A Note on the Generalized Cape Cod Reserving Method

Ronald Richman および Mario V. Wüthrich による論文「A Note on the Generalized Cape Cod Reserving Method」の詳細な技術的概要を以下に示す。

1. 問題提起

損害保険における保険金準備金の算定は、最終損失の推定と予測の不確実性の定量化を含む重要な作業である。確率論的枠組みおよび予測の平均二乗誤差（MSEP）の式は、**チェーン・レダー（CL）法（例：Mack モデル）やBornhuetter–Ferguson（BF）**法に対して存在するが、**一般化ケープコッド（GCC）**法に対する厳密な解析的 MSEP 式は欠けていた。

• ギャップ: GCC 法（およびその前身である Bühlmann のケープコッド法）は、完全な観測ベースの CL 法と事前情報ベースの BF 法の中間的な立場を提供するため、実務において広く用いられている。しかし、既存の確率論的取扱い（例：Saluz, 2017）は、業界標準のパラメータ推定（CL に基づく発展パターンの使用）と整合しないか、実際の計上プロセスを反映する閉形式の MSEP 推定量を欠いている。
• 課題: 実務家はしばしば GCC 法または BF 法を用いて準備金を計上するが、不確実性の報告には Mack の CL 式またはブートストラップ法を用いる。これによりミスマッチが生じる。すなわち、不確実性の定量化は、実際に計上された予測子とは異なる予測子に対して適用されていることになる。さらに、BF 法の MSEP 推定量は、事前損失率の明示的な確率論的指定を必要とすることが多く、これは業界の計画プロセスにおいてめったに形式化されていない。

2. 手法

著者らは、誤差伝播法（元々 Röhr, 2018 によって CL 法に適用されたもの）を用いて、GCC 法のための統一的な確率論的枠組みを開発した。

A. 一般化ケープコッド（GCC）枠組み

本論文は、GCC 予測子をチェーン・レダー発展係数（$f_j$）およびトレンドパラメータ $\lambda \in [0, 1]$ の関数として定義する。

• ケープコッド（CC）: 定常性を仮定し、すべての事故年における観測された損失率の加重平均を用いて単一の損失率（$\kappa$）を推定する。
• GCC 拡張: トレンドを許容するために指数関数的加重因子 $\lambda^{|i-l|}$ を導入する。これにより、事故年 $i$ の損失率推定値は隣接する年に依存度が高まり、被保険者数の誤指定や頻度・重大度のトレンドを修正する。
• 境界ケース:
  • $\lambda = 0$: GCC 法はチェーン・レダー法に帰着する。
  • $\lambda = 1$: GCC 法は Bühlmann のケープコッド法に帰着する。

B. 予測不確実性（MSEP）の導出

核心的な技術的貢献は、対数スケールにおける**一次テイラー展開（誤差伝播法）**を用いた MSEP の導出である。

1. 分解: 総 MSEP は、プロセス不確実性（$\Psi^2$）とパラメータ推定誤差（$\Delta^2$）に分解される。
2. 感度分析: 著者らは GCC 予測子を CL 発展係数（$f_j$）の関数として扱う。これらの係数の摂動に対する GCC 予測子の感度を計算する。
3. 閉形式解: 誤差伝播法を適用することで、業界標準の実践である CL 係数を用いた発展パターンの推定と整合するパラメータ推定誤差（$\hat{\Delta}^2_{GCC}$）の閉形式解析式を導出した。

3. 主要な貢献

1. GCC に対する最初の解析的 MSEP: 本論文は、一般化ケープコッド法の予測不確実性に対する最初の閉形式解析式を提供する。
2. 手法的一貫性: 導出された MSEP 推定量は、業界で用いられるチェーン・レダーに基づくパラメータ推定と完全に整合している。事前尤度に基づく推定を用い、標準的な実務から逸脱していた以前の試み（例：Saluz）とは異なり、このアプローチは不確実性の尺度が実務家によって計上された準備金と正確に対応することを保証する。
3. CL と CC の統合: この枠組みは、GCC 法が CL 法と CC 法の間に連続的に補間することを示している。したがって、導出された MSEP 式は自然に以下に収束する。
   • $\lambda \to 0$ のとき、Mack の CL MSEPへ。
   • $\lambda \to 1$ のとき、新しい整合的なケープコッド MSEPへ。
4. クラディビリティ解釈: 本論文は、GCC 予測子のクラディビリティによる再定式化を提供し、保険料水準および時間的近接性で調整された事故年全体にわたる CL 予測子の加重平均として示す。

4. 結果および数値例

著者らは、標準的な保険金請求データ（Wüthrich–Merz）に基づく数値例を用いて理論を検証した。

• 準備金の感度: $\lambda$ が 0（CL）から 1（CC）に増加するにつれて、推定準備金は増加する。これは、データが時間的トレンド（個々の損失率が時間とともに減少する傾向）を示しており、標準的な CL 法はこのトレンドを捉えるが、定常性を仮定する CC 法はトレンド全体を平均化することで過大評価するためである。
• 不確実性構成要素:
  • パラメータ推定誤差（$\Delta^2$）: $\lambda$ の増加とともに減少する。これは、高い $\lambda$ が「事前情報」（保険料ベースの構造）により依存し、個々の事故年観測値のノイズに対するモデルの感度を低下させるためである。
  • プロセス不確実性（$\Psi^2$）: 総準備金額（分散計算の分母）が増加するため、$\lambda$ とともにわずかに増加する。
• 最適な $\lambda$: 本例では、総 MSEP の最小値は $\lambda = 0.55$ 付近で生じる。しかし、著者らは MSEP を最小化することが「真の」最適モデルを保証するものではないと警告している。なぜなら、MSEP はモデルの仮定に敏感であるからである。
• Saluz (2017) との比較: 本論文は、Saluz の CC 準備金が高く、彼女の MSEP が異なるのは、発展パターンの推定方法が異なるためであると指摘している。著者らのアプローチは業界標準（CL に基づくパターン）と整合しており、この特定のデータセットに対しては、より低く、より現実的な準備金推定値をもたらす。

5. 意義および実務的含意

• ギャップの埋め合わせ: この研究は、実務で使用されている決定論的アルゴリズムと整合する確率論的モデルを提供することにより、重要な文献のギャップを埋める。
• Bornhuetter–Ferguson の代理: GCC 法は、主観的な事前情報を CL に基づく比率の加重平均に置き換える堅牢なアルゴリズム的代理として BF 法でよく用いられるため、この MSEP 推定量は、定義が困難な事前損失率の確率論的指定を必要とせずに、BF 型の準備金算定に対する厳密な不確実性尺度を実質的に提供する。
• 規制および経営上の有用性: 導出された MSEP は、保険会社が計上した準備金と数学的に整合する予測不確実性を報告することを可能にする。これは、ソルベンシー報告（例：IFRS 17、ソルベンシー II）および経営意思決定において極めて重要であり、異なる予測子に適用される Mack の CL 不確実性や、その場限りのスケーリング因子を使用する現在の慣行を代替する。

要約すると、Richman と Wüthrich は、確率論的準備金算定枠組みを一般化ケープコッド法に成功裏に拡張し、実世界の保険準備金算定実務に直接適用可能な、堅牢で閉形式の予測不確実性定量化ツールを提供した。