FXのやり方紹介

株の基礎知識

株の基礎知識
  • 改めてクロップした画像を見ていたところ、写ってる範囲が違う画像ペアだとクロップしても無駄な領域があることに気付きました
  • 例えば↓みたいな画像ペアの場合、左の画像は右の画像よりも写っている範囲が広いので、建物部分だけをクロップしても無駄な領域が残ります

株とは?【基礎知識・始め方】と【株式の選び方・注目すべき点】を初心者にもわかりやすく紹介。

f:id:awqawqawq:20220321000120j:plain

以上の4つです。五大ドーム引く大阪ですね!ちなみに大阪にも証券取引所は存在していたのですが、2022年現在では、東京と合体して日本証券取引所グループとなっています!日本取引所グループはニュースやTV等を見ていたら出てくるケースも多いかもしれません。綺麗な場所ですね!館内見学なども行っているようなので、気になる方はいってみても面白いと思います!証券会社で働きたい!証券取引所で働いてみたい!等の人は、仕事を知る良いきっかけになるかもしれませんね!!!

また日本取引所グループは 世界三大取引所の一つ でもあるんです。

日本での基本通貨は 『¥=円』

アメリカの基本通貨は 株の基礎知識 『$=ドル』

イギリスの基本通貨は『£=ポンド』です。しかしイギリスはEUに加盟していますのでEU全体の、つまり、ヨーロッパでメジャーな通貨は 『€=ユーロ』 です。

それぞれ頭文字をとって、 『EDY(エディ)』 つまり、エディカードはここから来たなんてことも言われていたりします。明日友達や家族に話してみても面白いかもですね!

f:id:awqawqawq:20220321023321p:plain

しかしここまで証券取引所について学んできましたが、実際に自分が取引をする際はどこの証券取引所なのかそこまで意識しなくて大丈夫です。実際に自分がそこまで出向いて取引をするわけでもなければ、それぞれの取引所からなにか呼び出しがあるだとかそんなことは一切ありません。すべての注文はスマートフォン一つで出来ますし、インターネットができる環境であれば、国内でなくても大丈夫です。

どんなコンペ?

ざっくり言うと、同じ建物を撮影した2枚の画像が与えられたときに、それぞれの画像を撮影したカメラの相対位置関係(F行列)の推定精度を競うコンペでした。
F行列を求める方法はいくつかありますが、基本的には2つの画像のマッチング点(同じ物体がそれぞれの画像に映る点)を求めて、RANSACで外れ値を除去して妥当なF行列を計算するという流れになります。外れ値の除去やF行列の計算はOpenCVの cv2.findFundamentalMat で行うことができるので、いかに上手くマッチング点を求めるかというところがこのコンペでは重要な部分になっていました。
もっと詳しいコンペの解説は@fam_taroさんが公開してくださっているQiitaの記事がとても分かりやすいので、興味がある方はぜひそちらの記事を見ることをオススメします。

1stソリューションの要点

    株の基礎知識
  1. 通常画像でマッチング
  2. 得られたマッチング点をクラスタリングして2枚の画像の共通部分をクロップ
  3. クロップした画像同士で再マッチング
  4. 1で得られた通常画像のマッチング点と3で得られたクロップ画像のマッチング点を連結してF行列を計算
  • 共通部分のクロップ(mkpt crop)
  • 複数モデル(LoFTR、SuperGlue、DKM)のアンサンブル
  • 入力解像度を複数使用

コンペ参戦記

  • 前置きが長くなりましたが、ここからがこの記事を書いた目的になります
  • 最終的なソリューションはすでに紹介した通りですが、コンペ中にどんなことを考えて試行錯誤していたか紹介できればと思います

1. コンペ参加〜基礎知識の勉強(4/25〜4/27)

    株の基礎知識
  • 4月末まで参加してたコンペが終わって、次のコンペを漁っている時にたまたま見つけました
    • 画像マッチングは未知の領域でしたが、たまたま興味が湧いていたのと、言っても画像分野なのである程度戦えるだろうと思い、勉強の一環として参加することにしました
    • 特にこちらのQiita記事がとても分かりやすく、F行列のイメージをつかむことができました。

    2. CV検証環境の準備〜初サブミット(4/28〜5/5)

    • 原因は参考にしていたノートブックに足りない処理(リサイズした画像同士で求めたマッチング点をリスケールせずにF行列計算していた)があったことでした
    • 当時はすぐに気づけず色んな実験を繰り返してディスカッションに投げてました
    • その時のやり取りはここで見れるので、興味のある方はご覧ください
    • ここでだいぶ時間を使ってしまいましたが、マッチング結果を確認する簡易UIとか、その後の検証でも使えるコードを整備できたので、このタイミングで色々実験していたのは結果的に良かったと思います
    • あまり期待していませんでいたが、当時の銀圏スコアが出て喜んでました
    • ここで運よく良いスコアが出たので本腰を入れて取り組み始めました

    3. 仮説を立てる(5/6〜5/7)

    仮説1: スコアが低い画像はマッチングの誤対応が多い → (結果△)

    • スコアが低い画像ペアには何かしら共通点があるだろうという見込みから簡単な仮説を立てました
    • スコアごとに画像ペアを集めてマッチング点を一つずつ目視で確認して検証をしました
    • 結果は微妙で、たしかに誤対応もありましたが割合はそれほど多くなかったです(ただ、この発見は後々のアイデアに活きてきて優勝のキーになりました)
    • 実際のマッチング結果を見てもスコアの良し悪しと結果の差が自分には分からなかったので、スコアが低いペアから共通点を見出すのは一旦諦めました

    仮説2: 誤対応点を削除すればスコアが上がる → (結果○)

    • 仮説1の検証の結果、スコアの大小に関わらず誤対応をしているケースは見受けられたので、手動で誤対応点を削除してスコアをいくつか出してみました
    • 結果は例外はあるものの基本的には不要なマッチング点を削除するとスコアが上がる傾向を示しました

    4. 仮説に基づいて改善案を検討〜高速化(5/8〜5/15)

    改善案1: スコアが低いマッチング点を足切り → (結果×)

    • 当時使用していたマッチングモデル(LoFTR)は各マッチング点の信頼度も出力していたのですが、外れ値は信頼度が低いと仮定して、信頼度の低い点を削除してみました
    • 結果は全然ダメでスコアが下がりました 株の基礎知識
      • そのあとの検証で分かりましたが、信頼度と外れ値かどうかにはあまり相関が無かったので、LoFTRの信頼度をベースに改善をするのは悪手だったと思います

      改善案2: NMSでマッチング点を間引き → (結果×)

      • まだ信頼度の検証をする前で、再び信頼度ベースの改善を試してました
      • 改善案1と同じ理由で上手くいかなかったです

      改善案3: セグメンテーションでクロップ → (結果○)

      • 改めてマッチング結果を確認してみて、誤対応している多くは空や道路、人など本来一致しないはずの領域にマッチングしているパターンが多いことに気付きました
        • セグメンテーションして不要な領域をあらかじめ除外すれば誤対応を抑制できるのではと考えます
        • 全体的にかなり適当な実装をしていたので、一旦ここで最適化することにしました
        • ボトルネックになってそうなところを片っ端から潰していったら約3倍くらい高速になりました
        • ちなみにこの段階でRANSACのパラメータも精度がなるべく変わらずに高速になるよう調整したのですが、その後の検証も高速に回せるようになったので早めに調整して良かったと感じてます
        • ただ、最初からスコアアップしたわけではなく、いくつか調整が必要でした
        • 最初は不要な領域にマスクをかけた画像でマッチングをしてみたのですが、これだと大幅にスコアが下がっていました。おそらく、マスクをかけた時にオブジェクトのエッジ部分の情報を欠落させてしまったためだと思われます。
        • そこで不要領域をマスクした画像ではなく、建物部分だけをクロップした画像でマッチングする方式に切り替えてスコアアップを実現しました
        • ちなみに最終ソリューションでも採用しているオリジナル画像のマッチング結果もアンサンブルするというアイデアはこの時点で思い付きました
          • 小さかったり複雑な形状をしているオブジェクトは上手くセグメンテーションできないことは学習データに対する結果で分かっていました
          • セグメンテーション自体の性能向上をすることも考えましたが、少し試してみて一筋縄ではいかなそうなこと、そもそもコンペの本質から外れる気がしたのでこの方針は早々に止めました
          • オリジナル画像のマッチング点を加えると誤対応点が増えるので仮説の方針と反するとも思いましたが、クロップ画像のマッチング点のおかげで正常対応点の割合が増えるので多少の誤対応は RANSACが弾いてくれるのでは?と思い、オリジナル画像のマッチング点を加えることを試してみました
          • 結果、だいぶスコアが良くなったのでオリジナル画像を組み合わせる方針を採用していました

          5. アンサンブル導入〜金圏突入(5/16〜5/19)

          • セグメンテーションクロップの調整がひと段落して手持ちのアイデアが無くなったので、ディスカッションで紹介されていたIMC2021の上位者が公開している論文を読み漁ってました
          • その中で紹介されていたLoFTRのマッチングにSuperPointを組み込む工夫が気になって実装にチャレンジしました
            • が、上手く実装できずLoFTRにSuperPointを組み込むのは早々に諦めます
            • ただ、実装に挑戦してる中でSuperPoint+SuperGlueの公開ノートブックを読み込んでいたので、せっかくなのでモデルをアンサンブルしてみることにしました
            • このアンサンブルがかなり効果を発揮して当時のギリギリ金圏スコアを出せました(0.816くらい)
            • 下手に金圏に入ったことで「順位を落としたくない」という心理が働いてパラメータ調整に執心していましたが、今思い返すとこれは悪手だったかなと思います
            • 基本的にパラメータ調整で可能な上げ幅はたかが知れてるので、最上位と越えられない壁を感じたら自分が気づいていない何かがあるはずなので、それを探すことに注力した方が建設的だったかなと思います

            6. 新たな改善案検討〜金圏復帰(5/20〜5/26)

            パラメータ調整に必死になっていると、案の定銀圏に落ちました。
            「最後に上位にいることが大事」と自分に言い聞かせて、新たな改善案の検討に着手します。
            改めてマッチング結果や今までの実験結果を振り返って、2つの課題を洗い出しました。

            課題1: クロップしても無駄な領域が多い

            • 改めてクロップした画像を見ていたところ、写ってる範囲が違う画像ペアだとクロップしても無駄な領域があることに気付きました
            • 例えば↓みたいな画像ペアの場合、左の画像は右の画像よりも写っている範囲が広いので、建物部分だけをクロップしても無駄な領域が残ります

            どんなコンペ?

            ざっくり言うと、同じ建物を撮影した2枚の画像が与えられたときに、それぞれの画像を撮影したカメラの相対位置関係(F行列)の推定精度を競うコンペでした。
            F行列を求める方法はいくつかありますが、基本的には2つの画像のマッチング点(同じ物体がそれぞれの画像に映る点)を求めて、RANSACで外れ値を除去して妥当なF行列を計算するという流れになります。外れ値の除去やF行列の計算はOpenCVの cv2.findFundamentalMat で行うことができるので、いかに上手くマッチング点を求めるかというところがこのコンペでは重要な部分になっていました。
            もっと詳しいコンペの解説は@fam_taroさんが公開してくださっているQiitaの記事がとても分かりやすいので、興味がある方はぜひそちらの記事を見ることをオススメします。

            1stソリューションの要点

            1. 通常画像でマッチング
            2. 得られたマッチング点をクラスタリングして2枚の画像の共通部分をクロップ
            3. クロップした画像同士で再マッチング
            4. 1で得られた通常画像のマッチング点と3で得られたクロップ画像のマッチング点を連結してF行列を計算
            • 共通部分のクロップ(株の基礎知識 mkpt crop)
            • 複数モデル(LoFTR、SuperGlue、DKM)のアンサンブル
            • 入力解像度を複数使用

            コンペ参戦記

            • 前置きが長くなりましたが、ここからがこの記事を書いた目的になります
            • 最終的なソリューションはすでに紹介した通りですが、コンペ中にどんなことを考えて試行錯誤していたか紹介できればと思います

            1. コンペ参加〜基礎知識の勉強(4/25〜4/27)

            • 4月末まで参加してたコンペが終わって、次のコンペを漁っている時にたまたま見つけました
              • 画像マッチングは未知の領域でしたが、たまたま興味が湧いていたのと、言っても画像分野なのである程度戦えるだろうと思い、勉強の一環として参加することにしました
              • 特にこちらのQiita記事がとても分かりやすく、F行列のイメージをつかむことができました。

              2. CV検証環境の準備〜初サブミット(4/28〜5/5)

              • 原因は参考にしていたノートブックに足りない処理(リサイズした画像同士で求めたマッチング点をリスケールせずにF行列計算していた)があったことでした
              • 当時はすぐに気づけず色んな実験を繰り返してディスカッションに投げてました
              • その時のやり取りはここで見れるので、興味のある方はご覧ください
              • ここでだいぶ時間を使ってしまいましたが、マッチング結果を確認する簡易UIとか、その後の検証でも使えるコードを整備できたので、このタイミングで色々実験していたのは結果的に良かったと思います
              • あまり期待していませんでいたが、当時の銀圏スコアが出て喜んでました
              • ここで運よく良いスコアが出たので本腰を入れて取り組み始めました

              3. 仮説を立てる(5/6〜5/7)

              仮説1: スコアが低い画像はマッチングの誤対応が多い → (結果△)

              • スコアが低い画像ペアには何かしら共通点があるだろうという見込みから簡単な仮説を立てました
              • スコアごとに画像ペアを集めてマッチング点を一つずつ目視で確認して検証をしました
              • 結果は微妙で、たしかに誤対応もありましたが割合はそれほど多くなかったです(ただ、この発見は後々のアイデアに活きてきて優勝のキーになりました)
              • 実際のマッチング結果を見てもスコアの良し悪しと結果の差が自分には分からなかったので、スコアが低いペアから共通点を見出すのは一旦諦めました

              仮説2: 誤対応点を削除すればスコアが上がる → (結果○)

              • 仮説1の検証の結果、スコアの大小に関わらず誤対応をしているケースは見受けられたので、手動で誤対応点を削除してスコアをいくつか出してみました
              • 結果は例外はあるものの基本的には不要なマッチング点を削除するとスコアが上がる傾向を示しました

              4. 仮説に基づいて改善案を検討〜高速化(5/8〜5/15)

              改善案1: スコアが低いマッチング点を足切り → (結果×)

              • 当時使用していたマッチングモデル(LoFTR)は各マッチング点の信頼度も出力していたのですが、外れ値は信頼度が低いと仮定して、信頼度の低い点を削除してみました
              • 結果は全然ダメでスコアが下がりました
                • そのあとの検証で分かりましたが、信頼度と外れ値かどうかにはあまり相関が無かったので、LoFTRの信頼度をベースに改善をするのは悪手だったと思います

                改善案2: NMSでマッチング点を間引き → (結果×)

                • まだ信頼度の検証をする前で、再び信頼度ベースの改善を試してました
                • 改善案1と同じ理由で上手くいかなかったです

                改善案3: セグメンテーションでクロップ → (結果○)

                • 改めてマッチング結果を確認してみて、誤対応している多くは空や道路、人など本来一致しないはずの領域にマッチングしているパターンが多いことに気付きました
                  • セグメンテーションして不要な領域をあらかじめ除外すれば誤対応を抑制できるのではと考えます
                  • 全体的にかなり適当な実装をしていたので、一旦ここで最適化することにしました
                  • ボトルネックになってそうなところを片っ端から潰していったら約3倍くらい高速になりました
                  • ちなみにこの段階でRANSACのパラメータも精度がなるべく変わらずに高速になるよう調整したのですが、その後の検証も高速に回せるようになったので早めに調整して良かったと感じてます
                  • ただ、最初からスコアアップしたわけではなく、いくつか調整が必要でした
                  • 最初は不要な領域にマスクをかけた画像でマッチングをしてみたのですが、これだと大幅にスコアが下がっていました。おそらく、マスクをかけた時にオブジェクトのエッジ部分の情報を欠落させてしまったためだと思われます。
                  • そこで不要領域をマスクした画像ではなく、建物部分だけをクロップした画像でマッチングする方式に切り替えてスコアアップを実現しました
                  • ちなみに最終ソリューションでも採用しているオリジナル画像のマッチング結果もアンサンブルするというアイデアはこの時点で思い付きました
                    • 小さかったり複雑な形状をしているオブジェクトは上手くセグメンテーションできないことは学習データに対する結果で分かっていました
                    • セグメンテーション自体の性能向上をすることも考えましたが、少し試してみて一筋縄ではいかなそうなこと、そもそもコンペの本質から外れる気がしたのでこの方針は早々に止めました
                    • オリジナル画像のマッチング点を加えると誤対応点が増えるので仮説の方針と反するとも思いましたが、クロップ画像のマッチング点のおかげで正常対応点の割合が増えるので多少の誤対応は RANSACが弾いてくれるのでは?と思い、オリジナル画像のマッチング点を加えることを試してみました
                    • 結果、だいぶスコアが良くなったのでオリジナル画像を組み合わせる方針を採用していました

                    5. アンサンブル導入〜金圏突入(5/16〜5/19)

                    • セグメンテーションクロップの調整がひと段落して手持ちのアイデアが無くなったので、ディスカッションで紹介されていたIMC2021の上位者が公開している論文を読み漁ってました
                    • その中で紹介されていたLoFTRのマッチングにSuperPointを組み込む工夫が気になって実装にチャレンジしました
                      • が、上手く実装できずLoFTRにSuperPointを組み込むのは早々に諦めます
                      • ただ、実装に挑戦してる中でSuperPoint+SuperGlueの公開ノートブックを読み込んでいたので、せっかくなのでモデルをアンサンブルしてみることにしました
                      • このアンサンブルがかなり効果を発揮して当時のギリギリ金圏スコアを出せました(0.816くらい)
                        株の基礎知識
                      • 下手に金圏に入ったことで「順位を落としたくない」という心理が働いてパラメータ調整に執心していましたが、今思い返すとこれは悪手だったかなと思います
                      • 基本的にパラメータ調整で可能な上げ幅はたかが知れてるので、最上位と越えられない壁を感じたら自分が気づいていない何かがあるはずなので、それを探すことに注力した方が建設的だったかなと思います

                      6. 新たな改善案検討〜金圏復帰(5/20〜5/26)

                      パラメータ調整に必死になっていると、案の定銀圏に落ちました。
                      「最後に上位にいることが大事」と自分に言い聞かせて、新たな改善案の検討に着手します。
                      改めてマッチング結果や今までの実験結果を振り返って、2つの課題を洗い出しました。

                      課題1: クロップしても無駄な領域が多い

                      • 改めてクロップした画像を見ていたところ、写ってる範囲が違う画像ペアだとクロップしても無駄な領域があることに気付きました
                      • 例えば↓みたいな画像ペアの場合、左の画像は右の画像よりも写っている範囲が広いので、建物部分だけをクロップしても無駄な領域が残ります

                      株とは?【基礎知識・始め方】と【株式の選び方・注目すべき点】を初心者にもわかりやすく紹介。

                      f:id:awqawqawq:20220321000120j:plain

                      以上の4つです。五大ドーム引く大阪ですね!ちなみに大阪にも証券取引所は存在していたのですが、2022年現在では、東京と合体して日本証券取引所グループとなっています!日本取引所グループはニュースやTV等を見ていたら出てくるケースも多いかもしれません。綺麗な場所ですね!館内見学なども行っているようなので、気になる方はいってみても面白いと思います!証券会社で働きたい!証券取引所で働いてみたい!等の人は、仕事を知る良いきっかけになるかもしれませんね!!!

                      また日本取引所グループは 世界三大取引所の一つ でもあるんです。

                      日本での基本通貨は 『¥=円』

                      アメリカの基本通貨は 『$=ドル』 株の基礎知識

                      イギリスの基本通貨は『£=ポンド』です。しかしイギリスはEUに加盟していますのでEU全体の、つまり、ヨーロッパでメジャーな通貨は 『€=ユーロ』 です。

                      それぞれ頭文字をとって、 『EDY(エディ)』 つまり、エディカードはここから来たなんてことも言われていたりします。明日友達や家族に話してみても面白いかもですね!

                      f:id:awqawqawq:20220321023321p:plain

                      しかしここまで証券取引所について学んできましたが、実際に自分が取引をする際はどこの証券取引所なのかそこまで意識しなくて大丈夫です。実際に自分がそこまで出向いて取引をするわけでもなければ、それぞれの取引所からなにか呼び出しがあるだとかそんなことは一切ありません。すべての注文はスマートフォン一つで出来ますし、インターネットができる環境であれば、国内でなくても大丈夫です。

                      竟成法律事務所のブログ

                      大阪市北区西天満2-6-8 堂島ビルヂング409号室にある金融法や民事事件を重点的に取り扱う法律事務所です(TEL 06-6926-4470)

                      【民法・家族法】離婚後の共同親権に関する淡々とした基礎知識

                      ■今回のテーマ

                      今回のテーマは、 「離婚後の共同親権に関する学説や論拠・批判等を淡々と紹介しよう」 です。

                      離婚後の共同親権について、賛成のお立場であっても、反対のお立場であっても、相手方の見解を正確に理解することは重要です。

                      尚、他国の中には、親の立場にある者の多様な責任を強調するために、「親権」ではなく、「親責任」(フランス parental responsibility )や「親の配慮」(ドイツ elterliche Sorge )という言葉が使われている国もあります(二宮230頁)。

                      ■文献を1つ選ぶなら

                      石塚理沙「離婚後の共同親権について」立法と調査427号(2020年)187頁

                      ■学説では共同親権賛成説・反対説のどちらが有力?

                      ■比較法的状況

                      ■中立的主張 or 記述

                      ■賛成説(or賛成説に近い見解)の主張

                      「このように共同親権から単独親権への移行が、単に父母が生活を共同にしなくなったことによる共同行使の困難という『実際諭』を理由とし、そのかぎりでの子の利益がいわれるのだとしたら、単独親権への移行により他方の親の権利義務まで消滅させる必然性はなく、またそのことが子の利益にかなうとはいえないのである。たとえば後見人について、わが民法は、これを一人に限っており(843条)、その理由として一人の方が能率があがるからだとされるが、親権者についてもこれと同様には解しえないのである。
                      思うに親権者は、子に生を与えることにより自らその地位を引き受けた者であるとともに、その子に対する愛情ゆえに一般にその最適任者とみられ、しかも子の健全な成長発達にとって両親が必要であるがゆえに共同親権者としての地位についた者ということができるのであって、離婚によって常に親の愛情への一般的信頼が失われるとか、子にとって片親の方が利益になるとかいえないかぎり、常に能率だけを考えて一方の権利義務を消滅させることはできないはずである。

                      もっとも、離婚の際の父母間の不和・葛藤は子にとって不幸なことが多く、離婚はその好ましからぬ共同親権の法的清算であって、父母の親権はそこで一応消滅し、単独親権は新しい条件のもとでいわば原始取得されると解する説もあるが、長期的にみれば、日常の監護行為についてはともかく、非親権者に子に対する愛情と献身への願望があり、それが子の健全な発育にとって必要なかぎり、親がこれを注ぎ、子がこれに浴しうる途を開くことの方が子の利益にかなうものというべきであろう。」(川田231頁以下)

                      ■反対説 (or反対説に近い見解) の主張

                      「前述したように、現在、離婚後の共同親権を認めるかどうかが、民法改正の大きな争点となっている。西欧法が離婚後共同親権に道を開いたのは、離婚がありふれたことになり、夫婦としては失敗した両親であっても、親としては協力して子を育てようという姿勢をもつ両親に道を開くためである。また、離婚後単独親権だと離婚前の子の奪い合いが熾烈になりがちであり、その争いを軽減する狙いも強かった。それでも離婚した両親が共同親権を行使することには、とかく困難が伴いがちである。」(水野62頁)

                      「それでは、日本でも、離婚後共同親権が立法されるべきだろうか。将来的には、その方向に進むのが筋といえるだろう。しかし現状では、慎重に考えぎるを得ない。いささか乱暴な比喩ではあるが、離婚後共同親権は、建物に西洋風の両開きの窓を作って新しい風を入れるべきだという主張のようなものである。家の建築手法としては、たしかにそのほうがいいだろう。しかし家の上台が沼地で、そもそも家全体が傾いて崩れかけている状況では、窓を作ったところで、窓からも泥が入りかねない。なにより必要なのは、まず傾いた家を支え、土台を固めることなのである。
                      西欧法が日本法と大きく違っているのは、子を連れて逃げるという自力救済の禁止と、その禁止の前提としての救済の保障である。つまり、国家が助けるから逃げるなという制度であり、ハーグ子奪取条約は、これらが制度化している国同士で、国境を越えて自力救済をした場合に、もとの国に戻して本来の手続に戻すという条約である。しかし日本法は、これらの制度化がどちらも確立していない。」(水野62頁)

                      「つまり日本法は、弱者が救いを求めたときに、公権力が家庭に介入して弱者を救済するという家族法になっておらず、当事者の自力救済を前提とするのである。離婚後共同親権についても、それが条文に書き込まれただけでは、実効性は保障されない。他方、DVや児童虐待のように家族間に暴力や支配があるケースにおいては、親権行使を回実に加害者がつきまとい、極端な言い方をすれば、公認ストーカーを承認することになりかねない。」(水野62-63頁)

                      市橋ほか 市橋千鶴子ほか『夫婦・親子の法律相談』(青林書院、1995年)

                      大村 大村敦志『民法読解 親族編』(有斐閣、2015年)

                      梶村 梶村太市『最新 民法親族編逐条解説』(テイハン、2021年)

                      梶村ほか 梶村太市ほか『家族法実務講義』(有斐閣、2013年)

                      川田 川田昇「親の権利と子の利益」中川善之助先生追悼『現代家族法大系3』(有斐閣、昭和54年)

                      木村 木村草太「離婚後共同親権と憲法」梶村太市ほか編著『離婚後の共同親権とは何か』(日本評論社、2019年)

                      栗林 栗林佳代「離婚後の親子の交流(面会交流)の保障」二宮周平編集代表『現代家族法講座 第2巻 婚姻と離婚』(日本評論社、2020年)

                      小池 小池泰「親権」法教429号(2016年)

                      鈴木 鈴木経夫「実務から見た離婚後の子ども共同監護」財団法人日弁連法務研究財団離婚後の子どもの親権及び監護に関する非核法的研究会編『子どもの福祉と共同親権』(日本加除出版、平成19年)

                      関連記事

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!

コメント

コメントする

目次
閉じる