Continuous-time modeling and bootstrap for Schnieper's reserving

이 논문은 Schnieper 의 손해준비금 모델을 재검토하여 새로운 청구 발생을 포아송 측도와 보고된 청구의 비용 변동을 브라운 운동으로 모델링하는 연속 시간 확률 모델을 제안하고, 이를 통해 비대칭성과 비음수성을 자연스럽게 반영하는 부트스트랩 방법을 개발하여 손해준비금의 예측 분포를 추정하는 방법을 제시합니다.

핵심

🏠 비유: "아직 도착하지 않은 택배와 가격 변동"

보험회사는 마치 거대한 택배 센터와 같습니다. 고객들이 사고를 당하면 (택배 주문), 보험사는 그 비용을 미리 예측해서 '예비금'을 쌓아둡니다. 하지만 문제는 두 가지입니다.

1. 아직 알려지지 않은 사고 (True IBNR): 사고는 났는데 아직 보험사에 신고되지 않은 경우입니다. (택배가 발송되었지만 아직 주소지로 오지 않음)
2. 이미 알려진 사고의 비용 변동 (IBNER): 사고는 신고했지만, 나중에 치료비가 더 들거나 줄어드는 등 예상 금액이 바뀌는 경우입니다. (이미 도착한 택배의 무게가 재측정되어 배송비가 바뀜)

기존의 스니페어 (Schnieper) 모델은 이 두 가지를 나누어 계산하는 훌륭한 방법이었지만, 몇 가지 단점이 있었습니다.

• 단점: 계산 결과가 마이너스 (음수) 가 나올 수 있다는 점 (예비금이 마이너스라는 건 말이 안 되죠).
• 단점: 실제 데이터의 불규칙한 움직임 (비대칭성) 을 제대로 반영하지 못함.

🚀 저자의 새로운 아이디어: "연속적인 흐름으로 보기"

저자 (Nicolas Baradel) 는 이 문제를 해결하기 위해 **"연속 시간 (Continuous-time)"**이라는 새로운 렌즈를 끼었습니다.

1. 두 가지 다른 엔진을 사용하다

저자는 예비금의 움직임을 두 가지 다른 엔진으로 설명합니다.

• 새로운 사고 (True IBNR) = '우편함' (포아송 과정)

  • 새로운 사고는 언제 일어날지 모릅니다. 마치 우편함에 편지가 갑자기 툭, 툭 떨어지는 것처럼요.
  • 이 모델은 이 '갑작스러운 도착'을 포아송 확률 분포로 정확하게 잡습니다. "언제 올지 모르지만, 일정 시간 동안 몇 통 올지"를 예측하는 방식입니다.

• 기존 사고의 비용 변동 (IBNER) = '물결' (브라운 운동)

  • 이미 신고된 사고의 비용은 하루하루 조금씩 변합니다. 마치 바다의 파도처럼요.
  • 이 미세한 변동은 **브라운 운동 (랜덤 워크)**이라는 수학적 도구를 써서, 파도가 어떻게 흔들릴지 시뮬레이션합니다.

2. 왜 이 방식이 더 좋을까요? (장점)

이 새로운 방식은 마치 실제 현금을 다루는 것처럼 자연스럽습니다.

• ✅ "마이너스" 금지: 기존 방식은 계산 실수로 예비금이 마이너스가 나올 수도 있었지만, 이 모델은 물리적으로 불가능한 "음수 금액"이 나오는 것을 원천 차단합니다. (물결이 바닥을 뚫고 내려갈 수 없듯이요)
• ✅ "비대칭성" 반영: 실제 보험 청구는 "갑자기 큰 사고가 터질 때"는 금액이 급증하지만, "작은 사고"는 천천히 줄어듭니다. 이 모델은 그 비대칭적인 모양을 그대로 담아냅니다.
• ✅ "부트스트랩 (Bootstrap)"이라는 시뮬레이션:
  • 이 모델은 컴퓨터로 수천 번의 가상 시나리오를 돌려봅니다.
  • "만약 내년에 큰 사고가 10 건 더 난다면?", "만약 치료비가 예상보다 20% 더 들면?" 같은 상황을 수천 번 시뮬레이션해서, 가장 나쁜 상황 (99.5% 확률) 에서도 회사가 파산하지 않을 만큼의 돈을 준비해야 한다는 결론을 냅니다.

📊 실제 사례로 확인하기

논문에서는 실제 자동차 보험 데이터를 가지고 이 모델을 테스트했습니다.

• 기존 방법 (로그-정규분포): "평균적으로 이렇게 될 거야"라고 가정하고 계산했는데, 꼬리 부분 (큰 사고) 을 과소평가하거나 과대평가할 때가 있었습니다.
• 새로운 방법 (연속 시간 부트스트랩):
  • 계산 결과가 더 현실적이고 안전했습니다.
  • 특히, "가장 나쁜 상황"을 대비할 때 필요한 금액을 더 정확하게 잡아냈습니다.
  • 또한, 모델의 매개변수 (예: 사고 건수나 평균 금액) 를 조금만 바꿔도 결과가 어떻게 변하는지 민감하게 반응하는지까지 분석했습니다.

💡 한 줄 요약

"기존의 딱딱한 계산 방식 대신, 우편함 (갑작스러운 사고) 과 파도 (비용 변동) 의 움직임을 자연스럽게 모방하는 연속적인 시뮬레이션을 통해, 보험회사가 '최악의 상황'에서도 살아남을 수 있도록 더 정확한 예비금을 계산해 드립니다."

이 논문은 보험회사가 미래의 불확실성을 다룰 때, 단순히 숫자를 맞추는 것을 넘어 현실 세계의 불규칙하고 역동적인 흐름을 수학적으로 완벽하게 포착하는 새로운 길을 제시했습니다.

기술 요약

논문 요약: Schnieper 의 손실예비금 (Reserving) 에 대한 연속시간 모델링 및 부트스트랩

논문 제목: Continuous-time modeling and bootstrap for Schnieper's reserving
저자: Nicolas Baradel
발행일: 2026 년 3 월 13 일 (arXiv:2603.11258v1)

---

1. 연구 배경 및 문제 정의

손실예비금 (Loss Reserving) 평가, 특히 초과손실 (Excess-of-Loss) 재보험 분야에서 Schnieper 모델은 미보고손실 (IBNR, Incurred But Not Reported) 을 두 가지 구성 요소로 분해하여 분석하는 고전적인 접근법입니다.

1. True IBNR: 아직 보고되지 않은 새로운 청구 건에 대한 예비금.
2. IBNER (Incurred But Not Enough Reported): 이미 보고된 청구 건의 추정 최종 비용이 시간 경과에 따라 변동하는 부분에 대한 예비금.

기존 Schnieper 모델은 이산시간 (discrete-time) 프레임워크에서 작동하며, 주로 점진적 추정 (chain-ladder) 기법이나 비모수적 부트스트랩을 사용하여 불확실성을 평가해 왔습니다. 그러나 기존 방법론들은 다음과 같은 한계가 있었습니다:

• 음수 발생 가능성: 부트스트랩 과정에서 누적 청구 금액이 음수가 될 수 있는 비현실적인 시나리오가 발생할 수 있음.
• 대칭성 가정: 잔차 기반의 부트스트랩은 종종 정규분포를 가정하여 예비금 분포의 비대칭성 (asymmetry) 을 제대로 반영하지 못함.
• 모델의 불일치: 연속시간 확률 미분방정식 (SDE) 을 활용한 Mack 모델 등의 연구는 있었으나, Schnieper 의 분해 구조를 연속시간 프레임워크에 자연스럽게 통합한 연구는 부족함.

이 논문은 Schnieper 의 분해 구조를 유지하면서, **연속시간 확률 과정 (Continuous-time stochastic process)**을 도입하여 위와 같은 한계를 극복하고 예비금의 전체 예측 분포를 추정하는 새로운 부트스트랩 방법을 제안합니다.

2. 방법론 (Methodology)

저자는 총 청구 금액 과정 (Aggregate claims process) 을 연속시간 확률 미분방정식 (SDE) 으로 모델링합니다.

2.1 연속시간 확률 모델

각 사고연도 $i$에 대한 누적 청구 금액 $C^i_t$는 다음과 같은 SDE 로 정의됩니다:
$$dC^i_t = \underbrace{z \Pi^i(dt, dz)}_{\text{새로운 청구 (True IBNR)}} - \underbrace{\delta_t C^i_t dt}_{\text{비용 감소 (IBNER)}} + \underbrace{\tau_t \sqrt{C^i_t} dW^i_t}_{\text{비용 변동 (IBNER)}}$$

• 새로운 청구 (True IBNR): 포아송 랜덤 측정 (Poisson random measure) $\Pi^i$를 통해 모델링됩니다. 이는 새로운 청구의 도착을 나타내며, 점프 크기 $Z$는 확률 분포를 따릅니다.
• 보고된 청구의 변동 (IBNER): 브라운 운동 (Brownian motion) $W^i$와 드리프트 항을 통해 모델링됩니다. 이는 기존 청구 건의 비용 재추정 (재평가) 을 나타냅니다.
• 비음수성 (Non-negativity): 확산 계수 (diffusion coefficient) 가 $\sqrt{C^i_t}$에 비례하도록 설정하여, 청구 금액이 0 에 도달하면 확산이 멈추고 음수로 떨어지는 것을 방지합니다.

2.2 Schnieper 모델과의 일관성

이 연속시간 모델은 Schnieper 의 원래 이산시간 가정 (H1, H2, H3) 을 만족하도록 설계되었습니다.

• 조건부 모멘트: 연속시간 모델의 조건부 기댓값과 분산을 유도하여 Schnieper 의 파라미터 ($\Lambda_j, \Delta_j, \Sigma_j, T_j$) 와의 관계를 명확히 합니다.
• 파라미터 추정: 구간별 상수 (piecewise-constant) 가정을 통해 이산시간 데이터 (개발 삼각형) 와 연속시간 파라미터 ($\lambda, \delta, \tau$) 간의 변환 관계를 도출합니다. 특히, 점프 크기 $Z$의 1 차 및 2 차 모멘트 비율을 선형 회귀를 통해 추정합니다.

2.3 부트스트랩 절차

파라미터 불확실성과 과정 오차 (process error) 를 모두 고려한 부트스트랩 알고리즘을 제안합니다:

1. 파라미터 부트스트랩: 관측된 데이터를 기반으로 추정된 파라미터 ($\hat{\Lambda}, \hat{\Delta}, \hat{\Sigma}, \hat{T}$) 를 사용하여 새로운 시뮬레이션 데이터 ($N^m, D^m$) 를 생성하고, 이를 통해 부트스트랩된 파라미터 집합을 도출합니다.
2. 과정 시뮬레이션: 부트스트랩된 파라미터와 점프 크기 분포 (예: 감마 분포) 를 사용하여 미관측된 미래 기간 (삼각형 하단부) 에 대한 청구 금액을 연속시간 SDE 를 통해 시뮬레이션합니다.
3. 예비금 분포 추정: 시뮬레이션된 최종 청구 금액을 통해 예비금의 전체 예측 분포를 구성합니다.

3. 주요 기여 (Key Contributions)

1. Schnieper 모델의 연속시간 확장: Schnieper 의 분해 구조 (True IBNR vs IBNER) 를 유지하면서, 이를 포아송 과정과 브라운 운동으로 구성된 연속시간 확률 모델로 체계화했습니다.
2. 자연스러운 제약 조건 준수:
   • 비음수성: 모델 구조상 청구 금액이 음수가 될 수 없도록 보장합니다.
   • 내재적 상한선: 보고된 청구 건의 비용 감소분이 기존 금액을 초과할 수 없다는 물리적 제약 ($D_{i,j+1} \le C_{i,j}$) 을 자연스럽게 만족시킵니다.
   • 비대칭성 반영: 잔차 기반의 정규분포 가정을 피하고, 점프 과정과 확률적 미분방정식을 통해 예비금 분포의 비대칭성을 자연스럽게 포착합니다.
3. 점프 크기 분포의 유연성: 집계된 데이터 (triangle data) 만으로는 점프 크기 $Z$의 분포를 완전히 특정할 수 없음을 인정하고, 모멘트 제약 조건 하에서 분포 (예: 감마 분포) 를 선택하거나 추정할 수 있는 프레임워크를 제공합니다.

4. 결과 및 사례 연구 (Results & Case Study)

실제 자동차 제 3 자 책임 초과손실 데이터 (Schnieper, 1991) 를 사용하여 제안된 방법을 검증했습니다.

• 비교 대상:

  • Schnieper 모델 + 로그정규분포 가정 (Log-normal approximation)
  • Schnieper 모델 + 비모수적 부트스트랩 (기존 방법)
  • 시계열 부트스트랩 (Time series bootstrap)
  • 제안 방법: 연속시간 부트스트랩 (Continuous-time bootstrap)

• 성능 비교 (조건부 예측 평균 제곱 오차, MSEP 및 99.5% 분위수):

  • 음수 발생: 기존 Schnieper 부트스트랩은 시뮬레이션의 약 66% 에서 음수 청구 건 ($N_{i,j} < 0$) 을 발생시켰으나, 제안된 연속시간 모델은 음수 발생이 전혀 없었습니다.
  • 불합리한 감소: 기존 방법 중 일부는 보고된 청구 금액이 0 을 하회하는 비현실적인 시나리오 ($D_{i,j+1} > C_{i,j}$) 를 발생시켰으나, 제안 모델은 이를 방지했습니다.
  • 분포 형태: 제안된 모델은 예비금 분포의 꼬리 (tail) 를 더 잘 포착하여, 99.5% 분위수 초과분 (Quantile excess) 이 다른 방법들에 비해 더 현실적인 수준을 보였습니다.
  • 민감도 분석: 점프 크기의 기대값 $E[Z]$ 선택이 결과 (MSEP 및 분위수) 에 민감하게 반응함을 확인했습니다. $E[Z]$가 작을수록 분포의 꼬리가 두꺼워지고 변동성이 증가하는 감마 분포의 특성을 반영했습니다.

5. 의의 및 결론 (Significance)

이 논문은 손실예비금 평가 분야에서 중요한 이론적, 실용적 진전을 이루었습니다.

• 이론적 일관성: Schnieper 의 고전적인 분해 개념을 현대적인 연속시간 확률론과 결합하여, 모델의 수학적 엄밀성을 높였습니다.
• 실무적 유용성: 보험사 및 재보험사는 예비금 산정 시 음수 발생이나 비현실적인 분포 형태를 피해야 합니다. 제안된 부트스트랩 방법은 추가적인 보정 없이도 이러한 제약 조건을 자동으로 만족시키므로, 더 신뢰할 수 있는 위험 관리 (Risk Management) 및 자본 적정성 평가에 기여합니다.
• 확장성: 개별 청구 데이터 (individual claim data) 가 있는 경우 점프 크기 분포를 직접 추정할 수 있으며, 집계 데이터만 있는 경우에도 모멘트 기반 추정을 통해 유연하게 적용 가능합니다.

결론적으로, 이 연구는 Schnieper 모델을 기반으로 하되, 연속시간 확률 과정을 도입함으로써 예비금 불확실성 평가의 정확성과 현실성을 크게 향상시킨 새로운 표준을 제시합니다.