損害保険大手3グループは海外M&Aを積極的に行っている。海外M&Aのメリットは，事業ポートフォリオの分散，利益の増加等により持続可能な成長を達成できることである。しかし，被買収企業の業績が悪化したり，買収プレミアムを超えるシナジー効果が実現できなかったりする場合には，買収時に発生したのれんを損失計上しなければならないため，買収企業の財務リスクを高めるデメリットも存在する。

本稿では，まず，損害保険大手3グループにおける海外M&Aの現状を把握し，ついで，これらグループが行った4件の海外M&Aに対し，市場がどのように評価したかをイベント・スタディ手法を用いて，AR（異常収益率）とCAR（累積異常収益率）の分析を行った。

本論文の目的は、一般にハイリスクな投資行動と見られている合併・買収（M&A）に際して、相互会社と株式会社との間で情報開示の程度に重要な相違があるのかどうかという点を、わが国の保険業界を対象として明らかにすることである。近年、保険業界における大型のM&Aが活発になっているが、一般に、M&Aはハイリスク・ハイリターンな投資行動であるといわれる。そうであるならば、ハイリスク・ハイリターン型投資の典型例であるM&Aに際して、保険会社の経営者は量的にも質的にも丁寧かつ充実した説明を契約者や株主に対して行うことが求められるのではないだろうか。また、契約者が収益性よりも健全性を重視するならば、特に相互会社の経営者が契約者の意に配慮した上でハイリスク・ハイリターン型投資を実行しているのか否かを、丁寧に検証すべきであろう。そこで、本論文では、会社形態によってM&Aに関する情報開示の程度の違いが存在するのか否かという点について、有価証券報告書、保険業法第111条に基づいて作成されるディスクロージャー誌、その他M&A実施後の投資家や契約者向けの公開資料をもとに、実証的に比較検討した。分析の結果、相互会社は株式会社よりもM&Aに関する情報開示の程度が低い可能性があることが明らかになった。これは、外部からの規律づけの仕組みが脆弱といわれる相互会社において、自己規律を機能させるための環境整備が不十分であるため、無意識のうちに経営者が契約者の意に反した行動を取ってしまう可能性を示唆するものである。

　本研究は，グローバルな損害保険市場において，保険引受リスク削減のため使用される再保険取引によって形成される再保険ネットワークが，連鎖破綻の可能性を内在するかどうか分析し，主要保険会社のシステム上の重要性を評価する。現状，損害保険市場におけるシステミック・リスクのメカニズムは良く知られておらず，特に，国際保険規制上，「グローバルなシステム上重要な保険会社」（G-SIIs）の評価上重視されている相互連関性の分析は，リスクマネジメントの主要課題である。本研究では，まず，ネットワーク理論に基づく幾つかの中心性指標を使い，再保険ネットワークの構造を分析した上，各指標に基づき，システム上重要な保険会社を特定する。次に，金融工学のデフォルトモデルと連鎖デフォルト理論を用いた理論分析を行い，2006～2014年間の連鎖デフォルトの可能性について検討する。モデル理論上は，連鎖デフォルトの可能性があったと考えられる。

　本論文は，アジア・パシフィック地域の保険セクターにおけるシステミック・リスクを計量分析したものである。2013年7月には，金融安定理事会より，「グローバルにシステム上重要な保険会社」（G-SIIs）のリストが公表され，世界で全9社が名を連ねた。アジア・パシフィック地域では，中国平安保険（集団）のみが選定され，わが国の損害保険会社は選外となったが，G-SIIsは毎年定期的に見直しが行われる。GSIIsの評価は，規模等をベースとした母集団の特定，指標ベースの定量評価，その後，監督上の判断・検証による最終的な決定という3段階のプロセスを経て行われる。本論文では，定量評価としてファクター・モデルアプローチを採用し，各国の保険契約者保護制度による保険金支払等の補償割合を反映した破綻保険料により，規模の他，相互連関性などの重要な要素を定量化し，G-SIIs選定の妥当性を検証する。

情報技術の発達に伴い，株式市場分析においても情報の重要性が注目されてきている．本研究は，ニュース記事に着目し，情報技術を用いて投資家が判断や意思決定を支援するモデルの構築を目指す．その方法として，TOPIX Core30 の構成銘柄のニュース記事の要約文章を生成し，分散表現に変換して機械学習で分析を行った．

　本研究の目的は，AIとSentinel-2（S2）データを活用して高頻度のHimawari-8（H8）データから疑似的にS2画像を作成し，有明海・八代海の高頻度赤潮予測を行うことである．まず，Pix2Pixと呼ばれるAI手法を使って，S2とH8の関係を学習させた後，任意のH8データから疑似S2が作成された．次に，CLSTMと呼ばれるAI手法を使って，直前3日間の疑似S2から翌日の疑似S2が作成された．これらの連続したAIから導かれた「予測画像」と予測日に取得された「正解画像」の赤潮細胞数の誤差は，平均±標準偏差は-0.82±2.87（対数ベース）と計算された．本研究より，Himawari-8データのみから高頻度・高感度の赤潮推定・1日後予測が可能となった．最後に，本手法を使った同海域における赤潮予測システムのモックアップを作成した．