高橋研究室紹介

慶應義塾大学

高橋大志

オープンドア用資料

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

リレーションシップバンキングの有効性に関する研究 M32 錦戸

例：基本モデルのシミュレーション実行画面

貸手（銀行）はそれぞれ１種類

6

エージェントベースモデルによる計算機上の実験

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。