特許 6381844 時間の経過につれて価値が変動するアセットを積み立てるためのコンピュータシステム、方法、および、プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】6381844

(24)【登録日】2018年8月10日

(45)【発行日】2018年8月29日

(54)【発明の名称】時間の経過につれて価値が変動するアセットを積み立てるためのコンピュータシステム、方法、および、プログラム

(51)【国際特許分類】

   G06Q 40/06 20120101AFI20180820BHJP

【ＦＩ】

   G06Q40/06

【請求項の数】17

【全頁数】41

(21)【出願番号】特願2018-75713(P2018-75713)

(22)【出願日】2018年4月10日

【審査請求日】2018年4月25日

(31)【優先権主張番号】特願2017-141156(P2017-141156)

(32)【優先日】2017年7月20日

(33)【優先権主張国】JP

【早期審査対象出願】

(73)【特許権者】

【識別番号】506418529

【氏名又は名称】株式会社じぶん銀行

(74)【代理人】

【識別番号】100078282

【弁理士】

【氏名又は名称】山本 秀策

(74)【代理人】

【識別番号】100107489

【弁理士】

【氏名又は名称】大塩 竹志

(74)【代理人】

【識別番号】100113413

【弁理士】

【氏名又は名称】森下 夏樹

(74)【代理人】

【識別番号】100181674

【弁理士】

【氏名又は名称】飯田 貴敏

(74)【代理人】

【識別番号】100181641

【弁理士】

【氏名又は名称】石川 大輔

(74)【代理人】

【識別番号】230113332

【弁護士】

【氏名又は名称】山本 健策

(72)【発明者】

【氏名】榊原 一弥

【審査官】 関 博文

(56)【参考文献】

【文献】 特開２０１５−０８４１６３（ＪＰ，Ａ）

【文献】 あなたの明日を変える革命商品 買える！役立つ！ 人工知能＆ＩｏＴ Top Tech Trends 2017，日経トレンディ Ｎｏ．４１７，日経ＢＰ社，２０１７年 ５月 ４日，第417号，p.55-58

【文献】 高橋 利英，多数決手法によるＥｒｒｏｒ Ｐｒｏｎｅ予測手法の評価，電子情報通信学会技術研究報告 Ｖｏｌ．１１２ Ｎｏ．１６４ IEICE Technical Report，日本，一般社団法人電子情報通信学会，２０１２年 ７月２０日，第112巻，p.25-30

【文献】 井上 浩孝，複合ニューラルネットワークを用いた円−ドル為替レート予測に関する研究，電子情報通信学会技術研究報告 Ｖｏｌ．１０５ Ｎｏ．４１８ IEICE Technical Report，日本，社団法人電子情報通信学会，２００５年１１月１１日，第105巻，p.13-18

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０６Ｑ １０／００−９９／００

(57)【特許請求の範囲】

【請求項1】

プロセッサ部と、メモリ部とを備えるコンピュータシステムであって、前記メモリ部にはプログラムが格納されており、前記プログラムが実行されると、
所定の期間内で外国通貨の価値が特定の順位の安値となる時期を予測することであって、前記予測することは、
前記所定の期間を複数の期間に分割することと、
前記外国通貨の過去の価値変動に基づいて、前記分割後の複数の期間のうち、前記外国通貨の価値が特定の順位の安値となる時期が属する期間を判定することと、
（１）前記外国通貨の価値が特定の順位の安値となる時期が属すると判定された期間をさらに複数の期間に分割することと、
（２）前記外国通貨の過去の価値変動に基づいて、前記分割後の複数の期間のうち、前記外国通貨の価値が特定の順位の安値となる時期が属する期間を判定することと
を、前記外国通貨の価値が特定の順位の安値となる時期が属すると判定された期間が、前記外国通貨の価値が特定の順位の安値となる時期と同じ長さとなるまで繰り返すことと
を含む、ことと、
前記予測された時期に前記外国通貨を購入する購入リクエストを発行することと
を含む処理を前記プロセッサ部に行わせる、コンピュータシステム。

【請求項2】

前記判定することは、前記分割された複数の期間のうち、前記外国通貨の価値の平均値が低い期間を判定することを含む、請求項１に記載のコンピュータシステム。

【請求項3】

前記判定することは、
複数の予測モデルのそれぞれを用いて、前記外国通貨の過去の価値変動に基づいて、前記分割後の複数の期間のうち、前記外国通貨の価値が特定の順位の安値となる時期が属する期間を判定することと、
前記分割後の複数の期間のうち、より多くの予測モデルによって前記外国通貨の価値が特定の順位の安値となる時期が属する期間であると判定された期間を、前記外国通貨の価値が特定の順位の安値となる時期が属する期間であると決定することと
を含む、請求項１または請求項２に記載のコンピュータシステム。

【請求項4】

前記判定することは、
複数の予測モデルのそれぞれを用いて、前記外国通貨の過去の価値変動に基づいて、前記分割後の複数の期間のうち、前記外国通貨の価値が特定の順位の安値となる時期が属する期間を判定することと、
前記分割後の複数の期間のうちの前半の期間のそれぞれについて、その期間が前記外国通貨の価値が特定の順位の安値となる時期が属する期間であると判定した予測モデルの数を決定することと、
前記予測モデルの数が所定数以上である期間を前記外国通貨の価値が特定の順位の安値となる時期が属する期間であると決定することと
を含む、請求項１または請求項２に記載のコンピュータシステム。

【請求項5】

前記判定することは、前記所定の期間全体に対する前記分割後の期間の相対位置に応じて、前記所定数を変化させることをさらに含む、請求項４に記載のコンピュータシステム。

【請求項6】

前記複数の期間は、２つの期間である、請求項１〜５のいずれか一項に記載のコンピュータシステム。

【請求項7】

前記予測することは、前記所定の期間の始点から所定の抑制期間内の時期を前記外国通貨の価値が特定の順位の安値となる時期として予測することを抑制することを含む、請求項１〜６のいずれか一項に記載のコンピュータシステム。

【請求項8】

前記予測することと、前記発行することとは、繰り返し行われる、請求項１〜７のいずれか一項に記載のコンピュータシステム。

【請求項9】

前記発行することは、前記予測された前記外国通貨の価値が特定の順位の安値となる時期に前記外国通貨を購入することに対するユーザの入力操作なしに、自動的に行われる、請求項１〜８のいずれか一項に記載のコンピュータシステム。

【請求項10】

前記特定の順位の安値は、最安値である、請求項１〜９のいずれか一項に記載のコンピュータシステム。

【請求項11】

前記特定の順位の安値は、ｎ番目に安い値である（ｎは２以上の整数）、請求項１〜９のいずれか一項に記載のコンピュータシステム。

【請求項12】

プロセッサ部を備えるコンピュータシステムにおいて実行される方法であって、前記方法は、
前記プロセッサ部が、所定の期間内で外国通貨の価値が特定の順位の安値となる時期を予測することであって、前記予測することは、
前記所定の期間を複数の期間に分割することと、
前記外国通貨の過去の価値変動に基づいて、前記分割後の複数の期間のうち、前記外国通貨の価値が特定の順位の安値となる時期が属する期間を判定することと、
（１）前記外国通貨の価値が特定の順位の安値となる時期が属すると判定された期間をさらに複数の期間に分割することと、
（２）前記外国通貨の過去の価値変動に基づいて、前記分割後の複数の期間のうち、前記外国通貨の価値が特定の順位の安値となる時期が属する期間を判定することと
を、前記外国通貨の価値が特定の順位の安値となる時期が属すると判定された期間が、前記外国通貨の価値が特定の順位の安値となる時期と同じ長さとなるまで繰り返すことと
を含む、ことと、
前記プロセッサ部が、前記予測された時期に前記外国通貨を購入する購入リクエストを発行することと
を行うことを含む、方法。

【請求項13】

プロセッサ部と、メモリ部とを備えるコンピュータシステムにおいて実行されるプログラムであって、前記プログラムは、メモリ部に格納されており、前記プログラムは、コンピュータシステムにおいて実行されると、
所定の期間内で外国通貨の価値が特定の順位の安値となる時期を予測することであって、前記予測することは、
前記所定の期間を複数の期間に分割することと、
前記外国通貨の過去の価値変動に基づいて、前記分割後の複数の期間のうち、前記外国通貨の価値が特定の順位の安値となる時期が属する期間を判定することと、
（１）前記外国通貨の価値が特定の順位の安値となる時期が属すると判定された期間をさらに複数の期間に分割することと、
（２）前記外国通貨の過去の価値変動に基づいて、前記分割後の複数の期間のうち、前記外国通貨の価値が特定の順位の安値となる時期が属する期間を判定することと
を、前記外国通貨の価値が特定の順位の安値となる時期が属すると判定された期間が、前記外国通貨の価値が特定の順位の安値となる時期と同じ長さとなるまで繰り返すことと
を含む、ことと、
前記予測された時期に前記外国通貨を購入する購入リクエストを発行することと
を行うことを含む処理を前記プロセッサ部に行わせる、プログラム。

【請求項14】

プロセッサ部と、メモリ部とを備えるコンピュータシステムであって、前記メモリ部にはプログラムが格納されており、前記プログラムが実行されると、
時間の経過につれて価値が変動する外国通貨の過去の価値変動に基づいて、所定の期間内で前記外国通貨の価値が特定の順位の値となる時期を予測することであって、前記予測することは、
前記所定の期間を複数の期間に分割することと、
前記外国通貨の過去の価値変動に基づいて、前記分割後の複数の期間のうち、前記外国通貨の価値が特定の順位の値となる時期が属する期間を判定することと、
（１）前記外国通貨の価値が特定の順位の値となる時期が属すると判定された期間をさらに複数の期間に分割することと、
（２）前記外国通貨の過去の価値変動に基づいて、前記分割後の複数の期間のうち、前記外国通貨の価値が特定の順位の値となる時期が属する期間を判定することと
を、前記外国通貨の価値が特定の順位の値となる時期が属すると判定された期間が、前記外国通貨の価値が特定の順位の値となる時期と同じ長さとなるまで繰り返すことと
を含む、こと
を含む処理を前記プロセッサ部に行わせる、コンピュータシステム。

【請求項15】

前記処理は、
前記予測された時期に前記外国通貨を取引する取引リクエストを発行すること
をさらに含む、請求項１４に記載のコンピュータシステム。

【請求項16】

プロセッサ部と、メモリ部とを備えるコンピュータシステムにおいて実行されるプログラムであって、前記プログラムは、メモリ部に格納されており、前記プログラムは、実行されると、
時間の経過につれて価値が変動する外国通貨の過去の価値変動に基づいて、所定の期間内で前記外国通貨の価値が特定の順位の値となる時期を予測することであって、前記予測することは、
前記所定の期間を複数の期間に分割することと、
前記外国通貨の過去の価値変動に基づいて、前記分割後の複数の期間のうち、前記外国通貨の価値が特定の順位の値となる時期が属する期間を判定することと、
（１）前記外国通貨の価値が特定の順位の値となる時期が属すると判定された期間をさらに複数の期間に分割することと、
（２）前記外国通貨の過去の価値変動に基づいて、前記分割後の複数の期間のうち、前記外国通貨の価値が特定の順位の値となる時期が属する期間を判定することと
を、前記外国通貨の価値が特定の順位の値となる時期が属すると判定された期間が、前記外国通貨の価値が特定の順位の値となる時期と同じ長さとなるまで繰り返すことと
を含む、こと
を含む処理を前記プロセッサ部に行わせる、プログラム。

【請求項17】

前記処理は、
前記予測された時期に前記外国通貨を取引する取引リクエストを発行すること
をさらに含む、請求項１６に記載のプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、時間の経過につれて価値が変動するアセットを積み立てるためのコンピュータシステム、方法、および、プログラムに関する。

【背景技術】

【0002】

多様な通貨建ての外国通貨（以下、「外貨」ともいう）を定期的に購入し、購入した外貨を積み立て、積み立てられた外貨の損益評価情報を端末に送信する定期積立型外国為替保証金取引システムが知られている（例えば、特許文献１を参照）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００４−１９２５８７号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかし、従来のシステムでは、外貨を定期的に購入する場合に、購入する外貨の価値が購入時において最適な価格であるかどうか、または購入時期が最適であるかどうかまでは分析されず、外貨の購入者にとって購買の最適化が図られていないという課題があった。

【0005】

本発明は、このような課題に鑑みてなされたものであり、時間の経過につれて価値が不規則に変動するアセットの価値の、所定の期間における最高値もしくは最安値（つまり、極大値もしくは極小値）または特定の順位の値（例えば、２番目に安い値、１０番目に高い値等）等の特定値となる時期を予測することを可能にするコンピュータシステム、方法、およびプログラムを提供することを目的とする。

【課題を解決するための手段】

【0006】

本発明は、時間の経過につれて価値が変動する外国通貨を積み立てるためのコンピュータシステムを提供し、前記コンピュータシステムは、所定の期間内で前記外国通貨の価値が特定の順位の安値となる時期を予測することと、前記予測された時期に前記外国通貨を購入することとを行うように構成されている。

【0007】

一実施形態において、前記予測することは、前記所定の期間を複数の期間に分割することと、前記分割後の複数の期間のうち、前記外国通貨の価値が特定の順位の安値となる時期が属する期間を判定することとを含む。

【0008】

一実施形態において、前記予測することは、（１）前記外国通貨の価値が特定の順位の安値となる時期が属すると判定された期間をさらに複数の期間に分割することと、（２）前記分割後の複数の期間のうち、前記外国通貨の価値が特定の順位の安値となる時期が属する期間を判定することとを、前記外国通貨の価値が特定の順位の安値となる時期が属すると判定された期間が、前記外国通貨の価値が特定の順位の安値となる時期と同じ長さとなるまで繰り返すこととをさらに含む。

【0009】

一実施形態において、前記判定することは、前記分割された複数の期間のうち、前記外国通貨の価値の平均値が低い期間を判定することを含む。

【0010】

一実施形態において、前記判定することは、複数の予測モデルのそれぞれを用いて、前記分割後の複数の期間のうち、前記外国通貨の価値が特定の順位の安値となる時期が属する期間を判定することと、前記分割後の複数の期間のうち、より多くの予測モデルによって前記外国通貨の価値が特定の順位の安値となる時期が属する期間であると判定された期間を、前記外国通貨の価値が特定の順位の安値となる時期が属する期間であると決定することとを含む。

【0011】

一実施形態において、前記判定することは、複数の予測モデルのそれぞれを用いて、前記分割後の複数の期間のうち、前記外国通貨の価値が特定の順位の安値となる時期が属する期間を判定することと、前記分割後の複数の期間のうちの前半の期間のそれぞれについて、その期間が前記外国通貨の価値が特定の順位の安値となる時期が属する期間であると判定した予測モデルの数を決定することと、前記予測モデルの数が所定数以上である期間を前記外国通貨の価値が特定の順位の安値となる時期が属する期間であると決定することとを含む。

【0012】

一実施形態において、前記判定することは、前記所定の期間全体に対する前記分割後の期間の相対位置に応じて、前記所定数を変化させることをさらに含む。

【0013】

一実施形態において、前記複数の期間は、２つの期間である。

【0014】

一実施形態において、前記予測することは、前記所定の期間の始点から所定の抑制期間内の時期を前記外国通貨の価値が特定の順位の安値となる時期として予測することを抑制することを含む。

【0015】

一実施形態において、前記予測することと、前記購入することとは、繰り返し行われる。

【0016】

一実施形態において、前記購入することは、前記予測された前記外国通貨の価値が特定の順位の安値となる時期に前記外国通貨を購入することに対するユーザの入力操作なしに、自動的に行われる。

【0017】

一実施形態において、前記特定の順位の安値は、最安値である。

【0018】

一実施形態において、前記特定の順位の安値は、ｎ番目に安い値である（ｎは２以上の整数）。

【0019】

本発明は、時間の経過につれて価値が変動する外国通貨を積み立てるための方法を提供し、前記方法は、コンピュータシステムにおいて実行され、前記方法は、所定の期間内で前記外国通貨の価値が特定の順位の安値となる時期を予測することと、前記予測された時期に前記外国通貨を購入することとを行うことを含む。

【0020】

本発明は、時間の経過につれて価値が変動する外国通貨を積み立てるためのプログラムを提供し、前記プログラムは、コンピュータシステムにおいて実行されると、所定の期間内で前記外国通貨の価値が特定の順位の安値となる時期を予測することと、前記予測された時期に前記外国通貨を購入することとを行うことを含む処理を前記コンピュータシステムに行わせる。

【0021】

本発明は、時間の経過につれて価値が変動する外国通貨の過去の価値変動に基づいて、所定の期間内で前記外国通貨の価値が特定の順位の値となる時期を予測するように構成されているコンピュータシステムを提供する。

【0022】

一実施形態において、本発明のコンピュータシステムは、前記予測された時期に前記外国通貨の取引リクエストを発行することをさらに行うように構成されている。

【0023】

本発明は、コンピュータシステムにおいて実行されるプログラムを提供し、前記プログラムは、実行されると、時間の経過につれて価値が変動する外国通貨の過去の価値変動に基づいて、所定の期間内で前記外国通貨の価値が特定の順位の値となる時期を予測することを含む処理を前記コンピュータシステムに行わせる。

【0024】

一実施形態において、前記処理は、前記予測された時期に前記外国通貨の取引リクエストを発行することをさらに含む。

【発明の効果】

【0025】

本発明によれば、時間の経過につれて価値が不規則に変動するアセットの価値の、所定の期間における最高値もしくは最安値（つまり、極大値もしくは極小値）または特定の順位の値（例えば、２番目に安い値、１０番目に高い値等）等の特定値を予測することを可能にするコンピュータシステム、方法、およびプログラムを提供することができる。

【0026】

さらに、本発明によれば、特定値となる時期の予測に基づいて、当該アセットを周期的または継続的に購入または積み立てることによって、当該アセットの評価額を大きくすることを可能にするコンピュータシステム、方法、および、プログラムを提供することができる。

【図面の簡単な説明】

【0027】

【図1】ＡＩ外貨積立預金におけるユーザと銀行と外国為替市場との間のデータフローの一例を示す図。

【図2】新しい金融商品を実現するためのコンピュータシステム２００の構成の一例を示す図。

【図3】データベース部２２０に格納される価値変動アセットの積立に関する情報のデータ構成の一例を示す図。

【図4】特定値予測ＡＩが利用する多層パーセプトロン４５０の一例を示す図。

【図5】新しい金融商品を実現するためのコンピュータシステム２００における処理５００の一例を示すフローチャート。

【図6A】ステップＳ５０１で特定値予測ＡＩが所定の期間内で価値変動アセットの価値が最安値となる時期を予測する処理の一例を示すフローチャート。

【図6B】ステップＳ６０２の処理を複数の予測モデルを利用して行う場合の処理の一例を示すフローチャート。

【図6C】ステップＳ６０２の処理を複数の予測モデルを利用して行い、かつ、所定の期間の前半を所定の期間内で価値変動アセットの価値が最安値となる時期として予測するときを制限する場合の処理の一例を示すフローチャート。

【図7A】米ドル価格（円）の時間変動の一例を示すグラフ。

【図7B】米ドル価格（円）の時間変動の一例を示すグラフ。

【図7C】米ドル価格（円）の時間変動の一例を示すグラフ。

【図7D】米ドル価格（円）の時間変動の一例を示すグラフ。

【図8A】豪ドル価格（円）の時間変動の一例を示すグラフ。

【図8B】豪ドル価格（円）の時間変動の一例を示すグラフ。

【図8C】豪ドル価格（円）の時間変動の一例を示すグラフ。

【図8D】豪ドル価格（円）の時間変動の一例を示すグラフ。

【図9】新しい金融商品を実現するためのコンピュータシステム２００の代替構成であるコンピュータシステム２００’の一例を示す図。

【発明を実施するための形態】

【0028】

以下、図面を参照しながら、本発明の実施の形態を説明する。

【0029】

１．ＡＩ外貨積立預金
本発明の発明者は、「ＡＩ外貨積立預金」という新しい金融商品を開発した。ＡＩ外貨積立預金とは、人工知能（ＡＩ）を用いて所定の期間内で対象の外貨が最安値となる日を予測し、対象の外貨が最安値となると予測された日に対象の外貨を購入することにより、その所定の期間ごとに対象の外貨を積み立てる積立預金である。ＡＩ外貨積立預金によれば、従来の外貨積立預金よりも有利な為替レートで外貨を購入することが可能である。その結果、為替レートの変動によるリスクをさらに低く抑えることが可能である。ここで、ＡＩとは、“Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ”の略語であり、人間の知能（もしくは、人間の知能を凌駕する知能）を人工的にコンピュータシステム上に実装するための技術、または、そのような技術が実装されたコンピュータシステムをいう。

【0030】

図１は、ＡＩ外貨積立預金におけるユーザと銀行と外国為替市場との間のデータフローの一例を示す。図１に示される例では、４月から毎月対象の外貨が積み立てられるものとする。以下、図１に示される各ステップを説明する。

【0031】

ステップＳ１０１：ユーザ１０は、ＡＩ外貨積立預金の申し込みを銀行２０に対して行う。これにより、ＡＩ外貨積立預金のデータフローが開始する。ＡＩ外貨積立預金の申し込みは、例えば、ユーザ１０がユーザ装置（例えば、スマートフォン）を用いて銀行２０の銀行システムにアクセスし、所定の申し込み手順に従ってユーザがユーザ装置を操作することによって行われる。あるいは、このような申し込みは、ユーザ１０がＡＩ外貨積立預金の申込書を銀行２０の窓口に提出することによって行われてもよい。ユーザ１０は、申し込みにおいて、例えば、積立通貨、積立金額、目標金額等を設定する。例えば、ユーザ１０は、申し込みにおいて、豪ドルを、１万円分、１００万円分貯まるまで積み立てることを設定し得る。このとき、ユーザ１０は、積立のタイミング（例えば、毎月どの日に豪ドルを購入するか）を設定することができない。

【0032】

銀行２０は、ＡＩ外貨積立預金の申し込みを受け、その申し込みに対する手続きを行う。銀行２０による手続きが完了すると、銀行２０の銀行システムがＡＩ外貨積立預金のための処理を実行する。

【0033】

銀行２０の銀行システムは、例えば、４月の初日に、４月中で対象の外貨が最安値となる日を予測する。このような予測は、ＡＩ（人工知能）を用いて行われる。例えば、４月１４日が対象の外貨が最安値となる日であると予測されたとする。

【0034】

ステップＳ１０２：銀行２０は、４月１４日に、ユーザ１０が設定した金額の日本円を用いて対象の外貨を購入する旨の購入リクエストを外国為替市場３０に送信する。

【0035】

ステップＳ１０３：外国為替市場３０は、銀行２０からの購入リクエストに応答して、４月１４日の為替レートで対象の外貨を銀行２０に販売する。銀行２０は、外国為替市場３０から４月分として購入した対象の外貨をユーザ１０の口座に積み立てる。

【0036】

ステップＳ１０４：銀行２０は、４月分として購入した対象の外貨をユーザ１０の口座に積み立てた旨をユーザ１０に報告する。

【0037】

銀行２０の銀行システムは、例えば、５月の初日に、５月中で対象の外貨が最安値となる日を予測する。このような予測は、ＡＩ（人工知能）を用いて行われる。例えば、５月２日が対象の外貨が最安値となる日であると予測されたとする。

【0038】

ステップＳ１０５：銀行２０は、５月２日に、ユーザ１０が設定した金額の日本円を用いて対象の外貨を購入する旨の購入リクエストを外国為替市場３０に送信する。

【0039】

ステップＳ１０６：外国為替市場３０は、銀行２０からの購入リクエストに応答して、５月２日の為替レートで対象の外貨を銀行２０に販売する。銀行２０は、外国為替市場３０から５月分として購入した対象の外貨をユーザ１０の口座に積み立てる。

【0040】

ステップＳ１０７：銀行２０は、５月分として購入した対象の外貨をユーザ１０の口座に積み立てた旨をユーザ１０に報告する。

【0041】

銀行２０の銀行システムは、例えば、６月の初日に、６月中で対象の外貨が最安値となる日を予測する。このような予測は、ＡＩ（人工知能）を用いて行われる。例えば、６月２８日が対象の外貨が最安値となる日であると予測されたとする。

【0042】

ステップＳ１０８：銀行２０は、６月２８日に、ユーザ１０が設定した金額の日本円を用いて対象の外貨を購入する旨の購入リクエストを外国為替市場３０に送信する。

【0043】

ステップＳ１０９：外国為替市場３０は、銀行２０からの購入リクエストに応答して、６月２８日の為替レートで対象の外貨を銀行２０に販売する。銀行２０は、外国為替市場３０から６月分として購入した対象の外貨をユーザ１０の口座に積み立てる。

【0044】

ステップＳ１１０：銀行２０は、６月分として購入した対象の外貨をユーザ１０の口座に積み立てた旨をユーザ１０に報告する。

【0045】

このようにして、ＡＩ外貨積立預金では、ＡＩ（人工知能）を用いて所定の期間内で対象の外貨が最安値となる日が予測され、対象の外貨が最安値となると予測された日に対象の外貨が購入される。このようにして、所定の期間ごとに外貨が積み立てられていく。これにより、ＡＩ外貨積立預金によれば、毎月一定の期日に外貨を購入する従来の外貨積立預金よりも有利な為替レートで外貨を購入して積み立てることが可能である。その結果、為替レートの変動によるリスクをさらに低く抑えることが可能である。これにより、任意の外貨購入周期末の時点における、マーク・トゥ・マーケットによる外貨資産の評価額を大きくすることができる。

【0046】

なお、ＡＩによる対象の外貨が最安値となる日の予測は、あくまでも予測であり、その日に最安値となることを保証するものではない。しかしながら、ＡＩによる予測精度を向上させることにより、より確実に、より有利な為替レートで積み立てを実行することが可能である。

【0047】

図１を参照して上述した実施形態では、ＡＩによる対象の外貨が最安値となる日の予測が取引月の初日に行われる例を説明したが、その予測が行われるタイミングはこれに限定されない。例えば、取引期間に至る前（例えば、取引月の前日）に、その予測が行われるようにしてもよい。

【0048】

図１を参照して上述した実施形態では、ＡＩを用いて、所定の期間内で対象の外貨が最安値となる日を予測したが、本発明はこれに限定されない。ＡＩを用いて、所定の期間内で対象の外貨が最安値となる日以外の日、例えば、所定の期間内で対象の外貨が２番目に安い値となる日、５番目に安い値となる日、１０番目に安い値となる日、１４番目に安い値となる日等を予測するようにしてもよい。これは、価値変動のランダム性が高く、予測が難しい外貨を積み立てる場合に、より有効な手法である。価値変動のランダム性が高く、予測が難しい外貨では、最安値を敢えて狙わないことで、最安値を取らないにしても最高値を回避することができるため、最終的な期待値が向上する。

【0049】

図１を参照して上述した実施形態では、銀行２０が対象の外貨を積み立てるごとにユーザ１０に報告したが、ユーザ１０への報告の要否およびタイミングは任意である。例えば、銀行２０からユーザ１０に対して能動的に報告しなくてもよいし、一定の回数の積立が終了した後にユーザに報告してもよい。

【0050】

図１を参照して上述した実施形態では、新しい金融商品の一例としてＡＩ外貨積立預金を説明したが、新しい金融商品はこれに限定されない。例えば、取引は、購入または積立に限定されない。取引は、売却であってもよい。このとき、ＡＩ（人工知能）を用いて所定の期間内で対象の外貨が最高値となる日が予測され、対象の外貨が最高値となると予測された日に対象の外貨が売却される。例えば、取引の対象は、外貨に限定されない。取引の対象は、時間の経過につれて価値が変動する任意のアセット（以下、「価値変動アセット」ともいう）であり得る。価値変動アセットの一例は、外貨、投資信託、金、コモディティ（原油、とうもろこし等）などであるが、これらには限定されない。すなわち、新しい金融商品は、人工知能（ＡＩ）を用いて所定の期間内で対象の価値変動アセットが特定値（最高値、最安値、１４番目に安い値、または、５番目に高い値等の特定の順位の値）となる時期（例えば、秒、分、時、日、または週等）を予測し、対象の価値変動アセットが最安値または特定の順位の安値となると予測された時期内に対象の価値変動アセットを購入するか、または、対象の価値変動アセットが最高値または特定の順位の高値となると予測された時期内に対象の価値変動アセットを売却することにより、価値変動アセットのポートフォリオの形成を行うことを可能にする商品である。この新しい金融商品によれば、従来の積立型金融商品よりも有利な価格で価値変動アセットを購入または売却することが可能である。その結果、価値変動によるリスクをさらに低く抑えるとともに、その評価額を大きくすることが可能である。

【0051】

２．新しい金融商品を実現するためのコンピュータシステムの構成
図２は、上述した新しい金融商品を実現するためのコンピュータシステム２００の構成の一例を示す。

【0052】

コンピュータシステム２００は、例えば、銀行２０において用いられるコンピュータシステムである。

【0053】

コンピュータシステム２００は、ネットワーク４００を介して、アセット取引コンピュータシステム３００と接続される。ここで、ネットワーク４００の種類は問わない。ネットワーク４００は、例えば、インターネットであってもよいし、ＬＡＮであってもよい。

【0054】

アセット取引コンピュータシステム３００は、価値変動アセットの取引のための処理を実行することができるサーバ装置等を含むコンピュータシステムである。アセット取引コンピュータシステム３００は、例えば、外国為替市場３０において用いられるコンピュータシステムである。アセット取引コンピュータシステム３００は、例えば、外国為替市場３０に参加している短資会社等の売買仲介事業者または売買当事者の所管するコンピュータシステムであってもよい。アセット取引コンピュータシステム３００は、価値変動アセットの購入のリクエストに応答して、価値変動アセットを販売する処理を行うように構成されている。また、アセット取引コンピュータシステム３００は、価値変動アセットの売却のリクエストに応答して、価値変動アセットを購入する処理を行うように構成されている。コンピュータシステム２００は、アセット取引コンピュータシステム３００と接続されていることにより、価値変動アセットの取引を行うことが可能である。

【0055】

コンピュータシステム２００は、サーバ装置２１０と、サーバ装置２１０に接続されるデータベース部２２０とを備える。サーバ装置２１０は、インターフェース部２１１と、プロセッサ部２１２と、メモリ部２１３とを備える。

【0056】

インターフェース部２１１は、ネットワーク４００を介した通信を制御するように構成されている。インターフェース部２１１は、サーバ装置２１０の外部に情報を送信することが可能であり、ユーザ装置２１０の外部から情報を受信することが可能である。例えば、インターフェース部２１１は、ネットワーク４００を介して、価値変動アセットの購入のリクエストをアセット取引コンピュータシステム３００に送信する。例えば、インターフェース部２１１は、ネットワーク４００を介して、価値変動アセットの売却のリクエストをアセット取引コンピュータシステム３００に送信する。例えば、インターフェース部２１１は、サーバ装置２１０に接続されているデータベース部２２０に情報を送信し、データベース部２２０から情報を受信する。

【0057】

プロセッサ部２１２は、サーバ装置２１０全体の動作を制御する。プロセッサ部２１２は、メモリ部２１３に格納されているプログラムを読み出し、そのプログラムを実行する。これにより、サーバ装置２１０を所望のステップを実行する装置として機能させることが可能である。例えば、プロセッサ部２１２は、価値変動アセットを積み立てる処理の一部または全部を行うことができる。プロセッサ部２１２は、単一のプロセッサによって実装されてもよいし、複数のプロセッサによって実装されてもよい。

【0058】

メモリ部２１３には、サーバ装置２１０における処理を実行するためのプログラムやそのプログラムの実行に必要とされるデータ等が格納されている。メモリ部２１３には、例えば、価値変動アセットの取引を行うためのプログラム、または、価値変動アセットを積み立てるためのプログラム（例えば、後述する図５および図６Ａ〜図６Ｃに示される処理を実現するプログラム）の一部または全部が格納されている。ここで、プログラムをどのようにしてメモリ部２１３に格納するかは問わない。例えば、プログラムは、メモリ部２１３にプリインストールされていてもよい。あるいは、プログラムは、ネットワーク４００を経由してダウンロードされることによってメモリ部２１３にインストールされるようにしてもよい。メモリ部２１３は、任意の記憶手段によって実装され得る。

【0059】

データベース部２２０には、ユーザ毎に価値変動アセットの積立に関する情報が格納される。価値変動アセットの積立に関する情報は、価値変動アセットの積立先の情報を含む。価値変動アセットの積立先の情報は、例えば、価値変動アセットの積立先に積み立てられた価値変動アセットに関する情報（例えば、価値変動アセットの購入時間、価値変動アセットの購入価格、価値変動アセットの購入量、価値変動アセットの積立量等）を含んでもよい。価値変動アセットの積立先の情報は、価値変動アセットの積立先から売却された価値変動アセットに関する情報（例えば、価値変動アセットの売却時間、価値変動アセットの売却価格、価値変動アセットの売却量等）も含み得る。価値変動アセットが外貨の場合、価値変動アセットの積立先の情報は、外貨積立用口座の情報であり、外貨積立用口座に積み立てられた外貨に関する情報（例えば、外貨の購入日時、外貨の購入価格、外貨の購入量、外貨の積立総額等）および外貨積立用口座から売却された外貨に関する情報（例えば、外貨の売却日時、外貨の売却価格、外貨の売却量等）を含み得る。

【0060】

データベース部２２０には、例えば、過去の価値変動データも格納され得る。過去の価値変動データは、将来の価値変動を予測するために、後述する特定値予測ＡＩの学習のために用いられ得る。学習に用いられる過去の価値変動データは、購入用通貨（例えば、日本円）に対する対象のアセットの価値変動データ（例えば、日本円で米ドルを購入して積み立てる場合は、日本円に対する米ドルの価値変動データ）を含み得る。学習に用いられる過去の価値変動データは、購入用通貨に対する対象のアセットの価値変動データに加えて、他の通貨（例えば、米ドル、豪ドル、ユーロ、ＮＺドル等）に対する対象のアセットの価値変動データ、または、Ｓ＆Ｐ５００指数、日経平均株価、ドイツ株価指数、あるいは、ＷＴＩ原油価格等のデータを含んでもよい。データベース部２２０には、例えば、学習した価値変動傾向も格納され得る。後述する特定値予測ＡＩが多層パーセプトロンを利用する場合、データベース部２２０には、学習によって確立された各ノードの重みベクトルが格納されるようにしてもよい。

【0061】

図３は、データベース部２２０に格納される価値変動アセットの積立に関する情報のデータ構成の一例を示す。

【0062】

図３に示される例では、価値変動アセットが外貨の場合に、データベース部２２０に格納される情報のデータ構成の一例が示されている。

【0063】

データベース部２２０は、ユーザ毎に、外貨積立用口座の情報を格納している。データベース部２２０は、第１のユーザの外貨積立用口座の情報を格納するためのデータベース２２１と、第２のユーザの外貨積立用口座の情報を格納するためのデータベース２２２とを含む。第１のユーザの外貨積立用口座の情報を格納するためのデータベース２２１は、例えば、２０１７年４月からドル建て積立預金を開始した第１のユーザの外貨積立用口座番号、外貨の購入日時、外貨の購入価格、外貨の積立総額を含む。例えば、データベース２２１は、第１のユーザが２０１７年４月１４日に１１３ドルを購入し、積立総額が１１３ドルとなったという情報を格納し、第１のユーザが２０１７年５月２日に１１９ドルを購入し、積立総額が２３２ドルとなったという情報を格納し、第１のユーザが２０１７年６月２８日に１２５ドルを購入し、積立総額が３５７ドルとなったという情報を格納し、第１のユーザが２０１７年７月１０日に１１０ドルを購入し、積立総額が４６７ドルとなったという情報を格納し得る。第２のユーザの外貨積立用口座の情報を格納するためのデータベース２２２は、例えば、２０１６年７月からユーロ建て積立預金を開始した第２のユーザの外貨積立用口座番号、外貨の購入日時、外貨の購入価格、外貨の積立総額を含む。例えば、データベース２２１は、第２のユーザが２０１６年７月１２日に５２０ユーロを購入し、積立総額が５２０ユーロとなったという情報を格納し得る。

【0064】

所定の期間内で価値変動アセットの価値が特定値（例えば、最安値、最高値、１４番目に安い値、または、５番目に高い値等の特定の順位の値）となる時期（例えば、秒、分、時、日、または週等）を予測することが可能なＡＩ（以下、「特定値予測ＡＩ」ともいう）は、上述した構成を有するコンピュータシステム２００によって実現される。特定値予測ＡＩは、予測モデルとして多層パーセプトロン４５０を利用する。

【0065】

図４は、特定値予測ＡＩが利用する多層パーセプトロン４５０の一例を示す。

【0066】

多層パーセプトロン４５０は、入力層と、隠れ層と、出力層とを有する。図４に示される例では、多層パーセプトロン４５０が２層の隠れ層を有するように示されているが、隠れ層の数はこれに限定されない。多層パーセプトロン４５０は、１以上の隠れ層を備えることができる。また、多層パーセプトロン４５０の入力層、隠れ層、および出力層の各層は、任意の数のノードを含むことができる。例えば、入力層から出力層に向かうにつれてノードが減少していくように、各層がノードを含むようにしてもよいし、各隠れ層が同数のノードを含むようにしてもよい。

【0067】

特定値予測ＡＩは、多層パーセプトロン４５０を利用して過去の価値変動データを学習することにより、価値変動アセットの価値の将来の変動を予測することができる。学習される過去の価値変動データは、例えば、購入用通貨（例えば、日本円）に対する予測対象のアセットの価値変動データを含む。これに加えて、学習される過去の価値変動データは、購入用通貨以外の通貨（例えば、米ドル、豪ドル、ユーロ、ＮＺドル等）に対する予測対象のアセットの価値変動データを含んでもよく、または、Ｓ＆Ｐ５００指数、日経平均株価、ドイツ株価指数、あるいは、ＷＴＩ原油価格等の予測対象のアセット以外のアセット価格データを含んでもよい。特定値予測ＡＩは、過去の価値変動データを教師データとして学習することにより、多層パーセプトロン４５０の各ノードの重みベクトルを確立することができる。例えば、特定値予測ＡＩは、少なくとも１種類の価値変動データの一定期間のデータを教師用入力データとし、その一定期間後の予測対象のアセットの価値変動データを教師用出力データとして、学習を行うことができる。

【0068】

教師用出力データは、例えば、一定期間後の予測対象のアセットの所定期間の平均値であってもよい。このような教師用出力データによる学習によって確立された各ノードの重みベクトルを有する多層パーセプトロン４５０は、直前の期間の価値変動データを入力されると、将来の所定期間の平均値の予測を出力することができるようになる。

【0069】

教師用出力データは、例えば、予測対象のアセットが、一定期間後の或る期間（例えば、１月、１０営業日、６営業日、２営業日等）の前半に最安値となるか後半に最安値となるかを示す２値（０または１）であってもよい。このような教師用出力データによる学習によって確立された各ノードの重みベクトルを有する多層パーセプトロン４５０は、直前の期間の価値変動データを入力されると、将来の或る期間（例えば、１月、１０営業日、６営業日、２営業日等）の前半に最安値となるか後半に最安値となるかの予測を出力することができるようになる。

【0070】

教師用出力データは、例えば、予測対象のアセットが、一定期間後の或る期間（例えば、１月、１０営業日、６営業日、２営業日等）を複数の期間に分割した期間のうちのどの期間に最安値となるかを示す値であってもよい。このような教師用出力データによる学習によって確立された各ノードの重みベクトルを有する多層パーセプトロン４５０は、直前の期間の価値変動データを入力されると、将来の或る期間（例えば、１月、１０営業日、８営業日、４営業日等）を複数の期間に分割した期間のうちのどの期間に最安値となるかの予測を出力することができるようになる。

【0071】

特定値予測ＡＩは、多層パーセプトロン４５０を利用して、過去の価値変動データから、例えば、「大きな上げトレンドの月は、月の前半が最安値になりやすく、月の後半が最高値になりやすい」、「大きな下げトレンドの月は、月の後半が最安値になりやすく、月の前半が最高値になりやすい」、「下げトレンドのときは週末よりも週明けのほうが最安値になりやすい」、「上げトレンドのときは週明けよりも週末のほうが最安値になりやすい」等のトレンドに基づいた価値変動傾向を学習することができる。特定値予測ＡＩは、過去の価値変動データから、例えば、「ある閾値以上上昇した日の後は必ず下降する」、「ある閾値以上下降した日の後は必ず上昇する」等の変動量に基づいた価値変動傾向を学習することができる。学習結果は、過去の変動データとともにデータベース部２２０に格納される。

【0072】

特定値予測ＡＩは、多層パーセプトロン４５０を利用して、学習結果に基づいて、所定の期間内で価値変動アセットの価値が特定値（例えば、最安値、最高値、１４番目に安い値、または、５番目に高い値等の特定の順位の値）となる時期（例えば、秒、分、時、日、または週等）を予測する。予測の処理のための多層パーセプトロン４５０への入力は、予測対象の所定の期間の直前の期間の価値変動データであり得る。予測の処理のための多層パーセプトロン４５０への入力は購入用通貨（例えば、日本円）に対する予測対象のアセットの価値変動データであり得るが、購入用通貨以外の通貨（例えば、米ドル、豪ドル、ユーロ、ＮＺドル等）に対する対象のアセットの価値変動データであってもよく、あるいは、Ｓ＆Ｐ５００指数、日経平均株価、ドイツ株価指数、または、ＷＴＩ原油価格等の予測対象のアセット以外のアセット価格データを予測の処理における入力としてもよい。多層パーセプトロン４５０への入力は、例えば、予測対象の所定の期間の直前１６日間の価値変動データ、直前３２日間の価値変動データ、または、直前６４日間の価値変動データであり得る。多層パーセプトロン４５０へ入力されるデータが多いほど、予測精度はより向上するが、データの増加に伴い計算量が増加する点に留意すべきである。また、学習した過去の価値変動データが多いほど、予測精度はより向上するが、これもまた、データの増加に伴い学習のための計算量が増加する点に留意すべきである。さらに、学習した過去の価値変動データの種類が多いほど、予測精度はより向上するが、予測のために関連のないデータを学習させてしまうと、特定値予測ＡＩが混乱し、予測精度が下がってしまうおそれがある点に留意すべきである。

【0073】

多層パーセプトロン４５０は、予測モデルの一例であり、特定値予測ＡＩは、他の任意の予測モデルを利用して価値変動アセットの価値が特定値となる時期を予測することができる。例えば、特定値予測ＡＩは、ＣＮＮ（畳み込みニューラルネットワーク）、リカレントニューラルネットワーク（ＲＮＮ）等を予測モデルとして利用して価値変動アセットの価値が特定値となる時期を予測することができる。概して、多層パーセプトロン４５０よりも、ＣＮＮのほうが予測精度が良い。

【0074】

特定値予測ＡＩは、複数の予測モデルを利用して、価値変動アセットの価値が特定の順位の値となる時期を予測することができる。複数の予測モデルは、例えば、学習に用いられる過去の価値変動データの種類または量が異なる複数の予測モデルであり得る。複数の予測モデルは、例えば、予測のために入力される直前の期間の価値変動データの種類または量が異なる複数の予測モデルであり得る。複数の予測モデルは、例えば、多層パーセプトロン４５０を利用する予測モデル、ＣＮＮを利用する予測モデル、ＲＮＮを利用する予測モデル等の利用するニューラルネットワークの種類がそれぞれ異なる複数の予測モデルであり得る。特定値予測ＡＩは、複数の予測モデルのそれぞれを用い、それぞれの予測結果の多数決をとって、価値変動アセットの価値が特定の順位の値となる時期を予測することにより、予測精度を向上させることが可能である。

【0075】

図２に示される例では、サーバ装置２１０の各構成要素がサーバ装置２１０内に設けられているが、本発明はこれに限定されない。サーバ装置２１０の各構成要素のいずれかがサーバ装置２１０の外部に設けられることも可能である。例えば、プロセッサ部２１２、メモリ部２１３のそれぞれが別々のハードウェア部品で構成されている場合には、各ハードウェア部品が任意のネットワークを介して接続されてもよい。このとき、ネットワークの種類は問わない。各ハードウェア部品は、例えば、ＬＡＮを介して接続されてもよいし、無線接続されてもよいし、有線接続されてもよい。

【0076】

図２に示される例では、データベース部２２０は、サーバ装置２１０の外部に設けられているが、本発明はこれに限定されない。データベース部２２０をサーバ装置２１０の内部に設けることも可能である。このとき、データベース部２２０は、メモリ部２１３を実装する記憶手段と同一の記憶手段によって実装されてもよいし、メモリ部２１３を実装する記憶手段とは別の記憶手段によって実装されてもよい。いずれにせよ、データベース部２２０は、サーバ装置２１０のための記憶部として構成される。データベース部２２０の構成は、特定のハードウェア構成に限定されない。例えば、データベース部２２０は、単一のハードウェア部品で構成されてもよいし、複数のハードウェア部品で構成されてもよい。例えば、データベース部２２０は、サーバ装置２１０の外付けハードディスク装置として構成されてもよいし、ネットワーク４００を介して接続されるクラウド上のストレージとして構成されてもよい。

【0077】

３．新しい金融商品を実現するためのコンピュータシステムにおける処理
図５は、新しい金融商品を実現するためのコンピュータシステム２００における処理５００の一例を示す。ここでは、時間の経過につれて価値が変動するアセットを積み立てるための処理５００を例に説明する。

【0078】

ステップＳ５０１において、コンピュータシステム２００によって実現される特定値予測ＡＩが、所定の期間内で価値変動アセットの価値が最安値となる時期を予測する。特定値予測ＡＩは、例えば、図５を参照して後述する処理によって、所定の期間内で価値変動アセットの価値が最安値となる時期を予測する。ここで、所定の期間は、価値変動アセットを積み立てる間隔であり得る。例えば、毎月価値変動アセットを積み立てる場合、所定の期間は１月（または２３営業日）であり得る。例えば、毎週価値変動アセットを積み立てる場合、所定の期間は１週間（または５営業日）であり得る。例えば、毎日価値変動アセットを積み立てる場合、所定の期間は１日（または９時間）であり得る。所定の期間内で価値変動アセットの価値が最安値となる時期は、例えば、秒、分、時、日、または週等の任意の時間単位であり得る。

【0079】

ステップＳ５０１で予測された価値変動アセットの価値が最安値となる時期に至ると、ステップＳ５０２において、サーバ装置２１０のプロセッサ部２１２が、価値変動アセットを購入する処理を実行する。具体的には、プロセッサ部２１２は、インターフェース部２１１を介して、アセット取引コンピュータシステム３００に価値変動アセットの購入リクエストを送信し、アセット取引コンピュータシステムから所望の価値変動アセットを購入する処理を実行する。プロセッサ部２１２は、購入した価値変動アセットの情報をデータベース部２２０に格納し得る。

【0080】

ステップＳ５０１およびステップＳ５０２を繰り返すことにより、所定の期間ごとに価値変動アセットが積み立てられる。積み立てられた価値変動アセットの情報はデータベース部２２０に格納される。

【0081】

なお、ステップＳ５０１の後、ステップＳ５０２の前に、ステップＳ５０１で予測された価値変動アセットの価値が最安値となる時期に価値変動アセットを購入することについてユーザに確認をとるために、ユーザに入力操作を行わせるようにしてもよい。しかし、ステップＳ５０２は、ユーザによる入力操作なしに、自動的に行われるのが好ましい。価値変動アセットを購入する度にユーザが確認する必要があることは、ユーザにとって煩わしく、利便性を損なうからである。ステップＳ５０２を自動的に行うことについては、例えば、ユーザによる価値変動アセット積立の申し込み時に、ユーザの同意を得ておいてもよい。

【0082】

上述した例では、ステップＳ５０１で、所定の期間内で価値変動アセットの価値が最安値となる時期を予測したが、ステップＳ５０１の代わりのステップＳ５０１’で、所定の期間内で価値変動アセットの価値が特定の順位の安値（例えば、２番目に安い値、５番目に安い値、１０番目に安い値、１４番目に安い値、すなわち、ｎ番目に安い値（ｎは２以上の整数））となる時期を予測するようにしてもよい。これは、価値変動アセットの価値変動のランダム性が高く、予測が難しい場合に、より有効な手法である。最安値を敢えて狙わないことで、最安値を取らないにしても最高値を回避することができるため、最終的な期待値が向上する。これにより安定したアセット購入を達成することができる。

【0083】

なお、コンピュータシステム２００における処理は、時間の経過につれて価値が変動するアセットを売却するための処理であってもよい。この場合、ステップＳ５０１において、特定値予測ＡＩが、所定の期間内で価値変動アセットの価値が最高値となる時期を予測し、予測された価値変動アセットの価値が最高値となる時期に至ると、ステップＳ５０２において、サーバ装置２１０のプロセッサ部２１２が、価値変動アセットを売却する処理を実行するようにしてもよい。この場合でも、上述したステップＳ５０１’の場合と同様に、所定の期間内で価値変動アセットの価値が特定の順位の高値（例えば、２番目に高い値、５番目に高い値、１０番目に高い値、１４番目に高い値、すなわち、ｎ番目に高い値（ｎは２以上の整数）となる時期を予測するようにしてもよい。これは、価値変動アセットの価値変動のランダム性が高く、予測が難しい場合に、より有効な手法である。最高値を敢えて狙わないことで、最高値を取らないにしても最安値を回避することができるため、最終的な期待値が向上する。これにより安定したアセット売却を達成することができる。

【0084】

すなわち、コンピュータシステム２００における処理は、ステップＳ５０１において、特定値予測ＡＩが、所定の期間内で価値変動アセットの価値が特定値（最高値、最安値、ｎ番目に安い値、または、ｎ番目に高い値（ｎは２以上の整数）等の特定の順位の値）となる時期を予測し、予測された価値変動アセットの価値が特定値となる時期に至ると、ステップＳ５０２において、サーバ装置２１０のプロセッサ部２１２が、価値変動アセットを取引する（購入または売却する）処理を実行する処理であり得る。

【0085】

最安値／最高値となる時期を予測する代わりに、特定の順位の値となる時期を予測するようにすることは、例えば、所定の期間毎に切り替えてもよい。例えば、或る月に、トレンドが強く出る（価値変動が直線的である）ことが予測されるときは、最安値／最高値となる時期を予測するようにしてもよいし、別の月に、トレンドが出ない（価値変動が曲線的に上下する）ことが予測されるときは、最安値／最高値となる時期を予測する代わりに、特定の順位の値となる時期を予測するようにしてもよい。この予測は、例えば、任意のトレンド予測手法および／またはボラティリティ予測手法を用いて行われてもよい。

【0086】

最安値／最高値となる時期を予測する代わりに、特定の順位の値となる時期を予測するようにすることは、対象の価値変動アセット毎に切り替えてもよい。例えば、或る価値変動アセットにおいて、過去の価値変動データを分析し、１年間で１２分の９以上の月でトレンドが出ないと判断されたときは、その価値変動アセットを対象とする際は、最安値／最高値となる時期を予測する代わりに、特定の順位の値となる時期を予測するようにしてもよい。

【0087】

特定の順位の値となる時期を予測するとき、特定の順位は、価値変動アセットの価格変動を考慮して、特定値予測ＡＩによって設定させられてもよいし、手動で設定されてもよい。また、特定の順位は、対象の価値変動アセット毎に個別に設定されてもよい。特定の順位を何位にするかは、例えば、バックテストを用いて最適な順位を検証するようにしてもよい。

【0088】

図６Ａは、ステップＳ５０１で特定値予測ＡＩが所定の期間内で価値変動アセットの価値が最安値となる時期を予測する処理の一例を示す。特定値予測ＡＩは、下記に説明されるように、二分探索により、所定の期間内で価値変動アセットの価値が最安値となる時期を予測する。二分探索では、探索の幅に応じて適切な予測モデルを利用することができるため、精度よく予測を行うことができる。例えば、探索の幅が長期にわたる場合は長期の変動を予測するための予測モデルを利用し、探索の幅が短期になるにつれて、短期の変動を予測するための予測モデルを利用することができる。概して、長期の変動を予測する予測モデルよりも短期の変動を予測するモデルの方が予測精度は良い。

【0089】

ステップＳ６０１において、特定値予測ＡＩは、所定の期間を２つの期間に分割する。例えば、所定の期間が２月（４６営業日）である場合、特定値予測ＡＩは、４６営業日を、第１営業日〜第２３営業日を含む第１の期間と、第２４営業日〜第４６営業日を含む第２の期間とに分割し得る。例えば、所定の期間が１月（２３営業日）である場合、特定値予測ＡＩは、２３営業日を、第１営業日〜第１２営業日を含む第１の期間と、第１３営業日〜第２３営業日を含む第２の期間とに分割し得る。例えば、所定の期間が１週間（５営業日）である場合、第１営業日〜第３営業日を含む第１の期間と、第４営業日〜第５営業日を含む第２の期間とに分割し得る。このように分割後の２つの期間は、同一の長さであってもよく、異なる長さであってもよい。分割後の２つの期間は、それぞれ、任意の長さの期間を含み得る。

【0090】

ステップＳ６０２において、特定値予測ＡＩは、ステップＳ６０１での分割後の２つの期間のうち、価値変動アセットの価値が最安値となる時期が属する期間を判定する。価値変動アセットの価値が最安値となる時期が属する期間は、例えば、予測対象期間の変動を予測する予測モデルを利用して判定され得る。価値変動アセットの価値が最安値となる時期が属する期間を判定するために、特定値予測ＡＩは、例えば、分割後の２つの期間のうち、価値変動アセットの価値の平均値が低い期間を判定する。これは、統計的には、価値変動アセットの価値が最安値となる時期が、価値変動アセットの価値の平均値が低い期間の方に属する可能性が高いという事実に基づいている。このとき特定値予測ＡＩは、将来の所定期間の平均値の予測を出力することができるように、過去の価値変動データを教師データとして学習している。

【0091】

ステップＳ６０２で、特定値予測ＡＩは、複数の予測モデルを利用して、ステップＳ６０１での分割後の２つの期間のうち、価値変動アセットの価値が最安値となる時期が属する期間を判定するようにしてもよい。このとき、例えば、図６Ｂに示される処理を行ってもよい。

【0092】

図６Ｂは、ステップＳ６０２の処理を複数の予測モデルを利用して行う場合の処理の一例を示す。

【0093】

ステップＳ６０２−１で、特定値予測ＡＩは、複数の予測モデルのそれぞれを用いて、ステップＳ６０１での分割後の２つの期間のうち、価値変動アセットの価値が最安値となる時期が属する期間を判定する。例えば、特定値予測ＡＩが５つの予測モデルを利用する場合、第１の予測モデルを用いて、ステップＳ６０１での分割後の２つの期間のうち、価値変動アセットの価値が最安値となる時期が属する期間を判定し、第２の予測モデルを用いて、ステップＳ６０１での分割後の２つの期間のうち、価値変動アセットの価値が最安値となる時期が属する期間を判定し、・・・第５の予測モデルを用いて、ステップＳ６０１での分割後の２つの期間のうち、価値変動アセットの価値が最安値となる時期が属する期間を判定する。価値変動アセットの価値が最安値となる時期が属する期間の判定は、例えば、将来の所定期間の平均値の予測を出力することができるように、過去の価値変動データを教師データとして学習している特定値予測ＡＩによって、分割後の２つの期間のうち、価値変動アセットの価値の平均値が低い期間を判定することによって行われてもよい。価値変動アセットの価値が最安値となる時期が属する期間の判定は、例えば、将来の或る期間の前半に最安値となるか後半に最安値となるかの予測を出力することができるように過去の価値変動データを教師データとして学習している特定値予測ＡＩによって、行われてもよい。

【0094】

次に、ステップＳ６０２−２で、特定値予測ＡＩは、ステップＳ６０１での分割後の２つの期間のうち、より多くの予測モデルによって価値変動アセットの価値が最安値となる時期が属する期間であると判定された期間を、価値変動アセットの価値が最安値となる時期が属する期間であると決定する。複数の予測モデルを利用して価値変動アセットの価値が最安値となる時期が属する期間を判定することで、予測精度を向上させることができる。例えば、第１の予測モデルによって、ステップＳ６０１での分割後の２つの期間のうちの前半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定され、第２の予測モデルによって、ステップＳ６０１での分割後の２つの期間のうちの前半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定され、第３の予測モデルによって、ステップＳ６０１での分割後の２つの期間のうちの後半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定され、第４の予測モデルによって、ステップＳ６０１での分割後の２つの期間のうちの前半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定され、第５の予測モデルによって、ステップＳ６０１での分割後の２つの期間のうちの後半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定された場合、ステップＳ６０１での分割後の２つの期間のうちの前半の期間が価値変動アセットの価値が最安値となる時期が属する期間であると判定した予測モデルの数の方が、ステップＳ６０１での分割後の２つの期間のうちの後半の期間が価値変動アセットの価値が最安値となる時期が属する期間であると判定した予測モデルの数よりも多いため、特定値予測ＡＩは、多数決で、ステップＳ６０１での分割後の２つの期間のうちの前半の期間を、価値変動アセットの価値が最安値となる時期が属する期間であると決定する。

【0095】

例えば、価値変動アセットの価値が最安値となる時期が属する期間が前半の期間であると判定した予測モデルの数と、価値変動アセットの価値が最安値となる時期が属する期間が後半の期間であると判定した予測モデルの数とが同一である場合、予め定めた方の期間を、価値変動アセットの価値が最安値となる時期が属する期間であると決定するようにしてもよいが、後半の期間を価値変動アセットの価値が最安値となる時期が属する期間であると決定するようにすることが好ましい。後述するように、前半の期間の方が潜在的なリスクが大きいからである。

【0096】

再び図６Ａに戻って、ステップＳ６０３において、特定値予測ＡＩは、ステップＳ６０２で価値変動アセットの価値が最安値となる時期が属すると判定された期間が、価値変動アセットの価値が最安値となる時期と同じ長さであるか否かを判定する。ステップＳ６０２で価値変動アセットの価値が最安値となる時期が属すると判定された期間が、価値変動アセットの価値が最安値となる時期と同じ長さでないと判定された場合（Ｎｏの場合）、ステップＳ６０４に進む。ステップＳ６０２で価値変動アセットの価値が最安値となる日が属すると判定された期間が、価値変動アセットの価値が最安値となる時期と同じ長さであると判定された場合（Ｙｅｓの場合）、Ｓ６０６に進み、処理が終了する。ステップＳ６０２で価値変動アセットの価値が最安値となる時期が属すると判定された期間が、価値変動アセットの価値が最安値となる時期であると決定することができるからである。

【0097】

ステップＳ６０４において、特定値予測ＡＩは、価値変動アセットの価値が最安値となる時期が属すると判定された期間をさらに２つの期間に分割する。例えば、価値変動アセットの価値が最安値となる時期が属すると判定された期間が１１営業日である場合、特定値予測ＡＩは、１１営業日を、第１営業日〜第６営業日を含む第１の期間と、第７営業日〜第１１営業日を含む第２の期間とに分割し得る。例えば、価値変動アセットの価値が最安値となる時期が属すると判定された期間が６営業日である場合、特定値予測ＡＩは、６営業日を、第１営業日〜第３営業日を含む第１の期間と、第４営業日〜第６営業日を含む第２の期間とに分割し得る。このように分割後の２つの期間は、同一の長さであってもよく、異なる長さであってもよい。分割後の２つの期間は、それぞれ、任意の長さの期間を含み得る。

【0098】

ステップＳ６０５において、特定値予測ＡＩは、ステップＳ６０４での分割後の２つの期間のうち、価値変動アセットの価値が最安値となる時期が属する期間を判定する。価値変動アセットの価値が最安値となる時期が属する期間は、例えば、予測対象期間の変動を予測する予測モデルを利用して判定され得る。価値変動アセットの価値が最安値となる時期が属する期間を判定するために、特定値予測ＡＩは、例えば、分割後の２つの期間のうち、価値変動アセットの価値の平均値が低い期間を判定する。これは、統計的には、価値変動アセットの価値が最安値となる時期が、価値変動アセットの価値の平均値が低い期間の方に属する可能性が高いという事実に基づいている。このとき特定値予測ＡＩは、将来の所定期間の平均値の予測を出力することができるように、過去の価値変動データを教師データとして学習している。

【0099】

ステップＳ６０５で、特定値予測ＡＩは、複数の予測モデルを利用して、ステップＳ６０４での分割後の２つの期間のうち、価値変動アセットの価値が最安値となる時期が属する期間を判定するようにしてもよい。このとき、例えば、図６Ｂに示される処理と同様の処理を行うようにしてもよい。

【0100】

ステップＳ６０５−１で、特定値予測ＡＩは、複数の予測モデルのそれぞれを用いて、ステップＳ６０４での分割後の２つの期間のうち、価値変動アセットの価値が最安値となる時期が属する期間を判定する。例えば、特定値予測ＡＩが５つの予測モデルを利用する場合、第１の予測モデルを用いて、ステップＳ６０４での分割後の２つの期間のうち、価値変動アセットの価値が最安値となる時期が属する期間を判定し、第２の予測モデルを用いて、ステップＳ６０４での分割後の２つの期間のうち、価値変動アセットの価値が最安値となる時期が属する期間を判定し、・・・第５の予測モデルを用いて、ステップＳ６０４での分割後の２つの期間のうち、価値変動アセットの価値が最安値となる時期が属する期間を判定する。価値変動アセットの価値が最安値となる時期が属する期間の判定は、例えば、将来の所定期間の平均値の予測を出力することができるように、過去の価値変動データを教師データとして学習している特定値予測ＡＩによって、分割後の２つの期間のうち、価値変動アセットの価値の平均値が低い期間を判定することによって行われてもよい。価値変動アセットの価値が最安値となる時期が属する期間の判定は、例えば、将来の或る期間の前半に最安値となるか後半に最安値となるかの予測を出力することができるように過去の価値変動データを教師データとして学習している特定値予測ＡＩによって、行われてもよい。

【0101】

次に、ステップＳ６０５−２で、特定値予測ＡＩは、ステップＳ６０４での分割後の２つの期間のうち、より多くの予測モデルによって価値変動アセットの価値が最安値となる時期が属する期間であると判定された期間を、価値変動アセットの価値が最安値となる時期が属する期間であると決定する。例えば、第１の予測モデルによって、ステップＳ６０４での分割後の２つの期間のうちの後半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定され、第２の予測モデルによって、ステップＳ６０４での分割後の２つの期間のうちの前半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定され、第３の予測モデルによって、ステップＳ６０４での分割後の２つの期間のうちの後半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定され、第４の予測モデルによって、ステップＳ６０４での分割後の２つの期間のうちの前半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定され、第５の予測モデルによって、ステップＳ６０４での分割後の２つの期間のうちの後半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定された場合、ステップＳ６０４での分割後の２つの期間のうちの後半の期間が価値変動アセットの価値が最安値となる時期が属する期間であると判定した予測モデルの数の方が、ステップＳ６０４での分割後の２つの期間のうちの前半の期間が価値変動アセットの価値が最安値となる時期が属する期間であると判定した予測モデルの数よりも多いため、特定値予測ＡＩは、多数決で、ステップＳ６０４での分割後の２つの期間のうちの後半の期間を、価値変動アセットの価値が最安値となる時期が属する期間であると決定する。

【0102】

例えば、価値変動アセットの価値が最安値となる時期が属する期間が前半の期間であると判定した予測モデルの数と、価値変動アセットの価値が最安値となる時期が属する期間が後半の期間であると判定した予測モデルの数とが同一である場合、予め定めた方の期間を、価値変動アセットの価値が最安値となる時期が属する期間であると決定するようにしてもよいが、後半の期間を価値変動アセットの価値が最安値となる時期が属する期間であると決定するようにすることが好ましい。後述するように、前半の期間の方が潜在的なリスクが大きいからである。

【0103】

ステップＳ６０５の後、再びステップＳ６０３に進む。ステップＳ６０３において、特定値予測ＡＩは、ステップＳ６０５で価値変動アセットの価値が最安値となる時期が属すると判定された期間が、価値変動アセットの価値が最安値となる時期と同じ長さであるか否かを判定する。ステップＳ６０５で価値変動アセットの価値が最安値となる時期が属すると判定された期間が、価値変動アセットの価値が最安値となる時期と同じ長さでないと判定された場合（Ｎｏの場合）、ステップＳ６０４に再び進む。そして、ステップＳ６０５で価値変動アセットの価値が最安値となる時期が属すると判定された期間が、価値変動アセットの価値が最安値となる時期と同じ長さであると判定されるまで、ステップＳ６０３〜ステップＳ６０５を繰り返す。ステップＳ６０５で価値変動アセットの価値が最安値となる時期が属すると判定された期間が、価値変動アセットの価値が最安値となる時期と同じ長さであると判定された場合（Ｙｅｓの場合）、Ｓ６０６に進み、処理が終了する。価値変動アセットの価値が最安値となる時期が属すると判定された期間が、価値変動アセットの価値が最安値となる時期であると決定することができるからである。

【0104】

ステップＳ５０１（ステップＳ６０１〜ステップＳ６０５）で特定値予測ＡＩが予測した時期が、所定の期間の前半、特に、所定の期間の始めの方の時期（例えば月初）であり、ステップＳ５０２でその予測された時期に価値変動アセットを購入する処理を実行する場合は、所定の期間の残りの期間に価値が変動してしまうリスクを負うことになる。すなわち、所定の期間の前半、特に、所定の期間の始めの方の時期（例えば月初）に価値変動アセットを購入すると、所定の期間の残りの期間の価値変動の不確実性が大きく、リスクとリターンとが見合わない可能性がある。これは、価値変動のランダム性が強いアセットで特に顕著である。例えば、月初に最安値となると予測され、月初に価値変動アセットを購入した場合、月の途中で価値変動アセットのトレンドが変化してしまうと、最安値と予測して購入した価値変動アセットの価値が、結果的に最高値となってしまいかねない。これでは、特定値予測ＡＩによる予測成果が不安定なものとなってしまい、ひいては、価値変動アセットの積立成果も不安定なものとなってしまう。

【0105】

このようなリスクとリターンとが見合わない場合を回避するために、ステップＳ５０１で特定値予測ＡＩが、所定の期間の前半、特に、所定の期間の始めの方の時期を、所定の期間内で価値変動アセットの価値が最安値となる時期として予測するときは、予測モデルによる自信度が高い場合に制限することが好ましい。予測モデルによる自信度が高い場合であれば、月の途中で価値変動アセットのトレンドが変化してしまい結果的に最高値を掴んでしまうリスクが極めて低いといえるからである。これにより、価値変動のランダム性が強いアセットであっても、リスクとリターンとが見合わない場合を回避し、安定した予測成果を得ることができる。

【0106】

予測モデルによる自信度が高い場合は、例えば、複数の予測モデルのうちの所定数以上が同じ予測をする場合である。より多くの予測モデルが同じ予測をする場合にはその確度が高いといえるからである。例えば、ステップＳ６０２で、所定の期間の前半を所定の期間内で価値変動アセットの価値が最安値となる時期として予測するときを予測モデルによる自信度が高い場合に制限する場合には、図６Ｃに示される処理を行ってもよい。

【0107】

図６Ｃは、ステップＳ６０２の処理を複数の予測モデルを利用して行い、かつ、所定の期間の前半を所定の期間内で価値変動アセットの価値が最安値となる時期として予測するときを制限する場合の処理の一例を示す。

【0108】

ステップＳ６０２−１は、図６Ｂに示されるステップＳ６０２−１と同じ処理である。特定値予測ＡＩが、複数の予測モデルのそれぞれを用いて、ステップＳ６０１での分割後の２つの期間のうち、価値変動アセットの価値が最安値となる時期が属する期間を判定する。

【0109】

ステップＳ６０２−２’において、特定値予測ＡＩは、ステップＳ６０１での分割後の２つの期間のうちの前半の期間が価値変動アセットの価値が最安値となる時期が属する期間であると判定した予測モデルの数を決定する。例えば、５つの予測モデルのそれぞれを用いるとき、第１の予測モデルによって、ステップＳ６０１での分割後の２つの期間のうちの前半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定され、第２の予測モデルによって、ステップＳ６０１での分割後の２つの期間のうちの前半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定され、第３の予測モデルによって、ステップＳ６０１での分割後の２つの期間のうちの後半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定され、第４の予測モデルによって、ステップＳ６０１での分割後の２つの期間のうちの前半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定され、第５の予測モデルによって、ステップＳ６０１での分割後の２つの期間のうちの後半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定された場合、ステップＳ６０１での分割後の２つの期間のうちの前半の期間が価値変動アセットの価値が最安値となる時期が属する期間であると判定した予測モデルの数は、３であると決定される。

【0110】

次に、ステップＳ６０２−３において、特定値予測ＡＩは、ステップＳ６０２−２’で決定された予測モデルの数が、所定数以上であるか否かを判定する。予測モデルの数が所定数以上である場合、ステップＳ６０２−４に進む。予測モデルの数が所定数未満である場合、ステップＳ６０２−５に進む。ここで、所定数は、用いられる予測モデルの総数の半分より大きい任意の数であり得る。所定数は、例えば、用いられる予測モデルの総数であってもよいし、総数の８０％等であってもよい。

【0111】

ステップＳ６０２−４では、特定値予測ＡＩは、ステップ６０１での分割後の２つの期間のうちの前半の期間を価値変動アセットの価値が最安値となる時期が属する期間であると決定する。複数の予測モデルによる自信度が高く、前半の期間を選択することのリスクが低いといえるからである。

【0112】

ステップＳ６０２−５では、特定値予測ＡＩは、ステップ６０１での分割後の２つの期間のうちの後半の期間を価値変動アセットの価値が最安値となる時期が属する期間であると決定する。複数の予測モデルによる自信度が低く、前半の期間を選択することのリスクが高いといえるからである。

【0113】

ステップＳ６０５で、所定の期間の前半を所定の期間内で価値変動アセットの価値が最安値となる時期として予測するときを予測モデルによる自信度が高い場合に制限する場合にも、図６Ｃに示される処理と同様の処理を行うようにしてもよい。

【0114】

ステップＳ６０５−１は、上述したステップＳ６０５−１と同じ処理である。特定値予測ＡＩが、複数の予測モデルのそれぞれを用いて、ステップＳ６０４での分割後の２つの期間のうち、価値変動アセットの価値が最安値となる時期が属する期間を判定する。

【0115】

ステップＳ６０５−２’において、特定値予測ＡＩは、ステップＳ６０４での分割後の２つの期間のうちの前半の期間が価値変動アセットの価値が最安値となる時期が属する期間であると判定した予測モデルの数を決定する。例えば、５つの予測モデルのそれぞれを用いるとき、第１の予測モデルによって、ステップＳ６０４での分割後の２つの期間のうちの前半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定され、第２の予測モデルによって、ステップＳ６０４での分割後の２つの期間のうちの前半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定され、第３の予測モデルによって、ステップＳ６０４での分割後の２つの期間のうちの後半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定され、第４の予測モデルによって、ステップＳ６０４での分割後の２つの期間のうちの前半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定され、第５の予測モデルによって、ステップＳ６０４での分割後の２つの期間のうちの前半の期間が、価値変動アセットの価値が最安値となる時期が属する期間であると判定された場合、ステップＳ６０４での分割後の２つの期間のうちの前半の期間が価値変動アセットの価値が最安値となる時期が属する期間であると判定した予測モデルの数は、４であると決定される。

【0116】

次に、ステップＳ６０５−３において、特定値予測ＡＩは、ステップＳ６０５−２’で決定された予測モデルの数が、所定数以上であるか否かを判定する。予測モデルの数が所定数以上である場合、ステップＳ６０５−４に進む。予測モデルの数が所定数未満である場合、ステップＳ６０５−５に進む。ここで、所定数は、用いられる予測モデルの総数の半分より大きい任意の数であり得る。所定数は、例えば、用いられる予測モデルの総数であってもよいし、総数の８０％等であってもよい。

【0117】

所定数は、例えば、所定の期間全体に対する分割後の期間の位置に応じて、変化させられるようにしてもよい。例えば、ステップＳ６０４での分割後の２つの期間が、所定の期間の前半のいずれかの期間（例えば、所定の期間が２３営業日であり、ステップＳ６０４での分割後の２つの期間が、第１営業日〜第６営業日を含む第１の期間と、第７営業日〜第１１営業日を含む第２の期間）である場合、所定数は、高くあり得る。特に、分割後の期間が所定の期間の始点に近ければ近いほど、所定数を高くすることが好ましい。分割後の期間が所定の期間の始点に近ければ近いほど、負うべきリスクが大きくなるからである。例えば、所定の期間が２３営業日であり、ステップＳ６０４での分割後の２つの期間が、第１営業日を含む第１の期間と、第２営業日を含む第２の期間である場合、所定数は最大であることが好ましい。例えば、分割後の期間が所定の期間の始点から幾分か離れている場合（例えば、所定の期間が２３営業日であり、ステップＳ６０４での分割後の２つの期間が、第３営業日〜第４営業日を含む第１の期間と、第５営業日〜第６営業日を含む第２の期間）であっても、リスクを考慮して、所定数を最大としてもよい。例えば、ステップＳ６０４での分割後の２つの期間が、所定の期間の後半のいずれかの期間（例えば、所定の期間が２３営業日であり、ステップＳ６０４での分割後の２つの期間が、第１３営業日〜１５営業日を含む第１の期間と、第１６営業日〜第１８営業日を含む第２の期間）である場合、所定数は、低くあり得る。所定数が最小値である場合、処理は、ステップＳ６０２−２と同等の処理となる。

【0118】

所定数は、価値変動アセットの価格変動を考慮して、特定値予測ＡＩによって設定させられてもよいし、手動で設定されてもよい。また、所定数は、対象の価値変動アセット毎に個別に設定されてもよい。

【0119】

ステップＳ６０５−４では、特定値予測ＡＩは、ステップ６０４での分割後の２つの期間のうちの前半の期間を価値変動アセットの価値が最安値となる時期が属する期間であると決定する。複数の予測モデルによる自信度が高く、前半の期間を選択することのリスクが低いといえるからである。

【0120】

ステップＳ６０５−５では、特定値予測ＡＩは、ステップ６０４での分割後の２つの期間のうちの後半の期間を価値変動アセットの価値が最安値となる時期が属する期間であると決定する。複数の予測モデルによる自信度が低く、前半の期間を選択することのリスクが高いといえるからである。

【0121】

リスクとリターンとが見合わない場合を回避するために、ステップＳ５０１で、追加的または代替的に、特定値予測ＡＩが、所定の期間の前半、特に、所定の期間の始めの方の時期を、所定の期間内で価値変動アセットの価値が最安値となる時期として予測することを抑制するようにしてもよい。これは、例えば、所定の抑制期間を設け、所定の抑制期間内の時期を所定の期間内で価値変動アセットの価値が最安値となる時期として予測することを抑制することによって達成される。

【0122】

所定の抑制期間は、所定の期間の始点から開始する期間であり、期間の長さは、任意の長さであり得る。所定の抑制期間の長さは、例えば、対象のアセットに応じて変更するようにしてもよい。例えば、トレンドが読みやすいアセットの場合（例えば、日本円でユーロを購入する場合）、所定の抑制期間の長さを短くすることができる。例えば、トレンドが読みにくいアセットの場合（例えば、日本円でＮＺドルを購入する場合）、所定の抑制期間の長さを長くすることができる。

【0123】

以下の表は、所定の期間が１月である場合の、所定の抑制期間の長さの一例である。

【表1】

【0124】

所定の抑制期間の長さは、価値変動アセットの価格変動を考慮して、特定値予測ＡＩによって設定させられてもよいし、手動で設定されてもよい。

【0125】

ここで、一例として、図７Ａ〜図７Ｄを参照しながら、毎月米ドルを積み立てる場合のコンピュータシステム２００におけるステップＳ５０１の処理を説明する。所定の期間は１月（２３営業日）であるとする。価値変動アセットの価値が最安値となる時期は、日単位とする。図７Ａ〜図７Ｄは、米ドル価格（円）の時間変動の一例を示すグラフである。実線は、実際の変動値を示し、破線は、予測対象期間の変動を予測する予測モデルを利用して予測される変動値を示す。

【0126】

ステップ６０１において、特定値予測ＡＩは、月の初日に、所定の期間（２３営業日）を２つの期間に分割する。図７Ａに示されるように、特定値予測ＡＩは、所定の期間（２３営業日）を、第１営業日〜第１２営業日から成る第１の期間７０１と、第１３営業日〜第２３営業日から成る第２の期間７０２とに分割する。

【0127】

ステップＳ６０２において、特定値予測ＡＩは、第１の期間７０１および第２の期間７０２のうち、米ドル価格が最安値となる日が属する期間を判定する。特定値予測ＡＩは、２３日間の変動を予測する予測モデルを利用して、第１の期間７０１および第２の期間７０２のうち、米ドル価格の平均値が低い期間を判定し、米ドル価格の平均値が低い期間を米ドル価格が最安値となる日が属する期間であると判定する。本例では、特定値予測ＡＩは、２３日間の変動を予測する予測モデルを利用して予測される第１の期間７０１の平均値７１０と、２３日間の変動を予測する予測モデルを利用して予測される第２の期間７０２の平均値７２０とを比較し、第２の期間７０２が米ドル価格が最安値となる日が属する期間であると判定する。

【0128】

一例として、入力層と、３層の隠れ層と、出力層とを備える多層パーセプトロンであって、各ノード数が３１、１６、８、４、１と入力層から出力層に向かうにつれて減少していく、多層パーセプトロンを２３日間の変動を予測する予測モデルとして利用する特定値予測ＡＩによって、第１の期間７０１および第２の期間７０２のうち、米ドル価格の平均値が低い期間を判定し、米ドル価格の平均値が低い期間を米ドル価格が最安値となる日が属する期間であると判定する処理を行った場合、以下のような最大予測精度が得られた。なお、特定値予測ＡＩの学習に用いた価値変動データは、日本円に対する米ドルの価値変動データのみである。

【0129】

【表2】

ここで、ランダムとは、ランダムに最安値となる日を予測するモデルであり、比較対象として用いた。この結果からも、多層パーセプトロンへ入力されるデータが多いほど、予測精度はより向上することがわかる。

【0130】

さらに一例として、ＣＮＮを予測モデルとして利用する特定値予測ＡＩによって、第１の期間７０１および第２の期間７０２のうち、米ドル価格の平均値が低い期間を判定し、米ドル価格の平均値が低い期間を米ドル価格が最安値となる日が属する期間であると判定する処理を行った場合に、学習に用いる価値変動データを変動させると、以下のような最大予測精度が得られた。

【0131】

【表3】

このように、使用する予測モデル、学習する価値変動データが予測精度に密接に関連している。適切な予測モデル、学習する価値変動データを選択することにより、７０％を超える予測精度を達成することができる。

【0132】

ステップＳ６０３において、特定値予測ＡＩは、第２の期間７０２が、１日間であるか否かを判定する。第２の期間７０２は、第１３営業日〜第２３営業日から成る１１日間の期間であるため、処理はステップＳ６０４に進む。

【0133】

ステップＳ６０４において、特定値予測ＡＩは、第２の期間７０２の初日に、第２の期間７０２を２つの期間に分割する。図７Ｂに示されるように、特定値予測ＡＩは、第２の期間７０２を、第１３営業日〜第１７営業日から成る第３の期間７０３と、第１８営業日〜第２３営業日から成る第４の期間７０４とに分割する。

【0134】

なお、図７Ｂに示される例では、第２の期間７０２の初日にステップＳ６０４が実行されることを示しているが、ステップＳ５０１の処理の各ステップが行われるタイミングは任意である。例えば、月の初日に、ステップＳ５０１の処理（所定の期間内で価値変動アセットの価値が最安値となる日を予測する処理）を全て完了するようにしてもよいし、価値変動アセットの価値が最安値となる日が属すると判定された期間になるごとにステップＳ５０１の処理（所定の期間内で価値変動アセットの価値が最安値となる日を予測する処理）の一部を行うようにしてもよい。

【0135】

ステップＳ６０５において、特定値予測ＡＩは、第３の期間７０３および第４の期間７０４のうち、米ドル価格が最安値となる日が属する期間を判定する。特定値予測ＡＩは、１３日間の変動を予測する予測モデルを利用して、第３の期間７０３および第４の期間７０４のうち、米ドル価格の平均値が低い期間を判定し、米ドル価格の平均値が低い期間を米ドル価格が最安値となる日が属する期間であると判定する。本例では、特定値予測ＡＩは、１３日間の変動を予測する予測モデルを利用して予測される第３の期間７０３の平均値７３０と、１３日間の変動を予測する予測モデルを利用して予測される第４の期間７０４の平均値７４０とを比較し、第３の期間７０３が米ドル価格が最安値となる日が属する期間であると判定する。

【0136】

ステップＳ６０３に戻り、特定値予測ＡＩは、第３の期間７０３が、１日間であるか否かを判定する。第３の期間７０３は、第１３営業日〜第１７営業日から成る５日間の期間であるため、処理は再びステップＳ６０４に進む。

【0137】

ステップＳ６０４において、特定値予測ＡＩは、第３の期間７０３を２つの期間に分割する。図７Ｃに示されるように、特定値予測ＡＩは、第３の期間７０３を、第１３営業日〜第１４営業日から成る第５の期間７０５と、第１５営業日〜第１７営業日から成る第６の期間７０６とに分割する。

【0138】

ステップＳ６０５において、特定値予測ＡＩは、第５の期間７０５および第６の期間７０６のうち、米ドル価格が最安値となる日が属する期間を判定する。特定値予測ＡＩは、５日間の変動を予測する予測モデルを利用して、第５の期間７０５および第６の期間７０６のうち、米ドル価格の平均値が低い期間を判定し、米ドル価格の平均値が低い期間を米ドル価格が最安値となる日が属する期間であると判定する。本例では、特定値予測ＡＩは、５日間の変動を予測する予測モデルを利用して予測される第５の期間７０５の平均値７５０と、５日間の変動を予測する予測モデルを利用して予測される第６の期間７０６の平均値７６０とを比較し、第５の期間７０５が米ドル価格が最安値となる日が属する期間であると判定する。

【0139】

ステップＳ６０３に戻り、特定値予測ＡＩは、第５の期間７０５が、１日間であるか否かを判定する。第５の期間７０５は、第１３営業日〜第１４営業日から成る２日間の期間であるため、処理は再びステップＳ６０４に進む。

【0140】

ステップＳ６０４において、特定値予測ＡＩは、第５の期間７０５を２つの期間に分割する。図７Ｄに示されるように、特定値予測ＡＩは、第５の期間７０５を、第１３営業日から成る第７の期間７０７と、第１４営業日から成る第８の期間７０８とに分割する。

【0141】

ステップＳ６０５において、特定値予測ＡＩは、第７の期間７０７および第８の期間７０８のうち、米ドル価格が最安値となる日が属する期間を判定する。特定値予測ＡＩは、２日間の変動を予測する予測モデルを利用して、第７の期間７０７および第８の期間７０８のうち、米ドル価格の平均値が低い期間を判定し、米ドル価格の平均値が低い期間を米ドル価格が最安値となる日が属する期間であると判定する。本例では、特定値予測ＡＩは、２日間の変動を予測する予測モデルを利用して予測される第７の期間７０７の平均値７７０と、２日間の変動を予測する予測モデルを利用して予測される第８の期間７０８の平均値７８０とを比較し、第８の期間７０８が米ドル価格が最安値となる日が属する期間であると判定する。

【0142】

ステップＳ６０３に戻り、特定値予測ＡＩは、第８の期間７０８が、１日間であるか否かを判定する。第８の期間７０８は、第１４営業日から成る１日間の期間であるため、処理はステップＳ６０６に進み、終了する。

【0143】

以上の処理により、この月に米ドルが最安値となる日が、第１４営業日であることが予測される。第１４営業日に至ると、ステップＳ５０２において、プロセッサ部２１２が、米ドルを購入し、これを積み立てる。

【0144】

ここで、さらなる例として、図８Ａ〜図８Ｄを参照しながら、毎月豪ドルを積み立てる場合のコンピュータシステム２００におけるステップＳ５０１の処理を説明する。

【0145】

図８Ａ〜図８Ｄは、豪ドル価格（円）の時間変動の一例を示すグラフである。実線は、実際の変動値を示し、破線は、予測対象期間の変動を予測する予測モデルを利用して予測される変動値を示す。所定の期間は１月（２３営業日）であるとする。価値変動アセットの価値が最安値となる時期は、日単位とする。所定の抑制期間の長さを４日とする。特定値予測ＡＩは、５つの予測モデルを利用して予測を行うものとする。所定数を以下のとおり変動させるものとする。

【表4】

【0146】

ステップ６０１において、特定値予測ＡＩは、月の初日に、所定の期間（２３営業日）を２つの期間に分割する。図８Ａに示されるように、特定値予測ＡＩは、所定の期間（２３営業日）を、第１営業日〜第１２営業日から成る第１の期間８０１と、第１３営業日〜第２３営業日から成る第２の期間８０２とに分割する。

【0147】

ステップＳ６０２−１において、特定値予測ＡＩは、５つの予測モデルのそれぞれを用いて、第１の期間８０１および第２の期間８０２のうち、豪ドル価格が最安値となる日が属する期間を判定する。特定値予測ＡＩは、２３日間の変動を予測する５つの予測モデルのそれぞれを利用して、第１の期間８０１および第２の期間８０２のうち、豪ドル価格が最安値となる日が属する期間を判定する。予測モデルは、例えば、学習に用いられる過去の価値変動データの種類または量が異なる複数の予測モデルであってもよく、例えば、予測のために入力される過去の価値変動データの種類または量が異なる複数の予測モデルであってもよく、例えば、多層パーセプトロン４５０を利用する予測モデル、ＣＮＮを利用する予測モデル、ＲＮＮを利用する予測モデル等の利用するニューラルネットワークの種類がそれぞれ異なる複数の予測モデルであってもよい。本例では、以下のとおり、各予測モデルが予測したとする。

【表5】

【0148】

ステップＳ６０２−２’において、特定値予測ＡＩは、第１の期間８０１および第２の期間８０２のうちの前半の期間である第１の期間８０１が豪ドル価格が最安値となる日が属する期間であると判定した予測モデルの数を決定する。表５の結果から、予測モデルの数が、３であると決定される。

【0149】

ステップＳ６０２−３において、特定値予測ＡＩは、ステップＳ６０２−２’で決定された予測モデルの数が、所定数以上であるか否かを判定する。第１営業日〜第１２営業日の所定数は３であり、ステップＳ６０２−２’で決定された予測モデルの数は３以上であるため、ステップＳ６０２−４に進む。

【0150】

ステップＳ６０２−４において、特定値予測ＡＩは、第１の期間８０１を豪ドル価格が最安値となる日が属する期間であると決定する。

【0151】

ステップＳ６０３において、特定値予測ＡＩは、第１の期間８０１が、１日間であるか否かを判定する。第１の期間８０１は、第１営業日〜第１２営業日から成る１２日間の期間であるため、処理はステップＳ６０４に進む。

【0152】

ステップＳ６０４において、特定値予測ＡＩは、第１の期間８０１を２つの期間に分割する。図８Ｂに示されるように、特定値予測ＡＩは、第１の期間８０１を、第１営業日〜第６営業日から成る第３の期間８０３と、第７営業日〜第１２営業日から成る第４の期間８０４とに分割する。

【0153】

なお、図８Ｂに示される例では、第３の期間８０３の初日にステップＳ６０４が実行されることを示しているが、ステップＳ５０１の処理の各ステップが行われるタイミングは任意である。例えば、月の初日に、ステップＳ５０１の処理（所定の期間内で価値変動アセットの価値が最安値となる日を予測する処理）を全て完了するようにしてもよいし、価値変動アセットの価値が最安値となる日が属すると判定された期間になるごとにステップＳ５０１の処理（所定の期間内で価値変動アセットの価値が最安値となる日を予測する処理）の一部を行うようにしてもよい。

【0154】

ステップＳ６０５において、特定値予測ＡＩは、第３の期間８０３および第４の期間８０４のうち、豪ドル価格が最安値となる日が属する期間を判定する。特定値予測ＡＩは、１３日間の変動を予測する５つの予測モデルを利用して、第３の期間８０３および第４の期間８０４のうち、豪ドル価格が最安値となる日が属する期間を判定する。本例では、以下のとおり、各予測モデルが予測したとする。

【表6】

【0155】

ステップＳ６０５−２’において、特定値予測ＡＩは、第３の期間８０３および第４の期間８０４のうちの前半の期間である第３の期間８０３が豪ドル価格が最安値となる日が属する期間であると判定した予測モデルの数を決定する。表６の結果から、予測モデルの数が、４であると決定される。

【0156】

ステップＳ６０５−３において、特定値予測ＡＩは、ステップＳ６０５−２’で決定された予測モデルの数が、所定数以上であるか否かを判定する。第１営業日〜第６営業日の所定数は５であり、ステップＳ６０５−２’で決定された予測モデルの数は５以上ではないため、ステップＳ６０５−５に進む。

【0157】

ステップＳ６０５−５において、特定値予測ＡＩは、後半の期間である第４の期間８０４を豪ドル価格が最安値となる日が属する期間であると決定する。

【0158】

ステップＳ６０３に戻り、特定値予測ＡＩは、第４の期間８０４が、１日間であるか否かを判定する。第４の期間８０４は、第７営業日〜第１２営業日から成る６日間の期間であるため、処理は再びステップＳ６０４に進む。

【0159】

ステップＳ６０４において、特定値予測ＡＩは、第４の期間８０４を２つの期間に分割する。図８Ｃに示されるように、特定値予測ＡＩは、第４の期間８０４を、第７営業日〜第９営業日から成る第５の期間８０５と、第１０営業日〜第１２営業日から成る第６の期間８０６とに分割する。

【0160】

ステップＳ６０５において、特定値予測ＡＩは、第５の期間８０５および第６の期間８０６のうち、豪ドル価格が最安値となる日が属する期間を判定する。特定値予測ＡＩは、５日間の変動を予測する５つの予測モデルを利用して、第５の期間８０５および第６の期間８０６のうち、豪ドル価格が最安値となる日が属する期間を判定する。本例では、以下のとおり、各予測モデルが予測したとする。

【表7】

【0161】

ステップＳ６０５−２’において、特定値予測ＡＩは、第５の期間８０５および第６の期間８０６のうちの前半の期間である第５の期間８０５が豪ドル価格が最安値となる日が属する期間であると判定した予測モデルの数を決定する。表７の結果から、予測モデルの数が、５であると決定される。

【0162】

ステップＳ６０５−３において、特定値予測ＡＩは、ステップＳ６０５−２’で決定された予測モデルの数が、所定数以上であるか否かを判定する。第７営業日〜第９営業日の所定数は４であり、ステップＳ６０５−２’で決定された予測モデルの数は４以上であるため、ステップＳ６０５−４に進む。

【0163】

ステップＳ６０５−４において、特定値予測ＡＩは、第５の期間８０５を豪ドル価格が最安値となる日が属する期間であると決定する。

【0164】

ステップＳ６０３に戻り、特定値予測ＡＩは、第５の期間８０５が、１日間であるか否かを判定する。第５の期間８０５は、第７営業日〜第９営業日から成る３日間の期間であるため、処理は再びステップＳ６０４に進む。

【0165】

ステップＳ６０４において、特定値予測ＡＩは、第５の期間８０５を２つの期間に分割する。図８Ｄに示されるように、特定値予測ＡＩは、第５の期間８０５を、第７営業日から成る第７の期間８０７と、第８営業日〜第９営業日から成る第８の期間８０８とに分割する。

【0166】

ステップＳ６０５において、特定値予測ＡＩは、第７の期間８０７および第８の期間８０８のうち、豪ドル価格が最安値となる日が属する期間を判定する。特定値予測ＡＩは、２日間の変動を予測する５つの予測モデルを利用して、第７の期間８０７および第８の期間８０８のうち、豪ドル価格が最安値となる日が属する期間を判定する。本例では、以下のとおり、各予測モデルが予測したとする。

【表8】

【0167】

ステップＳ６０５−２’において、特定値予測ＡＩは、第７の期間８０７および第８の期間８０８のうちの前半の期間である第７の期間８０７が豪ドル価格が最安値となる日が属する期間であると判定した予測モデルの数を決定する。表８の結果から、予測モデルの数が、４であると決定される。

【0168】

ステップＳ６０５−３において、特定値予測ＡＩは、ステップＳ６０５−２’で決定された予測モデルの数が、所定数以上であるか否かを判定する。第７営業日の所定数は４であり、ステップＳ６０５−２’で決定された予測モデルの数は４以上であるため、ステップＳ６０５−４に進む。

【0169】

ステップＳ６０５−４において、特定値予測ＡＩは、第７の期間８０７を豪ドル価格が最安値となる日が属する期間であると決定する。

【0170】

ステップＳ６０３に戻り、特定値予測ＡＩは、第７の期間８０７が、１日間であるか否かを判定する。第７の期間８０７は、第７営業日から成る１日間の期間であるため、処理はステップＳ６０６に進み、終了する。

【0171】

以上の処理により、この月に豪ドルが最安値となる日が、第７営業日であることが予測される。第７営業日に至ると、ステップＳ５０２において、プロセッサ部２１２が、豪ドルを購入し、これを積み立てる。

【0172】

最安値となる時期を予測する代わりに、特定の順位の値となる時期を予測する場合、ステップＳ６０２、ステップＳ６０５では、アセットの価値が特定の順位となる時期が属する期間を判定するようにしてもよい。例えば、２３営業日のうちで、アセットの価値が１４番目に安い値となる時期が属する期間を判定する場合を説明する。

【0173】

ステップＳ６０１で、２３営業日が２つの期間に分割された後、ステップＳ６０２で、分割後の２つの期間のうち最安値が存在しない方の期間を選択する。１４＞２３／２だからである。

【0174】

次に、ステップＳ６０３の後、ステップＳ６０４で１１または１２営業日が２つの期間に分割された後、ステップＳ６０５で、分割後の２つの期間のうち安値（極小値）が存在する方の期間を選択する。（１４−２３／２）＜２３／４だからである。

【0175】

次に、ステップＳ６０３の後、ステップＳ６０４で５または６営業日が２つの期間に分割された後、ステップＳ６０５で、分割後の２つの期間のうち安値（極小値）が存在する方の期間を選択する。（１４−２３／２）＜２３／８だからである。

【0176】

次に、ステップＳ６０３の後、ステップＳ６０４で２または３営業日が２つの期間に分割された後、ステップＳ６０５で、分割後の２つの期間のうち安値（極小値）が存在しない方の期間を選択する。（１４−２３／２）＞２３／１６だからである。

【0177】

これをステップＳ６０３でＹｅｓと判定されるまで繰り返す。

【0178】

このようにして上述した二分探索と同じ要領で、アセットの価値が特定の順位となる時期が属する期間を判定することができる。

【0179】

上述した例では、対象の期間を２つの期間に分割する二分探索により、所定の期間内で価値変動アセットの価値が特定の順位の値となる時期を予測することを説明したが、本発明は二分探索に限定されない。対象の期間を２よりも多い数の期間に分割して、所定の期間内で価値変動アセットの価値が特定の順位の値となる時期を予測することも本発明の範囲内である。

【0180】

例えば、ステップＳ６０１で、特定値予測ＡＩは、所定の期間を２つの期間に分割する代わりに、ｍ個の期間に分割し（ｍは２よりも大きい整数）、ステップＳ６０２で、特定値予測ＡＩは、分割後のｍ個の期間のうち、価値変動アセットの価値が特定の順位の値（例えば、最安値、最高値、ｎ番目に安い値、ｎ番目に高い値）となる時期が属する期間を判定するようにしてもよい。価値変動アセットの価値が最安値となる時期が属する期間を判定する場合、この判定は、例えば、将来の所定期間の平均値の予測を出力することができるように、過去の価値変動データを教師データとして学習している特定値予測ＡＩによって、分割後のｍ個の期間のうち、価値変動アセットの価値の平均値が最も低い期間を判定することによって行われてもよい。価値変動アセットの価値が最安値となる時期が属する期間の判定は、例えば、将来の或る期間を複数の期間に分割した期間のうちのどの期間に最安値となるかの予測を出力することができるように過去の価値変動データを教師データとして学習している特定値予測ＡＩによって、行われてもよい。価値変動アセットの価値が最高値となる時期が属する期間を判定する場合、この判定は、例えば、将来の所定期間の平均値の予測を出力することができるように、過去の価値変動データを教師データとして学習している特定値予測ＡＩによって、分割後のｍ個の期間のうち、価値変動アセットの価値の平均値が最も高い期間を判定することによって行われてもよい。価値変動アセットの価値が最高値となる時期が属する期間の判定は、例えば、将来の或る期間を複数の期間に分割した期間のうちのどの期間に最高値となるかの予測を出力することができるように過去の価値変動データを教師データとして学習している特定値予測ＡＩによって、行われてもよい。価値変動アセットの価値が特定の順位の値となる時期が属する期間を判定する場合、この判定は、例えば、将来の所定期間の平均値の予測を出力することができるように、過去の価値変動データを教師データとして学習している特定値予測ＡＩによって、分割後のｍ個の期間のうち、価値変動アセットの価値の平均値が特定の順位となる期間を判定することによって行われてもよい。価値変動アセットの価値が特定の順位の値となる時期が属する期間の判定は、例えば、将来の或る期間を複数の期間に分割した期間のうちのどの期間に特定の順位の値となるかの予測を出力することができるように過去の価値変動データを教師データとして学習している特定値予測ＡＩによって、行われてもよい。

【0181】

例えば、ステップＳ６０４で、特定値予測ＡＩは、価値変動アセットの価値が特定の順位の値となる時期が属すると判定された期間をさらにｍ個の期間に分割し、ステップＳ６０５で、特定値予測ＡＩは、分割後のｍ個の期間のうち、価値変動アセットの価値が特定の順位の値（例えば、最安値、最高値、ｎ番目に安い値、ｎ番目に高い値）となる時期が属する期間を判定するようにしてもよい。価値変動アセットの価値が最安値となる時期が属する期間を判定する場合、この判定は、例えば、将来の所定期間の平均値の予測を出力することができるように、過去の価値変動データを教師データとして学習している特定値予測ＡＩによって、分割後のｍ個の期間のうち、価値変動アセットの価値の平均値が最も低い期間を判定することによって行われてもよい。価値変動アセットの価値が最安値となる時期が属する期間の判定は、例えば、将来の或る期間を複数の期間に分割した期間のうちのどの期間に最安値となるかの予測を出力することができるように過去の価値変動データを教師データとして学習している特定値予測ＡＩによって、行われてもよい。価値変動アセットの価値が最高値となる時期が属する期間を判定する場合、この判定は、例えば、将来の所定期間の平均値の予測を出力することができるように、過去の価値変動データを教師データとして学習している特定値予測ＡＩによって、分割後のｍ個の期間のうち、価値変動アセットの価値の平均値が最も高い期間を判定することによって行われてもよい。価値変動アセットの価値が最高値となる時期が属する期間の判定は、例えば、将来の或る期間を複数の期間に分割した期間のうちのどの期間に最高値となるかの予測を出力することができるように過去の価値変動データを教師データとして学習している特定値予測ＡＩによって、行われてもよい。価値変動アセットの価値が特定の順位の値となる時期が属する期間を判定する場合、この判定は、例えば、将来の所定期間の平均値の予測を出力することができるように、過去の価値変動データを教師データとして学習している特定値予測ＡＩによって、分割後のｍ個の期間のうち、価値変動アセットの価値の平均値が特定の順位となる期間を判定することによって行われてもよい。価値変動アセットの価値が特定の順位の値となる時期が属する期間の判定は、例えば、将来の或る期間を複数の期間に分割した期間のうちのどの期間に特定の順位の値となるかの予測を出力することができるように過去の価値変動データを教師データとして学習している特定値予測ＡＩによって、行われてもよい。

【0182】

このとき、例えば、ステップＳ６０２−２またはステップＳ６０５−２では、特定値予測ＡＩは、分割後のｍ個の期間のうち、より多くの予測モデルによって価値変動アセットの価値が特定の順位の値となる時期が属する期間であると判定された期間を、アセットの価値が特定の順位の値となる時期が属する期間であると決定する。

【0183】

例えば、ステップＳ６０２−２’またはステップＳ６０５−２’では、特定値予測ＡＩは、分割後のｍ個の期間のうちの前半の期間のそれぞれについて、その期間が価値変動アセットの価値が特定の順位の値となる時期が属する期間であると判定した予測モデルの数を決定し、次に、ステップＳ６０２−３またはステップＳ６０５−３では、特定値予測ＡＩは、前半の期間のそれぞれについて、決定された予測モデルの数が所定数以上であるか否かを判定する。所定数以上である場合は、その期間を価値変動アセットの価値が特定の順位の値となる時期が属する期間であると決定する。

【0184】

例えば、ｍ＝６の場合、ステップＳ６０２−２’またはステップＳ６０５−２’では、特定値予測ＡＩは、６分割された期間のうちの前半３つの期間のそれぞれについて、その期間が価値変動アセットの価値が特定の順位の値となる時期が属する期間であると判定した予測モデルの数を決定する。次に、ステップＳ６０２−３またはステップＳ６０５−３では、特定値予測ＡＩは、前半３つの期間のそれぞれについて、決定された予測モデルの数が所定数であるか否かを決定し、所定数以上である場合は、その期間を価値変動アセットの価値が特定の順位の値となる時期が属する期間であると決定する。例えば、前半３つの期間のうちの第１の期間について決定された予測モデルの数および前半３つの期間のうちの第３の期間について決定された予測モデルの数のそれぞれが所定数未満であるが、前半３つの期間のうちの第２の期間について決定された予測モデルの数が所定数以上である場合には、前半３つの期間のうちの第２の期間を価値変動アセットの価値が特定の順位の値となる時期が属する期間であると決定する。

【0185】

このとき、予測モデルの数が所定数以上である期間が存在しない場合、例えば、複数の期間のうちの後半の期間全体を価値変動アセットの価値が特定の順位の値となる時期が属する期間であると決定して、ステップＳ６０３に進むようにしてもよいし、複数の期間のうちの最先の期間を除く期間全体を価値変動アセットの価値が特定の順位の値となる時期が属する期間であると決定して、ステップＳ６０３に進むようにしてもよい。これにより、予測モデルによる自信度が低い場合に所定の期間の始めの方の時期を選択することを回避することができ、結果として、リスクとリターンとが見合わない場合を回避することができる。

【0186】

４．新しい金融商品を実現するためのコンピュータシステムの代替構成
図９は、上述した新しい金融商品を実現するためのコンピュータシステム２００の代替構成であるコンピュータシステム２００’の一例を示す。図９では、図２に示される要素と同一の要素に同じ参照番号を付し、ここでは説明を省略する。コンピュータシステム２００’は、所定の期間内で価値変動アセットの価値が特定値となる時期を予測することをユーザ装置１００が行い、予測された価値変動アセットの価値が特定値となる時期に価値変動アセットを取引することをサーバ装置２１０が行う構成である。

【0187】

コンピュータシステム２００’は、サーバ装置２１０と、サーバ装置２１０に接続されるデータベース部２２０と、ユーザ装置１００とを備える。サーバ装置２１０と、ユーザ装置１００と、アセット取引コンピュータシステム３００とは、ネットワーク４００を介して、相互に接続される。ここで、ネットワーク４００の種類は問わない。ネットワーク４００は、例えば、インターネットであってもよいし、ＬＡＮであってもよい。

【0188】

ユーザ装置１００は、価値変動アセットを積み立てるサービスを利用するユーザ１０が使用する端末であり、スマートフォン、タブレット、パーソナルコンピュータ等の任意の端末装置であり得る。ユーザ装置１００は、インターフェース部１１１と、プロセッサ部１１２と、記憶部１１３とを備える。

【0189】

インターフェース部１１１は、ネットワーク４００を介した通信を制御するように構成されている。インターフェース部１１１は、ユーザ装置１００の外部に情報を送信することが可能であり、ユーザ装置１００の外部から情報を受信することが可能である。例えば、インターフェース部１１１は、ネットワーク４００を介して、所定の期間内で価値変動アセットの価値が最安値となる日の予測をサーバ装置２１０に送信する。

【0190】

プロセッサ部１１２は、ユーザ装置１００全体の動作を制御する。プロセッサ部１１２は、記憶部１１３に格納されているプログラムを読み出し、そのプログラムを実行する。これにより、ユーザ装置１００を所望のステップを実行する装置として機能させることが可能である。例えば、プロセッサ部１１２は、価値変動アセットを積み立てる処理の一部を行うことができる。プロセッサ部１１２は、単一のプロセッサによって実装されてもよいし、複数のプロセッサによって実装されてもよい。

【0191】

記憶部１１３には、ユーザ装置１００における処理を実行するためのプログラムやそのプログラムの実行に必要とされるデータ等が格納されている。記憶部１１３には、例えば、価値変動アセットの取引を行うためのプログラム、または、価値変動アセットを積み立てるためのプログラム（例えば、前述した図５および図６Ａ〜図６Ｃに示される処理を実現するプログラム）の一部が格納されている。ここで、プログラムをどのようにして記憶部１１３に格納するかは問わない。例えば、プログラムは、記憶部１１３にプリインストールされていてもよい。あるいは、プログラムは、ネットワーク４００を経由してダウンロードされることによって記憶部１１３にインストールされるようにしてもよい。記憶部１１３は、任意の記憶手段によって実装され得る。

【0192】

記憶部１１３には、例えば、過去の価値変動データも格納され得る。過去の価値変動データは、将来の価値変動を予測するために使用され得る。学習に用いられる過去の価値変動データは、購入用通貨（例えば、日本円）に対する対象のアセットの価値変動データに加えて、他の通貨（例えば、米ドル、豪ドル、ユーロ、ＮＺドル等）に対する対象のアセットの価値変動データ、または、Ｓ＆Ｐ５００指数、日経平均株価、ドイツ株価指数、あるいは、ＷＴＩ原油価格等のデータを含んでもよい。データベース部２２０には、例えば、学習した価値変動傾向も格納され得る。データベース部２２０には、学習によって確立された多層パーセプトロン４５０の各ノードの重みベクトルが格納されるようにしてもよい。

【0193】

特定値予測ＡＩは、上述した構成を有するユーザ装置１００によって実現され得る。特定値予測ＡＩは、上述したように、任意の予測モデルを利用して価値変動アセットの価値が最安値となる時期を予測することができる。

【0194】

図９に示される例では、ユーザ装置１００の各構成要素が１つのユーザ装置１００内に設けられているが、本発明はこれに限定されない。ユーザ装置１００の各構成要素のいずれかがユーザ装置１００の外部に設けられることも可能である。例えば、プロセッサ部１１２、記憶部１１３のそれぞれが別々のハードウェア部品で構成されている場合には、各ハードウェア部品が任意のネットワークを介して接続されてもよい。このとき、ネットワークの種類は問わない。各ハードウェア部品は、例えば、ＬＡＮを介して接続されてもよいし、無線接続されてもよいし、有線接続されてもよい。

【0195】

コンピュータシステム２００’における処理は、コンピュータシステム２００における処理５００と同様である。ただし、ステップＳ５０１の処理を、ユーザ装置１００によって実現される特定値予測ＡＩが行い、ステップＳ５０２の処理を、サーバ装置２１０のプロセッサ部２１２が行う点で、コンピュータシステム２００における処理５００と異なっている。

【0196】

上述した例では、価値変動アセットの価値が最安値となる日を予測することを説明したが、本発明は、「日」よりも短い時間単位（例えば、時、分、秒等）を予測すること、または「日」よりも長い時間単位（例えば、週、月等）を予測することも本発明の範囲内である。例えば、毎日価値変動アセットを積み立てる場合に、コンピュータシステム２００または２００’は、図５および図６Ａ〜図６Ｃを参照して上述した処理と同様の処理によって、１日のうちで価値変動アセットの価値が最安値となる時を予測し、予測された価値変動アセットの価値が最安値となる時に価値変動アセットを購入することを行うことができる。ここで、価値変動アセットの価値が最安値となる時は、任意の時間の単位であり得る。価値変動アセットの価値が最安値となる時は、例えば、秒単位であってもよいし、分単位であってもよいし、時間単位であってもよい。

【0197】

本発明は、上述した実施形態に限定されるものではない。本発明は、特許請求の範囲によってのみその範囲が解釈されるべきであることが理解される。当業者は、本発明の具体的な好ましい実施形態の記載から、本発明の記載および技術常識に基づいて等価な範囲を実施することができることが理解される。

【産業上の利用可能性】

【0198】

本発明は、時間の経過につれて価値が不規則に変動するアセットの価値の、所定の期間における最高値もしくは最安値（つまり、極大値もしくは極小値）または特定の順位の値（例えば、２番目に安い値、１０番目に高い値等）等の特定値となる時期を予測することを可能にするコンピュータシステム、方法、およびプログラムを提供するものとして有用である。さらに、本発明は、特定値となる時期の予測に基づいて、当該アセットを周期的または継続的に購入または積み立てることによって、当該アセットの評価額を大きくすることを可能にするコンピュータシステム、方法、および、プログラムを提供するものとして有用である。

【符号の説明】

【0199】

１０ ユーザ
２０ 銀行
３０ 外国為替市場
１００ ユーザ装置
２００、２００’ コンピュータシステム
２１０ サーバ装置
２２０ データベース部
３００ アセット取引コンピュータシステム
４００ ネットワーク

【要約】

【課題】時間の経過につれて価値が不規則に変動するアセットの価値の、所定の期間における最高値または最安値（つまり、極大値または極小値）等の特定値を予測することを可能にするコンピュータシステム、方法、およびプログラムを提供すること。
【解決手段】時間の経過につれて価値が変動する外国通貨を積み立てるためのコンピュータシステム２００は、所定の期間内で前記外国通貨の価値が最安値となる時期を予測すること（ステップＳ５０１）と、前記予測された前記外国通貨の価値が最安値となる時期に前記外国通貨を購入すること（ステップＳ５０２）とを行うように構成されている。
【選択図】図５

【図1】

【図2】

【図3】

【図4】

【図5】

【図6A】

【図6B】

【図6C】

【図7A】

【図7B】

【図7C】

【図7D】

【図8A】

【図8B】

【図8C】

【図8D】

【図9】