高橋研究室紹介 - keio...
TRANSCRIPT
2
企業,社会,ファイナンスに関する研究を幅広く行っています.
当研究室の活動
研究室の活動に意欲的に取り組むゼミ生を期待しています!
ファイナンスに興味のある方,データサイエンス、人工知能などのアプローチに
新たに触れてみたい方など、幅広く歓迎します。
ファイナンス・企業経営 情報技術
データサイエンス ×
3
いくつかの取り組み事例
研究室メンバーの活動領域(抜粋)
人工知能学会 ビジネスインフォマティクス研究会
日本証券アナリスト協会 証券アナリストジャーナル
総務省 ビッグデータ等の利活用推進に関する産官学協議のための連携会議
SICE 社会システム部会 等
NLP:自然言語処理 機械学習 データサイエンス
システムサイエンス
ネットワーク分析
エージェントモデル
実証分析
情報技術・AI
シミュレーション&ゲーミング
いくつかの取り組み事例
4
実証分析,データサイエンス、人工知能のアプローチを用いた分析など、さまざまです。
これまでの研究テーマ
参考:これまでの修士論文の研究テーマ (抜粋)
・ 企業の研究開発活動が企業価値にもたらす影響に関する研究:特許文書データによる評価
・企業に関する情報が金融市場において伝播するメカニズムの解明:大規模データを通じた分析
・ニュース記事の評判分析:深層学習,自然言語処理技術を用いた文書評価
・情報技術の利活用と企業経営のパフォーマンスに関する研究
・飲食店業における時系列注文データに基づく顧客分類に関する研究
・オルタナティブデータおよびエージェントベースモデルによる不動産価格の決定要因の解明
・エージェントベースモデルによるデータドリブンの融資手法の有効性に関する研究など
当研究室出身者は数多くの場所で活躍しています
条件:名詞のみ、3文字以上、出現回数45回以上、最大ルール565ルール、クラスタ数12
自発的開示と企業価値に関する研究 M32 佐藤
属性と深い関係の言葉 クラスタ①・・・Sam中位 ・ Sam下位 ・ Con上位 ・ Con下位:「企業価値」、「取締役会」、「中間配当 金」、「基本方針」 クラスタ②・・・Sam上位 ・ Con中位:「中間配当金」 ※但しクラスタ数から関係性の深さを考慮すると、Sam中位(40)>Con下位(27)>Con上位(26)>Sam下位(21)>Sam上位(15) Con中位(14)
クラスタ①
クラスタ③
クラスタ②
選択に関するシミュレーション分析 M33 田中
X = 4 , Y= 8 , Z= 0.08 全体人数=200人 , オピニオンリーダー:店員:無知=1:2:7
無知(水色)=140人
店頭に行った人(黒)=115人
店頭に行かなかった人(茶)=25人
購入者(青)=75人
非購入者(赤)=40人
店頭/無知=82% 購入/無知=54%
(予想):店頭に行く人の割合が高いのではないか。
(A)スイッチが起きやすいものは、他人からの情報を基に購買意思決定を行う傾向が強い。
7
経営者の特性と企業パフォーマンスに関する研究 M33浦川
以下の6つのポートフォリオによる分析を行った。
(ⅰ) 出身校:東京大学
(ⅱ) 出身校:慶應義塾大学
(ⅲ) 出身校:一橋大学
(ⅳ)出身校:京都大学
(ⅴ) 出身校:早稲田大学
(ⅵ) 出身校:日本大学
(ⅶ) その他大学および高卒
9
企業のアライアンスに関するエージェント分析 M33 長野
Dr 開発医
(専門医)
Dr 開発医
(専門医)
Dr 専門医
Dr 専門医
Dr 非専門医
Dr 非専門医
Dr 非専門医
Dr 非専門医
開発企業 MR
最優先
最優先
患者数(キャパ)、処方患者数(売上)などを基準に優先度をつけてターゲット設定
優先度の高いターゲットほど高頻度でディテール活動
優先
優先
D&P
環境保護政策と企業活動に関するエージェントシミュレーション分析 M33大野
パラメータ 値 備考
人口(千人) 13,500 2010年4月から2011年3月の新車販売台数トップ30の平均売上台数63,176に企業数をかけ製品数をかけ、購買周期をかけた値
企業数 10 日本の自動車メーカ、海外メーカ
評価周期 2年 企業が販売している製品に対する国の評価周期
製品数 3 各社が持つ製品数
追加政策開始 5年 消費者に対する補助金政策の開始年
追加政策期間 1年 追加政策の実施期間
消費者変化率 0.1 消費者の購買動向の変化率
No. 戦略見直し 周期
罰則 有無
常に規制に従う企業が残る回数
常に規制に従う企業が残る平均数
環境配慮型製品を販売している企業が残る平均数
環境負荷 GDP 税金
1 6 - 0 0 5.6 365,385 4,414,369,600 5,328,632,040
2 6 2 0 0 7.6 366,204 4,418,220,800 5,335,159,811
センチメントスコア(新辞書ベース)算出 次に、新たに獲得した単語群の内、ファイナンス辞書で定義されていない 単語の全日次NFD出現頻度をカウントした。その上位10単語を下表に示す。
とりわけ、出現頻度も高い上位6単語(約7割)について、 「rose, rise, jumpedはPositive単語」、「fell, fall, dropはNegative単語」と 極性を付与して、日次センチメントスコアを算出した。
12
分散表現学習によるセンチメント分析 M36片倉
主成分分析:主成分の解釈
IPOの価格形成に関する分析 [M36浅井]
•第1主成分はビジネス規模の小ささと解釈できる •第2主成分は業種(変動費型or固定費型)と解釈できる
-1.0-0.8-0.6-0.4-0.20.00.20.40.60.81.0
現預金
有形固定資産
資産計
流動負債
長借
負債計
普通株式資本
売上
売上原価
営業利益
特損
営業
CF
PB
R
インタレストカバ…
第1主成分
-1.0-0.8-0.6-0.4-0.20.00.20.40.60.81.0
現預金
有形固定資産
資産計
流動負債
長借
負債計
普通株式資本
売上
売上原価
営業利益
特損
営業
CF
PB
R
インタレストカバ…
第2主成分
13
IFRSとM&Aの関連性 M36 蔵重
IFRSとM&Aの件数に正の関係が見られない…
• M&Aの決定要因には、IFRSの導入以上に効果を持つ要因が存在 Ex. • IFRSの会計基準で「のれんの非償却」がM&Aに正の効果をもたらすと考えられているが、M&Aに逆効果をもたらす可能性がある会計基準が存在
• M&Aを積極的に行っている他の企業が日本基準のままである (会計システム移行費用等のIFRS導入コスト等を勘案)
GDP
インターネットバブルとFinTechブームとの共通点
• 技術の進歩
– ディープ・ラーニング
– ビッグ・データ
– 新たなデバイスの普及
– 新たなビジネスの可能性
• ITベンチャーの乱立
– 連日新たなFinTechが生まれている
– 上場企業は数社だが、ユニコーン企業(価値が10億ドル以上の企業)は50社以上あると言われている
• 資金調達額の増加
研究の背景と目的 FinTechの概
観 インターネット・バブ
ルとは 企業価値評価 結論 フィンテック(FinTech)の実証分析 M37 諸
モデルの概要
16
新モデルと旧モデルを作成し双方を10年間シミュレーションすることで収益性の比較検証を行う。
新モデル(B2B2C) 旧モデル(B2C)
1社 9社 1社 1社 1社
N社 N社卸業者 K社 N社 K社
1400万ユーザ 1400万ユーザ
10年間※2
収益性 = 固定回線サービスでの収益総額 + 効率化による費用削減額 = ユーザあたりの収益 × ユーザ数 + 効率化による費用削減額
相互作用 相互作用
B2CからB2B2Cへの販売モデル変更の影響分析 M38 神立
都心5区 IRR(Min.=1.51% Mean=3.24%
Max.=6.82%)
17
図:都心物件の築年数とIRRのプロット 図: 回帰木による判別
都心:築年数との相関が高く、築35年越えから利回りが高くなる傾向。地域別に比べると、一番利回りが低い。
不動産のリスクとリターンに関する実証分析 M38 佐藤
都心5区 他18区
札幌
名古屋 大阪
平均
0.0%
5.0%
10.0%
15.0%
0.0% 0.5% 1.0% 1.5% 2.0%
リターン
リスク
ニュースデータ
18
アラートのWord Cloud LSTM(Long short-term Memory)
深層学習を通じたニュース記事分析 M39ユン
⼊⼒層
LSTM層
ソフトマックス層
出⼒層
⼊⼒データ
全結合層
出⼒データ
中間層
18
リターン(%)
0
ニュースの数(学習標本の数)
α-α
2
13 ポジテイブネガティブ
ニュートラル
教師データ
Deep Learning:
分類アルゴリズム構築
分析結果 ニューラル言語モデル
ポートフォリオスクリーニングルールの評価システムを構築
ポートフォリオ:TOPIX全体 (運用比率を時価総額で決める)
改善ポートフォリオ
複数のアルゴリズム • 決定木 • SVM(サポートベクトルマシン)
• KNN • アンサンブル学習 • その他
株式価格と関連する情報
株価が大きく下落する可能性がある銘柄を除外 収益率↑
銘柄を除外 研究の目的
× • ルールA:下位150/300/500を-1、それ以外+1; 前月足元とアルゴリズムで除外
• ルールB:下位150/300/500を-1、それ以外+1; アルゴリズムだけで除外
• ルールC:下位150/300/500を-1、 上位150/300/500を+1; 前月足元とアルゴリズムで除外
ポートフォリオスクリーニングシステムの構築 M39 韓
機械学習・統計手法
20
オルタナティブデータを活用した企業価値評価精度の向上
参考 : * : Maaten, Hinton (2008)
特許文書を通じた企業価値評価 M40 松本
特許文書 各企業の可視化(東証一部上場)
企業のベクトル表現の獲得
自然言語処理技術による特許文書分析
21
当研究室で取り組んでいる研究プロジェクトに関心のある方は,説明する機会を設けますので,ご連絡ください.
研究に関する問い合わせ,オープンドア
オープンドア希望の方は,日程調整を行いますので,
面談可能な日時をメールにて連絡ください.
http://labs.kbs.keio.ac.jp/htakalab/
現役ゼミ生の内容は修論発表会にご参加ください。