JPH05334309A - 債券格付け決定装置及び財務コンサルティング方法 - Google Patents

Abstract

(57)【要約】 【目的】本発明は、高精度の債券格付け情報の算出を可
能と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可能とする財務コ
ンサルティング方法に関するものである。 【構成】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された階層ネットワー
ク構造を持つニューロコンピュータを用意して、このニ
ューロコンピュータに財務データを入力するとともに、
階層ネットワーク構造の内部状態値として、この入力に
応答して債券格付け情報が出力されることになる値が設
定されることで債券格付け決定装置を構成し、また、学
習された債券格付け決定装置の内部状態値の大きさを評
価することで、債券格付けに大きな影響を与えるファジ
ィルールを特定して、このルールに記述される財務デー
タを操作していくことで、財務コンサルテーションを実
行していくように構成する。

Description

【発明の詳細な説明】

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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＝Σω_i ｘ_i 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（−Σω_i ｘ_i ＋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。

【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。

【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。

【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。

【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。

【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。

【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。

【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μ_A と、他方の線形ニューロン１の
出力するグレード値μ_B との限界積である「０∨（μ_A
＋μ_B −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。

【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。

【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。

【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。

【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。

【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α_i を特定するととも
に、この特定したグレード値α_i 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。

【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。

【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。

【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。

【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Ｃ_i
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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【００７９】ここで、教師信号として登録する財務デー
タは、

【００８０】

【数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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【図面の簡単な説明】

【図１】本発明の原理構成図である。

【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。

【図３】生成したファジィルールの説明図である。

【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。

【図５】定義したメンバーシップ関数の説明図である。

【図６】メンバーシップ関数形状の説明図である。

【図７】形状利益のメンバーシップ関数の説明図であ
る。

【図８】債券格付けのメンバーシップ関数の説明図であ
る。

【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。

【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。

【図１１】債券格付け値の説明図である。

【図１２】学習実行後の内部状態値／閾値の説明図であ
る。

【図１３】学習実行後の内部状態値／閾値の説明図であ
る。

【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。

【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。

【図１６】実験データの説明図である。

【図１７】テストデータの説明図である。

【図１８】実験データの説明図である。

【図１９】財務コンサルテーションの説明図である。

【図２０】財務コンサルテーションの説明図である。

【図２１】債券の格付け情報の説明図である。

【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。

【図２３】ファジィルールの説明図である。

【図２４】前件部メンバーシップ関数の説明図である。

【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。

【図２６】後件部メンバーシップ関数の説明図である。

【符号の説明】

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

───────────────────────────────────────────────────── 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

Claims (4)

【特許請求の範囲】
1. 【請求項１】 債券格付け情報を算出する債券格付け決
   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。
2. 【請求項２】 債券格付け情報を算出する債券格付け決
   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。
3. 【請求項３】 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。
4. 【請求項４】 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。