules using the ordinary profit, the equity capital, the interest coverage ratio, the long-term debt composition ratio and the equity ratio as input variables and the bond rating information as output variables were obtained. The network configuration data processing means 20 described with reference to FIG.
According to this fuzzy rule, the bond rating determination device 10
When constructed as 0, the network structure as shown in FIG. 4 (the number of linear neurons 1 in the fourth layer 14 is 1
I have 0). In addition, p,
q and r correspond to the propositions of p, q, and r in FIG. 3, respectively.
【0064】ここで、上述のファジィ構造ニューロコン
ピュータの説明で詳述したように、第1段層11のシグ
モイドニューロン2と線形ニューロン1との間の内部結
合に割り付けられる内部状態値は、前件部命題が「高い
・大きい」か「低い・小さい」の場合には“1”、前件
部命題が「普通」の場合には“1”と“−1”というよ
うに固定的に定められることになって学習対象とはなら
ない。Here, as described in detail in the above description of the fuzzy structure neurocomputer, the internal state value assigned to the internal connection between the sigmoid neuron 2 and the linear neuron 1 of the first layer 11 is It is fixedly set to "1" when the divisional proposition is "high / large" or "low / small", and "1" and "-1" when the antecedent divisional proposition is "normal". In some cases, it is not a learning target.
【0065】また、第1段層11の線形ニューロン1と
第2段層12のシグモイドニューロン2との間の内部結
合に割り付けられる内部状態値と、このシグモイドニュ
ーロン2が演算する閾値についても、前件部命題中のan
d 条件の個数により決められており、このファジィルー
ルのようにand 条件が無い場合には、例えば、内部状態
値は“4.98”、閾値は“-2.49 ”というように固定的に
定められることになって学習対象とはならない。The internal state value assigned to the internal connection between the linear neuron 1 in the first layer 11 and the sigmoid neuron 2 in the second layer 12 and the threshold value calculated by the sigmoid neuron 2 are also described above. An in the proposition
It is decided by the number of d conditions, and when there is no and condition like this fuzzy rule, for example, the internal state value is fixedly set to "4.98" and the threshold value is set to "-2.49". It doesn't become a learning target.
【0066】また、第2段層12のシグモイドニューロ
ン2と第3段層13の線形ニューロン1との間の内部結
合に割り付けられる内部状態値は、ルールの重要度の値
が設定される構成が採られており、図3に示したよう
に、今回は、基本分類ルールに対しては、ルールの重要
度として“1.0 ”を設定し、修正分類ルールに対して
は、ルールの重要度として“0.2 ”を設定しているの
で、経常利益に関してのルールに対応付けられる第2段
層12のシグモイドニューロン2との間の内部結合の内
部状態値は“1.0 ”、それ以外のルールに対応付けられ
る第2段層12のシグモイドニューロン2との間の内部
結合の内部状態値は“0.2 ”と設定されることになる。
この内部結合は学習対象となる。The internal state value assigned to the internal connection between the sigmoid neuron 2 of the second layer 12 and the linear neuron 1 of the third layer 13 is set to the value of the importance of the rule. As shown in Fig. 3, this time, "1.0" is set as the importance of the rule for the basic classification rule, and "1.0" is set as the importance of the rule for the modified classification rule. Since 0.2 "is set, the internal state value of the internal connection with the sigmoid neuron 2 of the second layer 12 associated with the rule regarding the ordinary profit is" 1.0 ", and associated with other rules. The internal state value of the internal connection with the sigmoid neuron 2 of the second layer 12 is set to "0.2".
This inner join is a learning target.
【0067】また、第4段層14の線形ニューロン1と
第5段層15の線形ニューロン1との間の内部結合に割
り付けられる内部状態値は、重心導出値を算出するため
に、0から1までの間で等間隔に増加する値と、−1か
ら0までの間で等間隔に増加する値に従って割り付けら
れることが定められている。この内部状態値は、学習対
象とはならない。The internal state value assigned to the internal connection between the linear neuron 1 of the fourth layer 14 and the linear neuron 1 of the fifth layer 15 is from 0 to 1 in order to calculate the centroid derived value. It is specified that the values are assigned according to a value that increases in even intervals between 1 and 0 and a value that increases in even intervals between -1 and 0. This internal state value is not a learning target.
【0068】財務データと債券格付けとの対応関係を記
述するファジィルールを生成したので、続いて、これら
のファジィルールの持つメンバーシップ関数を定義し
た。図5に、定義したメンバーシップ関数の関数形状を
規定するパラメータ値を図示する。図中、「decr」は図
6(a)に示すような減少関数を表しており、「tri 」
は図6(b)に示すような三角形関数を表しており、
「incr」は図6(c)に示すような増加関数を表してい
る。また、図中の「a」は、図6に示すメンバーシップ
関数の折り返し点aの座標位置を表しており、図中の
「b」は、図6に示す折り返し点bの座標位置を表して
おり、図中の「c」は、図6に示す折り返し点cの座標
位置を表している。Since the fuzzy rules describing the correspondence between the financial data and the bond rating were generated, subsequently, the membership functions of these fuzzy rules were defined. FIG. 5 illustrates parameter values that define the function shape of the defined membership function. In the figure, "decr" represents a decreasing function as shown in FIG. 6A, and "tri"
Represents a trigonometric function as shown in FIG.
“Incr” represents an increasing function as shown in FIG. Further, “a” in the figure represents the coordinate position of the turning point a of the membership function shown in FIG. 6, and “b” in the figure represents the coordinate position of the turning point b shown in FIG. In the figure, "c" represents the coordinate position of the turning point c shown in FIG.
【0069】図7に、このように定義される経常利益に
関してのメンバーシップ関数を一例として図示するとと
もに、図8に、後件部命題の債券格付けに関してのメン
バーシップ関数を一例として図示する。ここで、後述す
るように、債券の格付け値は“0”から“1”の間の値
を示すことから、図8の横軸もこれに合わせて“0”か
ら“1”の値域となる。FIG. 7 illustrates the membership function regarding the ordinary profit defined in this way as an example, and FIG. 8 illustrates the membership function regarding the bond rating of the consequent proposition as an example. Here, as will be described later, since the rating value of the bond indicates a value between “0” and “1”, the horizontal axis of FIG. 8 is also in the range of “0” to “1” accordingly. ..
【0070】図1で説明したように、生成したファジィ
ルールの持つ前件部メンバーシップ関数は、ネットワー
ク構成データ処理手段20の階層ネットワーク構造の第
1段層11に写像されることになる。As described with reference to FIG. 1, the antecedent part membership function of the generated fuzzy rule is mapped to the first layer 11 of the hierarchical network structure of the network configuration data processing means 20.
【0071】この写像処理は、具体的には、前件部メン
バーシップ関数が図6(a)に示すような減少関数であ
る場合には、グレード値が“1”となるときの入力変数
Xの値aを“α−β”、グレード値が“0”となるとき
の入力変数Xの値bを“α+β”と表すならば、入力層
10の線形ニューロン1と自層のシグモイドニューロン
2との間の内部結合に内部状態値“−h/β”を割り付
けるともに、シグモイドニューロン2が“−hα/β”
という閾値を演算することで実現できる。ここで、h
は、1/(1+e-h)≒0を充足する値であり、例えば
“3.3 ”に設定されるものである。More specifically, this mapping process is performed by using the input variable X when the grade value becomes "1" when the antecedent part membership function is a decreasing function as shown in FIG. 6 (a). If the value a of the input variable X is “α−β” and the value b of the input variable X when the grade value is “0” is “α + β”, the linear neuron 1 of the input layer 10 and the sigmoid neuron 2 of its own layer are The internal state value “-h / β” is assigned to the internal connection between the two, and the sigmoid neuron 2 receives “-hα / β”.
It can be realized by calculating the threshold. Where h
Is a value that satisfies 1 / (1 + e −h ) ≈0, and is set to, for example, “3.3”.
【0072】また、前件部メンバーシップ関数が図6
(b)に示すような三角形関数である場合には、グレー
ド値が“1”となるときの入力変数Xの値bを“α”、
グレード値が“0”となるときの小さい方の入力変数X
の値aを“α−2β”、大きい方の入力変数Xの値cを
“α+2β”と表すならば、入力層10の線形ニューロ
ン1と自層の一方のシグモイドニューロン2との間の内
部結合に内部状態値“h/β”を割り付けるともに、そ
のシグモイドニューロン2が“h(α−β)/β”とい
う閾値を演算し、入力層10の線形ニューロン1と自層
の他方のシグモイドニューロン2との間の内部結合に内
部状態値“h/β”を割り付けるとともに、そのシグモ
イドニューロン2が“h(α+β)/β”という閾値を
演算することで実現できる。The membership function of the antecedent part is shown in FIG.
In the case of the triangular function as shown in (b), the value b of the input variable X when the grade value becomes “1” is “α”,
The smaller input variable X when the grade value becomes "0"
If the value a of is expressed as “α−2β” and the value c of the larger input variable X is expressed as “α + 2β”, the internal connection between the linear neuron 1 of the input layer 10 and one of the sigmoid neurons 2 of its own layer The internal state value “h / β” is assigned to the sigmoid neuron 2 and the threshold value “h (α−β) / β” is calculated by the sigmoid neuron 2, and the linear neuron 1 of the input layer 10 and the other sigmoid neuron 2 of its own layer are calculated. This can be realized by assigning an internal state value “h / β” to the internal connection between and and calculating the threshold value “h (α + β) / β” by the sigmoid neuron 2.
【0073】また、前件部メンバーシップ関数が図6
(c)に示すような増加関数である場合には、グレード
値が“1”となるときの入力変数Xの値cを“α+
β”、グレード値が“0”となるときの入力変数Xの値
bを“α−β”と表すならば、入力層10の線形ニュー
ロン1と自層のシグモイドニューロン2との間の内部結
合に内部状態値“h/β”を割り付けるともに、シグモ
イドニューロン2が“hα/β”という閾値を演算する
ことで実現できる。The membership function of the antecedent part is shown in FIG.
In the case of the increasing function as shown in (c), the value c of the input variable X when the grade value becomes “1” is “α +
If the value b of the input variable X when β and the grade value are “0” is represented by “α-β”, the internal connection between the linear neuron 1 of the input layer 10 and the sigmoid neuron 2 of its own layer This can be realized by assigning the internal state value “h / β” to and the sigmoid neuron 2 calculates a threshold value “hα / β”.
【0074】図9に、この写像処理に従って、図4に示
したネットワーク構成データ処理手段20の第1段層1
1のシグモイドニューロン2への内部結合に割り付けら
れることになる内部状態値と、そのシグモイドニューロ
ン2が演算することになる閾値とを図示する。ここで、
図中の「RK1,RK2,RK3」、「RJ1,RJ
2」、「RI1,RI2」、「RC1,RC2」、「R
R1」は、図3に示した各ルールに対応付けて備えられ
るシグモイドニューロン2を表している。FIG. 9 shows the first layer 1 of the network configuration data processing means 20 shown in FIG. 4 in accordance with this mapping process.
The internal state value to be assigned to the internal connection of 1 to the sigmoid neuron 2 and the threshold value to be calculated by the sigmoid neuron 2 are illustrated. here,
"RK1, RK2, RK3", "RJ1, RJ" in the figure
2 "," RI1, RI2 "," RC1, RC2 "," R
“R1” represents the sigmoid neuron 2 provided in association with each rule shown in FIG.
【0075】一方、図1で説明したように、生成したフ
ァジィルールの持つ後件部メンバーシップ関数は、図4
に図示したネットワーク構成データ処理手段20の階層
ネットワーク構造の第3段層13と第4段層14の間の
内部結合の内部状態値の設定値として写像されることに
なる。On the other hand, as described in FIG. 1, the consequent part membership function of the generated fuzzy rule is shown in FIG.
It is mapped as the set value of the internal state value of the internal coupling between the third layer 13 and the fourth layer 14 of the hierarchical network structure of the network configuration data processing means 20 shown in FIG.
【0076】すなわち、債券の格付けが高いとか、普通
とか、低いとかいう後件部命題に対しての後件部メンバ
ーシップ関数は、図5に定義したものであって、図8に
その関数形状を図示してある。今回、債券格付け決定装
置100として構築することになる図4に図示したネッ
トワーク構成データ処理手段20では、第4段層14の
線形ニューロン1の個数を10個とする構成を採ってい
る。これから、この写像処理は、具体的には、図10に
示すように、債券格付け値が“0.1"、“0.2"、“0.3"、
“0.4"、“0.5"、“0.6"、“0.7"、“0.8"、“0.9"、
“1.0"であるときの、各後件部メンバーシップ関数のグ
レード値を特定して、その特定したグレード値を第3段
層13と第4段層14の間の内部結合の内部状態値とし
て設定していくことで実行される。That is, the consequent part membership function for consequent part propositions such as high, normal, and low bond ratings is defined in FIG. 5, and the function shape is shown in FIG. It is shown. The network configuration data processing means 20 shown in FIG. 4, which is to be constructed as the bond rating determination device 100 this time, has a configuration in which the number of linear neurons 1 in the fourth layer 14 is 10. From this, as for this mapping processing, as shown in FIG. 10, the bond rating values are “0.1”, “0.2”, “0.3”,
"0.4", "0.5", "0.6", "0.7", "0.8", "0.9",
When the grade value of each consequent part membership function when "1.0" is specified, the specified grade value is used as the internal state value of the internal coupling between the third tier 13 and the fourth tier 14. It is executed by setting.
【0077】このようにして、図4に図示したネットワ
ーク構成データ処理手段20の階層ネットワーク構造の
全ての内部状態値と閾値とが設定されることで、生成し
た財務データと債券格付けとの対応関係を記述するファ
ジィルールが、この階層ネットワーク構造上に写像され
ることになるのである。In this way, by setting all the internal state values and thresholds of the hierarchical network structure of the network configuration data processing means 20 shown in FIG. 4, the corresponding relationship between the generated financial data and the bond rating. The fuzzy rule that describes is mapped onto this hierarchical network structure.
【0078】ユーザは、ファジィルールがネットワーク
構成データ処理手段20の階層ネットワーク構造上に写
像されると、図1で説明した教師信号管理装置200に
対して、ファジィルールの生成に用いた56社の5項目
の財務データ(経常利益、自己資本、インタレスト・カ
バレッジ・レシオ、長期負債構成比率、自己資本比率)
と、格付け機関による格付け情報との対データを教師信
号として登録してから、図1で説明した学習処理装置3
00を起動していくことになる。When the fuzzy rules are mapped on the hierarchical network structure of the network configuration data processing means 20, the user instructs the teacher signal management device 200 described in FIG. Five items of financial data (ordinary income, equity capital, interest coverage ratio, long-term debt composition ratio, equity ratio)
And the pairing data of the rating information by the rating agency is registered as a teacher signal, and then the learning processing device 3 described with reference to FIG.
00 will be started.
【0079】ここで、教師信号として登録する財務デー
タは、Here, the financial data registered as the teacher signal is
【0080】[0080]
【数1】 [Equation 1]
【0081】に従って、“0”から“1”の値域のもの
に変換して登録した。この〔数1〕式で、“0.95”を乗
算してから“0.05”を加算しているのは、シグモイド関
数の特性上、両端に近い値を避けたかったことにその理
由がある。また、データの分布に偏りのある財務データ
に関しては、あらかじめ自然対数処理を行っている。そ
して、教師信号として登録する格付け情報は、図21に
示すような9段階ではなくて、「AAA」、「AA」、
「A」、「BBB」、「BB」の5段階を基本として、
この中を更に「+」と「−」とで差をつける図11に示
すような12段階を用いることとして、図に示すよう
に、これらの各段階を“0”から“1”の値域にある債
券格付け値に変換して登録した。なお、「BB」と「B
B+」の格付け値を共に“0.1 ”に変換したのは、この
2つの格付け情報の標本数が少ないからである。In accordance with the above, the value was converted from "0" to that in the value range of "1" and registered. The reason for adding "0.05" after multiplying by "0.95" in this [Equation 1] is that we wanted to avoid values near both ends due to the characteristics of the sigmoid function. Natural logarithmic processing is performed in advance for financial data with a biased data distribution. Then, the rating information registered as the teacher signal does not have the nine levels as shown in FIG. 21, but “AAA”, “AA”,
Based on the five stages of "A", "BBB", and "BB",
By using 12 steps as shown in FIG. 11 in which a difference between “+” and “−” is further used, each of these steps is changed from “0” to “1” as shown in the figure. Converted to a bond rating and registered. In addition, "BB" and "B
The reason why both the rating values of "B +" are converted to "0.1" is that the number of samples of these two rating information is small.
【0082】学習処理装置300は、起動されると、教
師信号管理装置200の管理する教師信号の財務データ
をネットワーク構成データ処理手段20に入力するとき
に、結論値決定手段16から対となる債券格付け値が出
力されることになるようにと、バックプロパゲーション
法のアルゴリズムに従って、第1段層11のシグモイド
ニューロン2への内部結合に割り付けられる内部状態値
と、それらのシグモイドニューロン2の演算する閾値と
を学習していくことで、前件部メンバーシップ関数の関
数形状をチューニングし、第3段層13の線形ニューロ
ン1への内部結合に割り付けられる内部状態値を学習し
ていくことで、各ファジィルールの重要度をチューニン
グしていくとともに、第4段層14の線形ニューロン1
への内部結合に割り付けられる内部状態値を学習してい
くことで、後件部メンバーシップ関数の関数形状をチュ
ーニングしていく。When the learning processing device 300 is activated, when the financial data of the teacher signal managed by the teacher signal management device 200 is input to the network configuration data processing means 20, the conclusion value determining means 16 makes a pair of bonds. In order to output the rating value, the internal state values assigned to the internal connections to the sigmoid neurons 2 of the first stage layer 11 and the sigmoid neurons 2 are calculated according to the algorithm of the back propagation method. By tuning the function shape of the antecedent membership function by learning the threshold value, and learning the internal state value assigned to the internal connection to the linear neuron 1 of the third stage layer 13, While tuning the importance of each fuzzy rule, the linear neuron 1 of the fourth layer 14
Tuning the function shape of the consequent part membership function by learning the internal state value assigned to the inner join to.
【0083】この学習処理により、ネットワーク構成デ
ータ処理手段20と結論値決定手段16とから構成され
る債券格付け決定装置100は、ニューロコンピュータ
動作に従って、債券の格付けの実行していない財務デー
タが入力されてくると、その財務データが示す債券の格
付け情報を出力していくよう動作することになる。Through this learning process, the bond rating determination device 100, which is composed of the network configuration data processing means 20 and the conclusion value determination means 16, receives the financial data that has not been subjected to the bond rating according to the neurocomputer operation. When it comes in, it will operate to output the rating information of the bond indicated by the financial data.
【0084】図12及び図13に、1300回の学習を行っ
た時点で得られた学習結果の内部状態値及び閾値を図示
する。ここで、図13にあって、破線が、学習実行後の
内部状態値を表すものであって、実線は、図8にも示し
た学習実行前の内部状態値を表すものである。12 and 13 show the internal state value and the threshold value of the learning result obtained when the learning is performed 1300 times. Here, in FIG. 13, the broken line represents the internal state value after learning execution, and the solid line represents the internal state value before learning execution also shown in FIG.
【0085】そして、図14(a)に、図12に示した
内部状態値/閾値により特定されることになる学習後の
経常利益に関しての前件部メンバーシップ関数を図示す
るとともに、図15(a)に、図12に示した内部状態
値/閾値により特定されることになる学習後の自己資本
比率に関しての前件部メンバーシップ関数を図示する。
ここで、図中の破線が、学習実行後の前件部メンバーシ
ップ関数(p,q,rは、それぞれ図3中の命題に対応
する前件部メンバーシップ関数)を表すものであって、
実線は、学習実行前の前件部メンバーシップ関数を表す
ものである。また、“0”から“1”の値域にスケーリ
ングされている経常利益の本来の値は図14(b)に示
すものであり、“0”から“1”の値域にスケーリング
されている自己資本比率の本来の値は図15(b)に示
すものである。Then, FIG. 14A shows the membership function of the antecedent part regarding the ordinary profit after learning to be specified by the internal state value / threshold shown in FIG. In a), the antecedent part membership function regarding the equity ratio after learning to be specified by the internal state value / threshold value shown in FIG. 12 is illustrated.
Here, the broken line in the figure represents the antecedent part membership function (p, q, and r are the antecedent part membership functions corresponding to the propositions in FIG. 3) after the learning execution,
The solid line represents the membership function before the learning. Further, the original value of the ordinary profit scaled from the range of “0” to “1” is shown in FIG. 14B, and the equity capital scaled from the range of “0” to “1” is shown. The original value of the ratio is shown in FIG.
【0086】このように、財務データと債券格付けとの
対応関係を記述するファジィルールに従って階層ネット
ワーク構造部の初期化されたネットワーク構成データ処
理手段20は、学習処理装置300により教師信号を用
いて学習されていくことで、そのファジィルールをより
精度の高いものにと自動チューニングしていくよう処理
することになるのである。As described above, the network configuration data processing means 20 initialized in the hierarchical network structure section according to the fuzzy rule describing the correspondence between the financial data and the bond rating is learned by the learning processing device 300 using the teacher signal. By doing so, the fuzzy rule will be automatically tuned to a more accurate one.
【0087】このようにして構築される本発明の債券格
付け決定装置100は、高精度のものにチューニングさ
れたファジィルールを実現するものであることから、チ
ューニングされていないファジィルールそのものを用い
る債券格付け決定装置よりも高精度でもって債券格付け
情報を決定できるようになるとともに、エキスパートの
用いていた債券格付けの決定手順をファジィルールとし
て写像しつつニューロコンピュータ動作により債券格付
け情報を決定していく構成を採るものであることから、
ニューロコンピュータそのものを用いる債券格付け決定
装置よりも高精度でもって債券格付け情報を決定できる
ようになる。Since the bond rating determination device 100 of the present invention thus constructed realizes a fuzzy rule tuned to a high precision, the bond rating using the untuned fuzzy rule itself. The bond rating information can be determined with higher accuracy than the deciding device, and the bond rating information is determined by a neuro computer operation while mapping the bond rating determination procedure used by the expert as a fuzzy rule. Because it is taken,
The bond rating information can be determined with higher accuracy than the bond rating determination device using the neuro computer itself.
【0088】次に、実験結果に従って、この点について
検証する。図16に、学習処理に用いなかった図17に
示す25社の財務データ/債券格付け情報をテストデー
タとして用いて、このテストデータの財務データを入力
したときに本発明の債券格付け決定装置100が出力す
る債券格付け値と、このテストデータの債券格付け値と
の誤差の2乗和を算出してプロットした実験データを図
示する。ここで、図中の横軸は、上述した学習処理の学
習回数である。Next, this point will be verified according to the experimental results. In FIG. 16, using the financial data / bond rating information of 25 companies shown in FIG. 17 not used in the learning process as test data, when the financial data of this test data is input, the bond rating determination device 100 of the present invention The experimental data which calculated and plotted the square sum of the error of the bond rating value to output and the bond rating value of this test data is illustrated. Here, the horizontal axis in the figure represents the number of times of learning in the above-described learning process.
【0089】一方、図18に、従来のニューロコンピュ
ータにより構成される債券格付け決定装置についての対
応する実験データを図示する。すなわち、9個の入力ユ
ニットからなる入力層と、3個の基本ユニットからなる
中間層と、1個の基本ユニットからなる出力層とから構
成されるニューロコンピュータを用意し、このニューロ
コンピュータを本発明の債券格付け決定装置100の構
築に用いた56社の財務データ/債券格付け情報に従っ
て学習していくことで債券格付け決定装置として構築し
ていく構成を採って、図17に示す25社の財務データ
/債券格付け情報をテストデータとして用いて、このテ
ストデータの財務データを入力したときにこの債券格付
け決定装置が出力する債券格付け値と、このテストデー
タの債券格付け値との誤差の2乗和を算出してプロット
した実験データを図18に図示するものである。On the other hand, FIG. 18 shows the corresponding experimental data for a bond rating determination device constructed by a conventional neurocomputer. That is, a neurocomputer including an input layer composed of nine input units, an intermediate layer composed of three basic units, and an output layer composed of one basic unit is prepared. The financial data of the 25 companies shown in FIG. 17 is adopted by constructing the bond rating determining device by learning according to the financial data / bond rating information of the 56 companies used to construct the bond rating determining device 100 of FIG. / Using bond rating information as test data, the square sum of the error between the bond rating value output by this bond rating determining device when the financial data of this test data is input and the bond rating value of this test data is calculated. The experimental data calculated and plotted is shown in FIG.
【0090】この図16の実験データから、本発明の債
券格付け決定装置100を用いると、56社の教師信号
に対して僅か300 回の学習を行うだけでも、25社のテ
ストデータに対しての誤差二乗和が“0.079372”と極め
て小さなものになることが分かる。このとき、誤差の絶
対値が“0.1 ”以下に入るときを正解とするならば、2
5社の内の24社が正解であった。これに対して、図1
8の実験データから、ニューロコンピュータにより構築
される従来の債券格付け決定装置を用いると、56社の
教師信号に対して11500 回の学習を行っても、25社の
テストデータに対しての誤差二乗和が“0.124317”とな
かなか小さくならないことが分かる。このとき、25社
の内の20社が正解であった。From the experimental data of FIG. 16, using the bond rating determination device 100 of the present invention, it is possible to compare the test data of 25 companies with only 300 learnings of the teacher signals of 56 companies. It can be seen that the error sum of squares is extremely small, “0.079372”. At this time, if the correct answer is when the absolute value of the error falls below “0.1”, then 2
24 of the 5 companies were correct. On the other hand, FIG.
From the experimental data of 8 above, using the conventional bond rating determination device constructed by a neuro computer, the error squared against the test data of 25 companies is obtained even if the training signals of 56 companies are trained 11500 times. It can be seen that the sum does not easily decrease to "0.124317". At this time, 20 out of 25 companies were correct.
【0091】また、本発明の債券格付け決定装置100
の構築に用いた図3のファジィルール(メンバーシップ
関数は図5のもの)に従って、25社のテストデータに
対してのファジィ推論を実行した所によると、誤差二乗
和は“0.154770”で、25社の内の21社が正解であっ
た。すなわち、学習前の本発明の債券格付け決定装置1
00を用いると、テストデータに対しての誤差二乗和が
“0.124317”で、25社の内の21社が正解であったの
である。Further, the bond rating determination device 100 of the present invention
According to the fuzzy inference for the test data of 25 companies according to the fuzzy rule of FIG. 3 (the membership function is that of FIG. 5) used to construct the, the error sum of squares is “0.154770”, Twenty-one of the companies were correct. That is, the bond rating determination device 1 of the present invention before learning
When 00 is used, the error sum of squares for the test data is “0.124317”, and 21 of the 25 companies have the correct answer.
【0092】これらの実験データから、本発明の債券格
付け決定装置100は、従来のニューロコンピュータに
より構築される債券格付け決定装置に比べて、極めて少
ない学習回数により構築可能となるとともに、高精度で
もって債券格付け情報を決定できることが明らかとなっ
た。また、本発明の債券格付け決定装置100は、チュ
ーニングされていない従来のファジィルールに比べて、
高精度でもって債券格付け情報を決定できることが明ら
かとなったのである。From these experimental data, the bond rating determining apparatus 100 of the present invention can be constructed with a very small number of learnings and with high accuracy as compared with the bond rating determining apparatus constructed by the conventional neurocomputer. It became clear that bond rating information could be determined. In addition, the bond rating determination device 100 of the present invention is more advantageous than the conventional untuned fuzzy rules.
It became clear that bond rating information could be determined with high accuracy.
【0093】本発明の債券格付け決定装置100を用い
ると、従来のニューロコンピュータでは不可能であった
実行データ処理内容を、チューニングされた高精度のフ
ァジィルールの言葉で理解できるようになる。これか
ら、債券格付けを向上させるためには、どの財務項目を
どれだけ改善すれば良いかをアドバイスする財務コンサ
ルテーションが合理的に実行できることになる。すなわ
ち、従来のニューロコンピュータを用いる債券格付け決
定装置では、どの財務項目がどの程度債券格付けに効い
ているかを知ることができないことから、試行錯誤的に
財務データを変更していくことで財務コンサルテーショ
ンを実行しなければならなかったのに対して、本発明の
債券格付け決定装置100を用いると、債券格付けを向
上させるためには、どの財務項目をどれだけ改善すれば
良いかを適格に知ることができることから、財務コンサ
ルテーションを合理的に実行できるようになるのであ
る。By using the bond rating determination device 100 of the present invention, it becomes possible to understand the contents of execution data processing, which has been impossible with the conventional neurocomputer, in the words of the tuned and highly accurate fuzzy rules. From now on, in order to improve the bond rating, a financial consultation that advises which financial items should be improved and how much can be reasonably implemented. In other words, with a bond rating determination device that uses a conventional neurocomputer, it is not possible to know which financial item is effective to which extent to the bond rating, and therefore financial consultation can be performed by changing financial data through trial and error. Whereas the bond rating determining apparatus 100 of the present invention is used, it is possible to properly know which financial item should be improved and how much to improve the bond rating. As a result, financial consultation can be carried out reasonably.
【0094】次に、この財務コンサルテーションへの応
用について説明する。図12に示す学習実行後の内部状
態値/閾値より、以下の点が明らかとなる。すなわち、 (1)「経常利益が大きければ、債券格付けは高い」と
いうルールRK1の重要度が、ルールRK2,RK3に
比べて相対的に増し、また、図14に示すように、その
ルールRK1の前件部メンバーシップ関数の関数形状が
鋭くなったことから、債券の格付けが高い部分では、経
常利益が重要な要素と考えられる。 (2)「自己資本比率が低ければ、債券格付けは低い」
というルールRR1の重要度が、学習前に比べて大きく
増加し、また、図15に示すように、そのルールRR1
の前件部メンバーシップ関数の関数形状が鋭くなったこ
とから、債券の格付けが低い部分では、自己資本比率が
重要な要素と考えられる。 (3)「自己資本が小さければ、債券格付けは低い」と
いうルールRJ2の重要度が、ルールRJ1に比べて相
対的に増したことから、債券の格付けが低い部分では、
自己資本が重要な要素と考えられる。 (4)「長期負債構成比率が低ければ、債券格付けは高
い」というルールRC1と、「長期負債構成比率が高け
れば、債券格付けは低い」というルールRC2と、「イ
ンタレスト・カバレッジ・レシオが小さければ、債券格
付けは低い」というルールRI2の重要度が、他のルー
ルの重要度に比べてゼロ値に近いことから、債券の格付
けに影響を与えないルールであると考えられる。これか
ら、図3に示したルールの内、ルールRK1,RK2,
RK3,RJ1,RJ2,RI1,RR1が債券の格付
けに影響を与える有効なルールであると考えられる。Next, the application to this financial consultation will be described. The following points become clear from the internal state value / threshold value after learning shown in FIG. That is, (1) the importance of the rule RK1 that "the higher the ordinary profit is, the higher the bond rating is" is relatively higher than that of the rules RK2 and RK3, and as shown in FIG. Since the function shape of the membership function in the antecedent has become sharper, recurring profit is considered to be an important factor in the part where the bond rating is high. (2) “If the equity ratio is low, the bond rating is low”
The importance of the rule RR1 is greatly increased compared to that before learning, and as shown in FIG.
Since the shape of the membership function of the antecedent part of (1) has become sharper, the capital adequacy ratio is considered to be an important factor in the portion with a low bond rating. (3) The importance of rule RJ2, “If the equity capital is small, the bond rating is low” is relatively higher than that of rule RJ1, so in the part where the bond rating is low,
Equity is considered an important factor. (4) Rule RC1 that "the bond rating is high if the long-term debt composition ratio is low", rule RC2 that "the bond rating is low if the long-term debt composition ratio is high", and if the interest coverage ratio is low The degree of importance of the rule RI2 that "the bond rating is low" is closer to zero than the importance of the other rules, and therefore it is considered that the rule does not affect the bond rating. From now on, among the rules shown in FIG. 3, rules RK1, RK2,
It is considered that RK3, RJ1, RJ2, RI1, and RR1 are effective rules that affect the rating of bonds.
【0095】これらのことから、図19(a)に示すよ
うな財務データを持つことで、債券格付け「BBB+」
が与えられているε社の債券格付けを、「A−」に格上
げするための財務データの改善について考察してみる。From these facts, by having the financial data as shown in FIG. 19 (a), the bond rating "BBB +" can be obtained.
Let us consider the improvement of financial data to upgrade the bond rating of ε company, which is given to, to “A−”.
【0096】図19(b)に、この財務データを入力し
たときに、上述の有効なルールの内の、比較的大きな前
件部メンバーシップ関数グレード値を示す発火ルールの
グレード値を図示するとともに、このグレード値と学習
されたその発火ルールの重要度(図12に示した第2段
層12と第3段層13との間の内部状態値)との乗算値
であるウェイト値を図示する。このウェイト値を考慮す
ると、ε社の債券格付けを「A−」に格上げするために
は、経常利益を増加させるか、自己資本を増やすか、イ
ンタレスト・カバレッジ・レシオを拡大することが有効
であることが推察される。FIG. 19 (b) shows the grade value of the firing rule showing a relatively large antecedent membership function grade value among the above-mentioned valid rules when this financial data is input. , A weight value that is a product of this grade value and the degree of importance of the learned firing rule (the internal state value between the second stage layer 12 and the third stage layer 13 shown in FIG. 12) is shown. .. Considering this weight value, it is effective to increase ordinary income, increase equity capital, or increase the interest coverage ratio in order to upgrade the bond rating of ε company to “A−”. It is guessed that.
【0097】図19(c)に、ε社に関して、どの程
度、経常利益や自己資本やインタレスト・カバレッジ・
レシオを増加させると、債券格付け値“0.45”が指す債
券格付け「A−」を実現できるかの一例を図示する。FIG. 19 (c) shows how much ordinary income, equity capital, interest coverage, etc. for company ε.
An example of whether the bond rating "A-" indicated by the bond rating value "0.45" can be realized by increasing the ratio is illustrated.
【0098】また、図20(a)に示すような財務デー
タを持つことで、債券格付け「A+」が与えられている
ζ社の債券格付けを、「AA−」に格上げするための財
務データの改善について考察してみる。Further, by having the financial data as shown in FIG. 20 (a), the financial data for upgrading the bond rating of ζ company, which is given the bond rating of “A +”, to “AA−” Consider improvements.
【0099】図20(b)に、この財務データを入力し
たときに、上述の有効なルールの内の、比較的大きな前
件部メンバーシップ関数グレード値を示す発火ルールの
グレード値を図示するとともに、このグレード値と学習
されたその発火ルールの重要度との乗算値であるウェイ
ト値を図示する。このウェイト値を考慮すると、ζ社の
債券格付けを「AA−」に格上げするためには、経常利
益を増加させるか、自己資本を増やすか、インタレスト
・カバレッジ・レシオを拡大することが有効であること
が推察されるが、自己資本については、ルールRJ1の
グレードを上げても、効果が現れるのはルールRI1の
グレードを超えてからなので効率が悪いことから対象か
ら外すことが適切である。FIG. 20 (b) shows the grade value of the firing rule showing a relatively large antecedent membership function grade value among the above-mentioned valid rules when this financial data is input. , A weight value that is a product of this grade value and the importance of the learned firing rule is illustrated. Considering this weight value, it is effective to increase ordinary income, increase equity capital, or increase the interest coverage ratio in order to upgrade the bond rating of ζ company to “AA-”. It is presumed that, even if the grade of rule RJ1 is raised, the effect will not appear even if the grade of rule RJ1 is exceeded since it exceeds the grade of rule RI1, so it is appropriate to exclude it from the target.
【0100】図20(c)に、ζ社に関して、どの程
度、経常利益や自己資本やインタレスト・カバレッジ・
レシオを増加させると、債券格付け値“0.65”が指す債
券格付け「AA−」を実現できるかの一例を図示する。
このデータから、経常利益の増加を図らなければ債券格
付け「AA−」が達成できないことが分かる。FIG. 20 (c) shows the extent of recurring profit, equity capital and interest coverage for company ζ.
An example of whether the bond rating "AA-" indicated by the bond rating "0.65" can be realized by increasing the ratio is illustrated.
From this data, it can be seen that the bond rating "AA-" cannot be achieved without increasing ordinary profit.
【0101】上述したように、本発明の債券格付け決定
装置100は、高精度のものにチューニングされたファ
ジィルールを実現するものであることから、チューニン
グされていないファジィルールそのものを用いる債券格
付け決定装置よりも高精度でもって債券格付け情報を決
定できるようになるとともに、エキスパートの用いてい
た債券格付けの決定手順をファジィルールとして写像し
つつニューロコンピュータ動作により債券格付け情報を
決定していく構成を採るものであることから、ニューロ
コンピュータそのものを用いる債券格付け決定装置より
も高精度でもって債券格付け情報を決定できるようにな
る。As described above, since the bond rating determination device 100 of the present invention realizes a fuzzy rule tuned to a highly accurate one, the bond rating determination device using the untuned fuzzy rule itself. The bond rating information can be determined with higher accuracy than that of the above, and the bond rating information is determined by neuro computer operation while mapping the bond rating determination procedure used by the expert as a fuzzy rule. Therefore, the bond rating information can be determined with higher accuracy than the bond rating determining device using the neuro computer itself.
【0102】すなわち、ファジィルールを複雑なものに
設計すると、メンバーシップ関数等のチューニングがう
まく実現(この作業が極めて負荷のかかるものである)
できれば、債券格付けの精度を上げることができるので
あるが、本発明に従うと、ニューロコンピュータ動作に
よりメンバーシップ関数等のチューニング精度を高めら
れることから、簡単なファジィルールでもって複雑なフ
ァジィルールと同等の債券格付けを実行できるというこ
とになる。That is, if the fuzzy rule is designed to be complicated, tuning of membership functions and the like can be realized well (this work is extremely burdensome).
If possible, the accuracy of the bond rating can be improved, but according to the present invention, the tuning accuracy of the membership function and the like can be improved by the neurocomputer operation, so that a simple fuzzy rule is equivalent to a complicated fuzzy rule. This means that we can execute bond ratings.
【0103】そして、ニューロコンピュータのネットワ
ーク構造を複雑なものに設計すると、ネットワーク構造
の学習がうまく実現(このために多数の教師信号が必要
となるとともに、長い学習時間が要求されることにな
る)できれば、債券格付けの精度を上げることができる
のであるが、本発明に従うと、ネットワーク構造をファ
ジィルールに従って初期化していることから、簡単なネ
ットワーク構造でもって複雑なネットワーク構造と同等
の債券格付けを実行できるということになるのである。When the network structure of the neurocomputer is designed to be complicated, the learning of the network structure is successfully realized (for this reason, a large number of teacher signals are required and a long learning time is required). If possible, it is possible to improve the accuracy of the bond rating, but according to the present invention, since the network structure is initialized according to the fuzzy rules, a bond rating equivalent to a complicated network structure can be executed with a simple network structure. It means that you can do it.
【0104】[0104]
【発明の効果】以上説明したように、本発明により構築
される債券格付け決定装置は、エキスパートの用いてい
た債券格付けの決定手順をファジィルールとして写像し
つつニューロコンピュータ動作により債券格付け情報を
決定していく構成を採るものであることから、ニューロ
コンピュータそのものを用いる債券格付け決定装置より
も高精度でもって債券格付け情報を決定できるようにな
る。As described above, the bond rating determination device constructed according to the present invention determines bond rating information by neuro computer operation while mapping the bond rating determination procedure used by the expert as a fuzzy rule. As a result, the bond rating information can be determined with higher accuracy than the bond rating determining device using the neuro computer itself.
【0105】そして、ファジィルールだけに従うので
は、ファジィルールの調整が難しいという点があるため
に債券格付け情報を高精度で決定できないのに対して、
ニューロコンピュータ動作による学習動作に従って、写
像されたファジィルールの調整も自動的に実行できるよ
うになることから、ファジィルールそのものを用いる債
券格付け決定装置よりも高精度でもって債券格付け情報
を決定できるようになるのである。Since it is difficult to adjust the fuzzy rules if only the fuzzy rules are followed, the bond rating information cannot be determined with high accuracy.
Since it becomes possible to automatically execute the adjustment of the mapped fuzzy rules according to the learning operation by the neuro computer operation, it is possible to determine the bond rating information with higher accuracy than the bond rating determination device using the fuzzy rules themselves. It will be.
【0106】また、本発明の財務コンサルティング方法
に従うと、財務データの各項目が、債券の格付けに大き
な影響を与えているのか、小さな影響しか与えていない
かということが数値的に分かることから、債券の格付け
を上げるためには、どのように財務データの改善を図れ
ばよいのかということを試行錯誤的な方法に依らずに把
握できるようになる。Further, according to the financial consulting method of the present invention, it can be numerically understood that each item of financial data has a large influence on the rating of a bond or a small influence on the bond rating. It will be possible to understand how to improve financial data in order to raise the bond rating without relying on trial and error methods.
【図1】本発明の原理構成図である。FIG. 1 is a principle configuration diagram of the present invention.
【図2】ファジィルールの生成に用いた財務データの一
例である。FIG. 2 is an example of financial data used for generating fuzzy rules.
【図3】生成したファジィルールの説明図である。FIG. 3 is an explanatory diagram of generated fuzzy rules.
【図4】ネットワーク構成データ処理手段の結線説明図
である。FIG. 4 is an explanatory diagram of connection of network configuration data processing means.
【図5】定義したメンバーシップ関数の説明図である。FIG. 5 is an explanatory diagram of a defined membership function.
【図6】メンバーシップ関数形状の説明図である。FIG. 6 is an explanatory diagram of a membership function shape.
【図7】形状利益のメンバーシップ関数の説明図であ
る。FIG. 7 is an explanatory diagram of a membership function of shape profit.
【図8】債券格付けのメンバーシップ関数の説明図であ
る。FIG. 8 is an explanatory diagram of a membership function of a bond rating.
【図9】学習実行前の第1段層の内部状態値/閾値の説
明図である。FIG. 9 is an explanatory diagram of internal state values / thresholds of the first layer before learning is executed.
【図10】後件部メンバーシップ関数の写像処理の説明
図である。FIG. 10 is an explanatory diagram of a mapping process of a consequent part membership function.
【図11】債券格付け値の説明図である。FIG. 11 is an explanatory diagram of bond rating values.
【図12】学習実行後の内部状態値/閾値の説明図であ
る。FIG. 12 is an explanatory diagram of internal state values / threshold values after learning execution.
【図13】学習実行後の内部状態値/閾値の説明図であ
る。FIG. 13 is an explanatory diagram of internal state values / threshold values after learning execution.
【図14】経常利益に関しての前件部メンバーシップ関
数の説明図である。FIG. 14 is an explanatory diagram of an antecedent part membership function regarding ordinary profit.
【図15】自己資本比率に関しての前件部メンバーシッ
プ関数の説明図である。FIG. 15 is an explanatory diagram of an antecedent part membership function regarding an equity ratio.
【図16】実験データの説明図である。FIG. 16 is an explanatory diagram of experimental data.
【図17】テストデータの説明図である。FIG. 17 is an explanatory diagram of test data.
【図18】実験データの説明図である。FIG. 18 is an explanatory diagram of experimental data.
【図19】財務コンサルテーションの説明図である。FIG. 19 is an explanatory diagram of a financial consultation.
【図20】財務コンサルテーションの説明図である。FIG. 20 is an explanatory diagram of a financial consultation.
【図21】債券の格付け情報の説明図である。FIG. 21 is an explanatory diagram of bond rating information.
【図22】ファジィ構造型ニューロコンピュータの説明
図である。FIG. 22 is an explanatory diagram of a fuzzy structure type neurocomputer.
【図23】ファジィルールの説明図である。FIG. 23 is an explanatory diagram of a fuzzy rule.
【図24】前件部メンバーシップ関数の説明図である。FIG. 24 is an explanatory diagram of an antecedent part membership function.
【図25】シグモイドニューロンの入出力信号特性の説
明図である。FIG. 25 is an explanatory diagram of input / output signal characteristics of a sigmoid neuron.
【図26】後件部メンバーシップ関数の説明図である。FIG. 26 is an explanatory diagram of a consequent part membership function.
1 線形ニューロン 2 シグモイドニューロン 10 入力層 11 第1段層 12 第2段層 13 第3段層 14 第4段層 15 第5段層 16 結論値決定手段 20 ネットワーク構成データ処理手段 21 内部状態値管理手段 100 債券格付け決定装置 200 教師信号管理装置 300 学習処理装置 400 財務コンサルティング装置 401 ファジィルール評価手段 402 財務コンサルティング実行手段 1 linear neuron 2 sigmoid neuron 10 input layer 11 first stage layer 12 second stage layer 13 third stage layer 14 fourth stage layer 15 fifth stage layer 16 conclusion value determination means 20 network configuration data processing means 21 internal state value management Means 100 Bond Rating Determination Device 200 Teacher Signal Management Device 300 Learning Processing Device 400 Financial Consulting Device 401 Fuzzy Rule Evaluation Means 402 Financial Consulting Execution Means
───────────────────────────────────────────────────── フロントページの続き (72)発明者 川村 旭 神奈川県川崎市中原区上小田中1015番地 富士通株式会社内 (72)発明者 平 哲朗 東京都千代田区丸の内3丁目4番2号 株 式会社日興リサーチセンター投資工学研究 所内 (72)発明者 成田 昌隆 東京都品川区西五反田2丁目11番12号 株 式会社日興システムセンター内 ─────────────────────────────────────────────────── ─── Continuation of the front page (72) Inventor Asahi Kawamura 1015 Kamiodanaka, Nakahara-ku, Kawasaki-shi, Kanagawa Within Fujitsu Limited (72) Inventor Tetsuro Hira 3-4-2 Marunouchi, Chiyoda-ku, Tokyo Nikko Co., Ltd. Research Center Investment Engineering Research Center (72) Inventor Masataka Narita 2-11-12 Nishigotanda, Shinagawa-ku, Tokyo Inside Nikko System Center, Inc.
Claims (4)
定装置であって、 ネットワーク構造により構成されるデータ変換機能を備
えて、該データ変換機能を内部状態値に従って変換させ
る構成を採るネットワーク構成データ処理手段を備える
とともに、該ネットワーク構成データ処理手段のネット
ワーク構造を、財務データと債券格付けとの対応関係を
記述するファジィルールを写像するようにと構造化する
構成を採り、 かつ、上記ネットワーク構成データ処理手段に対して、
債券格付けに用いる財務データを入力信号として与える
構成を採るとともに、上記内部状態値として、該財務デ
ータの入力に応答して、上記ネットワーク構成データ処
理手段から債券格付け情報又は該債券格付け情報を特定
可能とする情報が出力されることになる値が設定される
よう構成されることを、 特徴とする債券格付け決定装置。1. A bond rating determination device for calculating bond rating information, comprising a data conversion function configured by a network structure, and adopting a configuration for converting the data conversion function according to an internal state value. And a structure for structuring the network structure of the network configuration data processing means so as to map a fuzzy rule that describes the correspondence between financial data and bond ratings. Against the means
In addition to adopting a configuration in which financial data used for bond rating is given as an input signal, bond rating information or bond rating information can be specified from the network configuration data processing means in response to the input of the financial data as the internal state value. A bond rating determination device characterized by being configured so that a value at which the information to be output is set.
定装置であって、 入力信号と、該入力信号に対応付けられる内部状態値と
の乗算値を入力として、該入力信号が示すファジィルー
ルの前件部メンバーシップ関数のグレード値を算出する
処理ユニットの複数により構成される第1段層(11)と、 第1段層(11)の後段にファジィルール対応に備えられ
て、算出されたグレード値と、該グレード値に対応付け
られる規定状態値との乗算値を入力として、ファジィル
ールに対しての適用値を算出する処理ユニットの複数に
より構成される第2段層(12)と、 第2段層(12)の後段にファジィルールの後件部命題対応
に備えられて、算出されたファジィルールの適用値と、
該ファジィルールの重要度を示す内部状態値との乗算値
を入力として、後件部命題に対しての命題値を算出する
処理ユニットの複数により構成される第3段層(13)と、 第3段層(13)の後段に備えられて、算出された命題値に
従って内部状態値により規定されるファジィルールの後
件部メンバーシップ関数を変形してその関数和を算出す
る第4段層(14)と、 第4段層(14)の後段に備えられて、算出された関数和か
ら該関数和の重心値の算出に用いる重心導出値を算出す
る第5段層(15)とから構成されるネットワーク構成デー
タ処理手段(20)と、 上記ネットワーク構成データ処理手段(20)の算出する重
心導出値からファジィルールの最終出力となる結論値を
決定する結論値決定手段(16)とを備え、 上記ネットワーク構成データ処理手段(20)に対して、債
券格付けに用いる債務データを入力信号として与える構
成を採るとともに、財務データと債券格付けとの対応関
係を記述するファジィルールを写像していく構成を採
り、かつ、上記内部状態値として、財務データの入力に
対応して、上記結論値決定手段(16)から債券格付け情報
が出力されることになる値が設定されるよう構成される
ことを、 特徴とする債券格付け決定装置。2. A bond rating determination device for calculating bond rating information, wherein the input of a multiplication value of an input signal and an internal state value associated with the input signal, before the fuzzy rule indicated by the input signal. The calculated grade is provided for the fuzzy rule in the first stage (11) composed of a plurality of processing units for calculating the grade value of the subject part membership function and the subsequent stage of the first stage (11). A second-stage layer (12) composed of a plurality of processing units for calculating a value applied to the fuzzy rule by inputting a product of the value and a prescribed state value associated with the grade value, The applied value of the fuzzy rule calculated in preparation for the consequent part proposition of the fuzzy rule in the second stage (12)
A third-stage layer (13) composed of a plurality of processing units for calculating a proposition value for the consequent part proposition by inputting a value multiplied by an internal state value indicating the importance of the fuzzy rule, The 4th layer (13), which is provided after the 3rd layer (13), transforms the consequent part membership function of the fuzzy rule defined by the internal state value according to the calculated proposition value and calculates its function sum ( 14) and a fifth stage layer (15) which is provided after the fourth stage layer (14) and calculates a center of gravity derivation value used to calculate the center of gravity value of the function sum from the calculated function sums. A network configuration data processing means (20), and a conclusion value determination means (16) for determining a conclusion value which is the final output of the fuzzy rule from the gravity center derived value calculated by the network configuration data processing means (20). , Bond rating for the above network configuration data processing means (20) In addition to adopting a structure that gives debt data used for rating as an input signal, it also adopts a structure that maps fuzzy rules that describe the correspondence between financial data and bond ratings, and inputs financial data as the internal state value. A bond rating determination device characterized by being configured such that a value at which the bond rating information is output from the conclusion value determination means (16) is set in accordance with the above.
ションを実行する財務コンサルティング方法であって、 ネットワーク構造により構成されるデータ変換機能を備
えて、該データ変換機能を内部状態値に従って変換させ
る構成を採るネットワーク構成データ処理手段を用意し
て、該ネットワーク構成データ処理手段のネットワーク
構造を、財務データと債券格付けとの対応関係を記述す
るファジィルールに従って構造化する第1の処理過程
と、 第1の処理過程で構造化されたネットワーク構成データ
処理手段に対して、財務データを入力するとともに、こ
の入力に応答して該ネットワーク構成データ処理手段か
ら出力される出力情報が、該財務データに対応付けられ
る債券格付け情報又は該債券格付け情報を特定可能とす
る情報と一致することになるようにと、該ネットワーク
構成データ処理手段の持つ内部状態値を学習する第2の
処理過程と、 第2の処理過程で学習されたネットワーク構成データ処
理手段の持つ内部状態値の大きさを評価することで、債
券格付けに重要な影響を与えるファジィルールを特定す
る第3の処理過程と、 第3の処理過程で特定されたファジィルールに記述され
る財務データのデータ値を操作して、この操作する財務
データを、第2の処理過程で学習されたネットワーク構
成データ処理手段に入力していくことで、債券格付けに
対しての財務コンサルテーションを実行する第4の処理
過程とを備えることを、 特徴とする財務コンサルティング方法。3. A financial consulting method for executing a financial consultation for a bond rating, comprising a data conversion function configured by a network structure and converting the data conversion function according to an internal state value. A first processing step of preparing network configuration data processing means and structuring the network structure of the network configuration data processing means in accordance with a fuzzy rule that describes the correspondence between financial data and bond ratings; A bond in which financial data is input to the network configuration data processing unit structured in the process, and output information output from the network configuration data processing unit in response to the input is associated with the financial data. Matches the rating information or the information that makes it possible to identify the bond rating information. Therefore, the second processing step of learning the internal state value of the network configuration data processing means, and the magnitude of the internal state value of the network configuration data processing means learned in the second processing step. By operating the data values of the financial data described in the fuzzy rules identified in the third processing step and the third processing step that identifies the fuzzy rules that have a significant impact on the bond rating. And a fourth processing step for executing the financial consultation for the bond rating by inputting the operated financial data into the network configuration data processing means learned in the second processing step. Is a financial consulting method.
ションを実行する財務コンサルティング方法であって、 請求項2記載のネットワーク構成データ処理手段(20)を
用意して、該ネットワーク構成データ処理手段(20)の第
1層、第2層、第3層及び第4層を、財務データと債券
格付けとの対応関係を記述するファジィルールに従って
構造化する第1の処理過程と、 第1の処理過程で構造化されたネットワーク構成データ
処理手段(20)に対して、財務データを入力するととも
に、この入力に応答して該ネットワーク構成データ処理
手段(20)から出力される重心導出値により導出されるフ
ァジィルールの結論値が、該財務データに対応付けられ
る債券格付け情報と一致することになるようにと、該ネ
ットワーク構成データ処理手段(20)の持つ内部状態値を
学習する第2の処理過程と、 第2の処理過程で学習されたネットワーク構成データ処
理手段(20)の第3段層の持つ内部状態値の大きさを評価
することで、債券格付けに重要な影響を与えるファジィ
ルールを特定する第3の処理過程と、 第3の処理過程で特定されたファジィルールに記述され
る財務データのデータ値を操作して、この操作する財務
データを、第2の処理過程で学習されたネットワーク構
成データ処理手段(20)に入力していくことで、債券格付
けに対しての財務コンサルテーションを実行する第4の
処理過程とを備えることを、 特徴とする財務コンサルティング方法。4. A financial consulting method for executing a financial consultation for a bond rating, wherein the network configuration data processing means (20) according to claim 2 is prepared and the network configuration data processing means (20) is provided. The first processing step of structuring the first layer, the second layer, the third layer, and the fourth layer of the above according to a fuzzy rule that describes the correspondence between financial data and bond ratings, and the first processing step. The fuzzy rule derived from the centroid-derived value output from the network configuration data processing means (20) in response to the input of financial data to the network configuration data processing means (20) So that the conclusion value of the network structure data processing means (20) will match the bond rating information associated with the financial data. Is important for bond rating by evaluating the magnitude of the internal state value of the second processing step of learning the second step and the third stage of the network configuration data processing means (20) learned in the second processing step. A third processing step for identifying a fuzzy rule that has a large influence, and a data value of the financial data described in the fuzzy rule identified in the third processing step is manipulated, and the manipulated financial data is changed to the second processing step. Financial consulting characterized by comprising a fourth processing step of executing financial consultation for bond ratings by inputting to the network configuration data processing means (20) learned in the processing step of Method.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP13738092A JPH05334309A (en) | 1992-05-29 | 1992-05-29 | Bond grading device and financial consulting method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP13738092A JPH05334309A (en) | 1992-05-29 | 1992-05-29 | Bond grading device and financial consulting method |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH05334309A true JPH05334309A (en) | 1993-12-17 |
Family
ID=15197337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP13738092A Pending JPH05334309A (en) | 1992-05-29 | 1992-05-29 | Bond grading device and financial consulting method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH05334309A (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06168219A (en) * | 1992-09-29 | 1994-06-14 | Fujitsu Ltd | Fuzzy structure type neuro computer and financial consultant information collecting method |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02294768A (en) * | 1989-05-09 | 1990-12-05 | Osaka Gas Co Ltd | Back-propagation analyzer |
JPH0315902A (en) * | 1989-03-13 | 1991-01-24 | Hitachi Ltd | Method and system for supporting process operation |
JPH03260805A (en) * | 1990-03-12 | 1991-11-20 | Fujitsu Ltd | Tuning method for fuzzy control rule |
-
1992
- 1992-05-29 JP JP13738092A patent/JPH05334309A/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0315902A (en) * | 1989-03-13 | 1991-01-24 | Hitachi Ltd | Method and system for supporting process operation |
JPH02294768A (en) * | 1989-05-09 | 1990-12-05 | Osaka Gas Co Ltd | Back-propagation analyzer |
JPH03260805A (en) * | 1990-03-12 | 1991-11-20 | Fujitsu Ltd | Tuning method for fuzzy control rule |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06168219A (en) * | 1992-09-29 | 1994-06-14 | Fujitsu Ltd | Fuzzy structure type neuro computer and financial consultant information collecting method |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Farina et al. | On the optimal solution definition for many-criteria optimization problems | |
Kuo et al. | An intelligent stock trading decision support system through integration of genetic algorithm based fuzzy neural network and artificial neural network | |
Wang et al. | Developing a fuzzy TOPSIS approach based on subjective weights and objective weights | |
US5893072A (en) | Insurance classification plan loss control system | |
WO1991014226A1 (en) | Neuro-fuzzy fusion data processing system | |
EP0446066A2 (en) | Method of and system for evaluating and modifying knowledge | |
JPH05342191A (en) | System for predicting and analyzing economic time sequential data | |
Peng et al. | Uncertain pure linguistic hybrid harmonic averaging operator and generalized interval aggregation operator based approach to group decision making | |
JP2001117777A (en) | Expert system | |
Khan et al. | Neufuz: Neural network based fuzzy logic design algorithms | |
Plasmans et al. | Estimating structural exchange rate models by artificial neural networks | |
US5347615A (en) | Rule generating and verifying apparatus for fuzzy control using temporary exclusion of a selected rule | |
JPH05334309A (en) | Bond grading device and financial consulting method | |
Misitano | Interactively learning the preferences of a decision maker in multi-objective optimization utilizing belief-rules | |
JPH08314892A (en) | Rate of interest predicting system applying neural net to econometric model | |
JP3056324B2 (en) | Learning / recalling method and device | |
Riedel et al. | Evolving multilevel forecast combination models-an experimental study | |
JPH05128284A (en) | Neuro-processor | |
JPH08286922A (en) | Fuzzy neural network device | |
JPH0785277A (en) | Data classification system | |
Maciel | A trading strategy based on BitCoin high and low prices: the role of an evolving fuzzy model for interval-valued time series forecasting | |
Capretz et al. | Improving effort estimation by voting software estimation models | |
JP3328953B2 (en) | Nonlinear synaptic neuron, device thereof and prediction method using the same | |
JP3417973B2 (en) | Fuzzy Structured Neurocomputer and Financial Consulting Information Collection Method | |
US20230325786A1 (en) | System for applying an artificial intelligence engine in real-time to affect course corrections and influence outcomes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20020618 |