One-Shot Individual Claims Reserving

이 논문은 기존 개별 청구 예측 방법론의 한계를 극복하고, 리치먼과 뵈트릭의 이전 연구를 바탕으로 실용적 표준을 정립하기 위해 체인-래더 (CL) 기법을 확장한 새로운 개별 청구 예측 접근법을 제시합니다.

핵심

1. 문제: 왜 기존 방식은 부족할까요? (과거의 '통계적 추측')

기존 보험회사는 과거의 데이터를 거대한 삼각형 (Triangle) 모양으로 정리했습니다.

• 비유: 마치 10 년 전부터 지금까지 모든 환자의 평균 체온을 한 줄로만 적어둔 거대한 표를 보는 것과 같습니다.
• 한계: 이 표를 보면 "평균적으로 3 월에 감기가 잘 낫는다"는 건 알 수 있지만, "지민이는 3 월에 감기에 걸렸는데 몸이 약해서 6 월까지 걸릴 것 같다"는 개별적인 상황은 알 수 없습니다. 모든 사람을 평균으로만 처리하다 보니, 실제 필요한 돈이 얼마나 될지 정확히 맞추기 어렵습니다.

2. 새로운 아이디어: "한 번에 끝내기" (One-Shot Forecast)

저자들은 이 복잡한 과정을 단순화하고 개인화할 방법을 찾았습니다. 핵심은 **"한 번에 최종 결과를 예측한다 (One-Shot)"**는 것입니다.

• 기존 방식 (계단식): "1 년 차에 100 만 원 썼으니, 2 년 차엔 110 만 원일 거야. 3 년 차엔 121 만 원일 거야..."라고 한 단계씩 계단을 오르며 최종 금액을 계산합니다.
• 새로운 방식 (직접 점프): "지금 이 사람의 상태 (개인 정보) 를 보면, 최종적으로 150 만 원이 들겠구나"라고 한 번에 점프해서 예측합니다.

이것은 마치 운전을 할 때, "100m 전진, 100m 전진"하며 차를 움직이는 게 아니라, 내비게이션에 목적지를 입력하고 "지금부터 목적지까지 30 분 걸립니다"라고 한 번에 알려주는 것과 같습니다.

3. 핵심 기술: "개인별 건강 기록"을 활용한 예측

이 방법의 가장 큰 특징은 개별 청구 (Individual Claims) 데이터를 활용한다는 점입니다.

• RBNS (보고는 했지만 아직 해결되지 않은 청구):

  • 비유: 병원에 내원해서 진단을 받았지만, 아직 치료비가 다 나오지 않은 환자들입니다.
  • 방법: 이 환자들 각각의 개인 정보 (나이, 사고 유형, 과거 치료 기록, 현재 상태 등) 를 컴퓨터 (머신러닝) 에 입력합니다.
  • 결과: 컴퓨터가 "이 환자는 상태가 나빠서 치료비가 더 들겠구나"라고 개인별로 예측합니다.

• IBNR (아직 보고되지 않은 청구):

  • 비유: 사고는 났는데 아직 병원에 안 온 사람들입니다.
  • 방법: 이미 온 환자들 (RBNS) 의 최종 치료비를 예측한 뒤, 그 패턴을 이용해 아직 안 온 사람들의 수와 비용을 추정합니다.

4. 놀라운 발견: 복잡한 AI 보다 간단한 '선형 회귀'가 더 잘했다!

저자들은 이 복잡한 계산을 위해 최신의 **인공지능 (신경망, Transformer 등)**을 쓸까 고민했습니다. 하지만 실험 결과는 놀라웠습니다.

• 결과: 아주 정교하고 복잡한 AI 모델보다는, **고등학교 수학 시간에 배운 '일차함수 (선형 회귀)'**가 오히려 더 정확하고 빠르게 결과를 냈습니다.
• 이유: 데이터가 너무 복잡해지면 AI 가 노이즈 (잡음) 까지 학습해버려 오히려 엉뚱한 답을 내놓을 수 있습니다. 반면, 간단한 선형 회귀는 핵심적인 패턴만 잘 잡아냅니다.
• 장점: 계산이 매우 빨라서, "이 예측이 얼마나 틀릴 수 있을까?"에 대한 **불확실성 (리스크)**까지 수천 번 시뮬레이션으로 검증할 수 있습니다.

5. 왜 이것이 중요한가요? (실생활 예시)

이 방법을 쓰면 보험회사는 다음과 같은 혜택을 얻습니다.

1. 더 정확한 돈 준비: "평균적으로 100 억 원 준비해야겠다"가 아니라, "A 사고는 100 억, B 사고는 120 억, C 사고는 80 억"처럼 상황에 맞춰 돈을 준비할 수 있습니다.
2. 유연한 대응: 인플레이션이나 새로운 질병 같은 환경 변화가 생기면, 개별 데이터에 그 영향을 바로 반영할 수 있습니다. (기존의 거대한 표는 바꾸는 데 시간이 오래 걸립니다.)
3. 투명성: 복잡한 AI 의 '블랙박스'가 아니라, "왜 이 금액을 예측했는지"를 설명하기 쉽습니다.

요약

이 논문은 **"보험금 적립이라는 거대한 퍼즐을, 거대한 덩어리로 맞추려 하지 말고, 각 조각 (개별 사고) 의 특징을 잘 살펴서 한 번에 맞추자"**고 제안합니다.

그리고 놀랍게도, 그걸 위해 최신의 고가의 AI 가 아니라 간단하고 빠른 계산법이 가장 효과적이라는 것을 증명했습니다. 이는 보험회사가 더 정교하고 안전한 금융 시스템을 만들 수 있는 새로운 길 (Standard) 을 열어줍니다.

기술 요약

1. 문제 제기 (Problem)

• 개별 청구 손실 준비금의 부재: 현재 보험 실무에서 개별 청구 수준 (Micro-level) 의 손실 준비금 산정은 아직 정립되지 않았습니다. 기존 방법론들은 너무 복잡하거나 실용적인 유연성과 견고성이 부족하기 때문입니다.
• 기존 CL 방법의 한계: 고전적인 체인래더 (CL) 방법은 집계된 삼각형 (Triangle) 데이터를 기반으로 하며, 이는 개별 청구의 상세 정보 (covariates) 를 잃어버립니다. 또한, CL 의 전통적인 '일 단계 앞 (one-period ahead)' 반복적 예측 방식은 개별 청구에 적용할 때 확률 과정의 외삽 (extrapolation) 으로 인해 계산적, 방법론적 어려움을 야기합니다.
• IBNR 과 RBNS 의 통합적 접근 부재: 보고되었으나 미결정된 (RBNS) 청구와 미보고된 (IBNR) 청구를 통합적으로 다루면서 개별 청구의 동적 특성을 반영하는 체계적인 프레임워크가 부족했습니다.

2. 방법론 (Methodology)

이 논문은 Richman-Wüthrich [10] 의 이전 연구를 바탕으로 다음과 같은 핵심 방법론을 제시합니다.

2.1. Projection-to-Ultimate (PtU) 인자를 이용한 일회성 예측

• 개념 전환: 전통적인 CL 방법의 반복적인 '일 단계 앞' 예측 (Roll-forward) 대신, PtU (Projection-to-Ultimate) 인자를 직접 추정하여 최종 청구액 (Ultimate Claim) 을 **일회성 (One-shot)**으로 예측하는 방식을 채택합니다.
• Grossing-up Method: PtU 인자는 Lorenz-Schmidt 의 'Grossing-up' 방법과 수학적으로 동일하며, 이는 CL 인자의 누적 곱을 한 번의 계산으로 대체합니다.
• 알고리즘:
  • Algorithm 1 (전통적 CL): 집계 데이터에 대한 일회성 PtU 예측.
  • Algorithm 2 (RBNS 전용): RBNS(보고됨 미결정) 청구만을 대상으로 일관된 청구 코호트 (cohort) 를 사용하여 편향을 제거한 PtU 예측.
  • Algorithm 3 (일반화 ML): 개별 청구의 과거 이력과 동적 공변량 (covariates) 을 입력으로 받아 회귀 모델 (선형 회귀, 신경망 등) 을 통해 PtU 인자를 추정하는 일반화된 알고리즘.

2.2. RBNS 와 IBNR 의 분리 및 통합

• RBNS (Reported But Not Settled): 개별 청구 데이터 (청구 금액, 상태, 사고 유형 등) 를 활용하여 개별 청구별 최종 금액을 예측합니다.
• IBNR (Incurred But Not Reported): 아직 보고되지 않은 청구를 예측하기 위해, RBNS 예측 결과를 기반으로 보고 지연 (Reporting Delay) 분포를 추정하거나, RBNS 예측된 최종 금액을 집계하여 CL 방식으로 IBNR 을 산정합니다.
• 분해: 총 손실 준비금을 $RBNS + IBNR$로 명확히 분해하여 산정합니다.

2.3. 회귀 모델링 및 최적화

• 선형 회귀 (Linear Regression): 개별 청구의 최종 금액을 예측하는 데 선형 회귀 (GLM with identity link) 를 사용합니다. 이는 계산 효율성이 높고, 최대우도추정 (MLE) 을 통해 **균형 성질 (Balance Property, $\sum \hat{y} = \sum y$)**을 만족시켜 편향을 제어할 수 있습니다.
• 가중치 제거: 개별 청구에서 0 인 값이 존재할 수 있으므로, 기존 가중치 최소제곱법 대신 단순 최소제곱법 (Unweighted Square Loss) 을 사용하여 모델의 견고성을 높였습니다.
• ML 모델 비교: 선형 회귀 외에도 피드포워드 신경망 (FNN) 과 트랜스포머 (Transformer) 아키텍처를 적용하여 비선형성과 전체 과거 이력 (Markov 가정 제거) 을 학습할 수 있는지 검증했습니다.

2.4. 부트스트랩 (Bootstrap) 을 통한 불확실성 평가

• 개별 청구 히스토리 부트스트랩을 수행하여 모델 추정 오차 (Model Estimation Error) 를 평가합니다. 이는 Mack 의 CL 모델에서 제공하는 과정 불확실성 (Process Uncertainty) 과 구별됩니다.

3. 주요 기여 (Key Contributions)

1. 개별 청구용 CL 방법론의 정립: 집계 CL 방법론을 개별 청구 수준으로 자연스럽게 확장하는 수학적 프레임워크를 제시했습니다. 특히, IBNR 과 RBNS 를 구분하여 편향을 제거한 일관된 코호트 추정이 가능합니다.
2. 일회성 (One-Shot) 예측 구조의 실용화: 복잡한 시뮬레이션이나 반복적 외삽 없이, PtU 인자를 직접 추정하여 최종 청구액을 예측하는 효율적인 알고리즘을 제안했습니다.
3. 선형 회귀의 우수성 입증: 복잡한 신경망 모델보다 단순한 선형 회귀 모델이 개별 청구 데이터에서 더 우수한 예측 성능과 계산 효율성을 보였음을 실증했습니다. 이는 개별 청구 데이터의 신호 대 잡음비 (Signal-to-Noise Ratio) 가 낮기 때문으로 해석됩니다.
4. IBNR 과 RBNS 의 통합적 접근: RBNS 에 대한 개별 예측과 IBNR 에 대한 집계 예측을 결합하여 전체 손실 준비금을 산정하는 완전한 프로세스를 제시했습니다.
5. 불확실성 측정: 개별 청구 부트스트랩을 통해 모델 불확실성을 정량화하는 방법을 제시했습니다.

4. 실험 결과 (Results)

두 가지 데이터셋 (사고 보험, 책임 보험) 을 대상으로 실험을 수행했습니다.

• 사고 보험 (Accident Insurance):

  • 선형 회귀 vs CL: 개별 청구 기반 선형 회귀 모델은 전통적인 RBNS CL 방법보다 예측 오차 (Ind.RMSE) 를 크게 줄였습니다. 특히 청구 상태 (Closed/Open) 와 사고 월 (Accident Month) 등의 공변량을 포함할 때 성능이 향상되었습니다.
  • ML 모델 비교: FNN(신경망) 과 Transformer 를 적용했으나, 데이터 크기가 작고 신호 대 잡음비가 낮은 상황에서 선형 회귀보다 성능이 크게 개선되지 않았거나 오히려 과적합 (Overfitting) 으로 인해 성능이 저하되는 경우가 있었습니다.
  • 부트스트랩: 모델 추정 오차는 전체 예측 오차의 일부를 차지하며, 대부분의 불확실성은 회복 불가능한 과정 불확실성 (Irreducible Risk) 에서 기인함이 확인되었습니다.

• 책임 보험 (Liability Insurance):

  • 손실 발생액 (Claims Incurred) 의 중요성: 개별 청구 금액 (Cumulative Payments) 뿐만 아니라 조정자가 산정한 손실 발생액 (Claims Incurred) 정보를 포함할 때 예측 정확도가 크게 향상되었습니다.
  • 모델 성능: 선형 회귀 모델 (Model CIO) 은 CL 방법보다 RBNS 예측을 개선시켰으나, 일부 이상치 (Outliers) 로 인해 특정 연도에서 과소평가 경향이 있었습니다.
  • IBNR 예측: RBNS 예측 결과를 기반으로 한 간단한 CL 방식의 IBNR 예측이 기존 CL 방법보다 더 정확한 결과를 보여주었습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실무 적용 가능성: 이 논문은 개별 청구 손실 준비금 산정이 단순한 이론이 아닌, 선형 회귀와 같은 계산 효율적인 모델을 통해 실무에 적용 가능함을 증명했습니다.
• 데이터 구조의 중요성: 특정 모델 아키텍처 (예: 복잡한 신경망) 보다 데이터를 어떻게 조직화하고 (RBNS/IBNS 분리, 일관된 코호트), 어떤 공변량을 입력하느냐가 예측 성능의 핵심임을 강조합니다.
• 향후 과제:
  • 더 대규모의 데이터셋에서의 검증 필요.
  • 인플레이션 등 비정상성 (Non-stationarity) 요소를 고려한 모델 개선.
  • 현금 흐름 (Cash Flow) 패턴 예측을 위한 트랜스포머 디코더 등의 활용 가능성 탐구.
  • IBNR 예측을 위한 더 정교한 빈도 - 심도 (Frequency-Severity) 모델링 또는 생존 분석 기법 도입.

결론적으로, 이 논문은 개별 청구 데이터를 활용한 손실 준비금 산정을 위한 새로운 표준을 제시하며, 복잡한 ML 모델보다는 구조화된 데이터와 간단한 선형 모델의 결합이 현재 단계에서 가장 실용적이고 효과적인 접근법임을 시사합니다.