| 研究課題/領域番号 |
20K13581
|
|---|
| 研究種目 |
若手研究
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
小区分07080:経営学関連
|
|---|
| 研究機関 | 統計数理研究所 |
|---|
研究代表者 |
長幡 英明 統計数理研究所, リスク解析戦略研究センター, 外来研究員 (00815128)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2023-03-31
|
| 研究課題ステータス |
完了 (2022年度)
|
| 配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2022年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
2021年度: 2,470千円 (直接経費: 1,900千円、間接経費: 570千円)
2020年度: 650千円 (直接経費: 500千円、間接経費: 150千円)
|
|---|
| キーワード | 信用リスク / 機械学習 / データ構造化 / データ結合 / デフォルト時損失率 / ビックデータ / 転移学習 |
|---|
| 研究開始時の研究の概要 |
本研究は地銀複数行の統合ビッグデータを用いた期待損失率推計を扱い、全銀行に対応できる汎用性のある推計手法を開発・提案する。
銀行の抱える貸出リスクは、貸出先企業の期待損失率の推計によって補足される。期待損失率の要因はデフォルト確率とデフォルト時の貸出残高損失率（Loss Given Default; LGD）に分解される。しかし、統合データベースの欠如が根本原因となり、LGD推計はごく一部の手法しか提案されていない。本研究によって期待損失率推計に対し統計・機械学習を用いた推計手法が確立され、その成果は信用リスク研究の発展、銀行の融資審査の高度化、金融行政の合理化、中小企業金融の円滑化に貢献する。
|
| 研究成果の概要 |
デフォルト時貸出残高損失率(LGD)推計用のデータベースを用いて、LGD推計精度向上に寄与するようなデータ構造化の実現を目指した。データ構造化について、具体的にはデフォルト時点からt時点前・デフォルト時点からt時点後も含めたデータ構造化を行った。推定精度の向上のため、デフォルト関連情報をより深く・広範囲に取り込めることから、統計モデルや機械学習の学習による推計に有効であることが確認された。統計モデルや機械学習の高度化によるLGD推計精度の向上だけではなく、推計に用いるデータベースから見直した点が推計精度向上や新たな知見の獲得を重視するようにピボットした結果、明確な進捗を得られたと考えている。
|
| 研究成果の学術的意義や社会的意義 |
本研究は一般では公開されていない担保・保証・債務回収の情報を含む、地銀５行統合データベースを用いた期待損失率推計を扱い、汎用的で高精度な推計手法を開発・提案します。
これによって、期待損失率推計に対し統計的・機械学習的接近法を用いた推計手法が確立・実務利用され、その成果は信用リスク研究の発展、銀行の融資審査の高度化、金融行政の合理化、中小企業金融の円滑化に貢献することを目指します。
|
