A Note on the Generalized Cape Cod Reserving Method

Ronald Richman 과 Mario V. Wüthrich 의 논문 "A Note on the Generalized Cape Cod Reserving Method"에 대한 상세한 기술적 요약입니다.

1. 문제 제기

손해보험에서 청구 준비금 추정은 최종 손실액을 추정하고 예측 불확실성을 정량화하는 핵심 업무입니다. 체인 래더 (Chain-Ladder, CL) 방법 (예: Mack 모델) 과 본허터 - 퍼거슨 (Bornhuetter–Ferguson, BF) 방법에 대해서는 확률론적 프레임워크와 예측 평균 제곱 오차 (Mean Squared Error of Prediction, MSEP) 공식이 존재하지만, 일반화된 케이프 코드 (Generalized Cape Cod, GCC) 방법에 대한 엄밀한 분석적 MSEP 공식은 부재했습니다.

• 격차: GCC 방법 (및 그 전신인 Bühlmann 의 케이프 코드) 은 완전한 관측 기반인 CL 방법과 사전 정보 기반인 BF 방법 사이의 중간 지점을 제공하기 때문에 실무에서 널리 사용됩니다. 그러나 기존 확률론적 접근 (예: Saluz, 2017) 은 업계 표준 파라미터 추정 (CL 에서 유도된 발전 패턴 사용) 과 일치하지 않거나, 실제 장부 기록 과정을 반영하는 폐쇄형 MSEP 추정치를 제공하지 못했습니다.
• 도전 과제: 실무자들은 종종 GCC 나 BF 방법을 사용하여 준비금을 장부에 기록하지만, 불확실성 정량화에는 Mack 의 CL 공식이나 부트스트래핑을 사용합니다. 이는 불일치를 초래합니다. 즉, 불확실성 정량화는 실제로 장부에 기록된 예측자와 다른 예측자에 적용되는 것입니다. 또한 BF MSEP 추정치는 종종 사전 손실비의 명시적 확률적 규정을 요구하는데, 이는 업계 계획 프로세스에서 거의 공식화되지 않습니다.

2. 방법론

저자들은 오차 전파 기법 (원래 Röhr, 2018 이 CL 방법에 적용한 기법) 을 사용하여 GCC 방법에 대한 통합된 확률론적 프레임워크를 개발했습니다.

A. 일반화된 케이프 코드 (GCC) 프레임워크

본 논문은 GCC 예측자를 체인 래더 발전 인자 ($f_j$) 와 추세 파라미터 $\lambda \in [0, 1]$의 함수로 정의합니다.

• 케이프 코드 (CC): 정상성을 가정하여 모든 사고 연도에 대한 관측된 손실비의 가중 평균을 사용하여 단일 손실비 ($\kappa$) 를 추정합니다.
• GCC 확장: 추세 변화를 허용하기 위해 지수 가중 인자 $\lambda^{|i-l|}$를 도입합니다. 이를 통해 사고 연도 $i$에 대한 손실비 추정이 인접 연도에 더 크게 의존하도록 하여, 노출의 오지정이나 빈도/심각도의 추세를 보정합니다.
• 경우의 수:
  • $\lambda = 0$: GCC 방법은 체인 래더 방법으로 수렴합니다.
  • $\lambda = 1$: GCC 방법은 Bühlmann 의 케이프 코드 방법으로 수렴합니다.

B. 예측 불확실성 (MSEP) 유도

핵심 기술적 기여는 로그 스케일에서 1 차 테일러 전개 (오차 전파) 를 사용하여 MSEP 를 유도하는 것입니다.

1. 분해: 총 MSEP 는 프로세스 불확실성 ($\Psi^2$) 과 파라미터 추정 오차 ($\Delta^2$) 로 분해됩니다.
2. 민감도 분석: 저자들은 GCC 예측자를 CL 발전 인자 ($f_j$) 의 함수로 간주합니다. 그리고 이러한 인자의 변화에 대한 GCC 예측자의 민감도를 계산합니다.
3. 폐쇄형 해: 오차 전파 기법을 적용하여, 업계 표준 관행인 CL 인자를 사용하여 발전 패턴을 추정하는 것과 일관된 파라미터 추정 오차 ($\hat{\Delta}^2_{GCC}$) 에 대한 폐쇄형 분석 공식을 유도합니다.

3. 주요 기여

1. GCC 에 대한 첫 번째 분석적 MSEP: 본 논문은 일반화된 케이프 코드 방법의 예측 불확실성에 대한 최초의 폐쇄형 분석 공식을 제공합니다.
2. 방법론적 일관성: 유도된 MSEP 추정치는 업계에서 사용되는 CL 에서 유도된 파라미터 추정치와 완전히 일치합니다. 표준 관행과 다른 가능도 기반 추정을 사용한 이전 시도들 (예: Saluz) 과는 달리, 이 접근법은 불확실성 측도가 실무자가 장부에 기록한 준비금과 정확히 일치하도록 보장합니다.
3. CL 과 CC 의 통합: 이 프레임워크는 GCC 방법이 CL 과 CC 방법 사이를 연속적으로 보간함을 보여줍니다. 결과적으로 유도된 MSEP 공식은 자연스럽게 다음으로 수렴합니다.
   • $\lambda \to 0$일 때 Mack 의 CL MSEP.
   • $\lambda \to 1$일 때 새롭고 일관된 케이프 코드 MSEP.
4. 신용도 해석: 본 논문은 GCC 예측자의 신용도 재공식을 제시하여, 이를 프리미엄 수준과 시간적 근접성에 따라 조정된 사고 연도별 CL 예측자의 가중 평균으로 보여줍니다.

4. 결과 및 수치 예시

저자들은 표준 청구 데이터 (Wüthrich–Merz) 를 기반으로 한 수치 예시를 사용하여 이론을 검증했습니다.

• 준비금 민감도: $\lambda$가 0(CL) 에서 1(CC) 로 증가함에 따라 추정된 준비금은 증가합니다. 이는 데이터가 시간이 지남에 따라 개별 손실비가 감소하는 시간적 추세를 보이기 때문인데, 표준 CL 방법은 이를 포착하지만 정상성을 가정하는 CC 방법은 추세를 평균화하여 과대평가하기 때문입니다.
• 불확실성 구성 요소:
  • 파라미터 추정 오차 ($\Delta^2$): $\lambda$가 증가함에 따라 감소합니다. 이는 높은 $\lambda$가 '사전' (프리미엄 기반) 구조에 더 의존하여 개별 사고 연도 관측치의 노이즈에 대한 모델의 민감도를 낮추기 때문입니다.
  • 프로세스 불확실성 ($\Psi^2$): $\lambda$에 따라 약간 증가합니다. 이는 총 준비금 금액 (분산 계산의 분모) 이 증가하기 때문입니다.
• 최적 $\lambda$: 예시에서 최소 총 MSEP 는 $\lambda = 0.55$ 부근에서 발생합니다. 그러나 저자들은 MSEP 를 최소화하는 것이 '진정한' 최적 모델을 보장하지는 않는다고 경고합니다. MSEP 는 모델 가정에 민감하기 때문입니다.
• Saluz (2017) 와의 비교: 본 논문은 Saluz 의 CC 준비금이 더 높고 그녀의 MSEP 가 다른 이유는 발전 패턴 추정에 다른 추정 방법을 사용했기 때문임을 강조합니다. 저자들의 접근법은 업계 표준 (CL 에서 유도된 패턴) 에 부합하여, 이 특정 데이터셋에 대해 더 낮고 현실적인 준비금 추정을 산출합니다.

5. 중요성 및 실무적 함의

• 격차 해소: 이 연구는 실무에서 사용되는 결정론적 알고리즘과 일치하는 GCC 에 대한 확률론적 모델을 제공함으로써 중요한 문헌의 격차를 해소합니다.
• 본허터 - 퍼거슨의 대리 모델: GCC 방법은 종종 주관적 사전 정보를 CL 에서 유도된 비율의 가중 평균으로 대체하는 견고한 알고리즘적 대리 모델로 BF 방법을 대체하여 사용되므로, 이 MSEP 추정치는 사전 손실비의 확률적 규정을 어렵게 정의할 필요 없이 BF 스타일 준비금에 대한 엄밀한 불확실성 측도를 제공합니다.
• 규제 및 관리 활용: 유도된 MSEP 는 보험사가 장부에 기록한 준비금과 수학적으로 일관된 예측 불확실성을 보고할 수 있게 합니다. 이는 IFRS 17, Solvency II 와 같은 지급 능력 보고 및 경영 의사결정에 중요하며, 다른 예측자에 적용되는 Mack 의 CL 불확실성이나 임시 조정 인자를 사용하는 현재 관행을 대체합니다.

요약하자면, Richman 과 Wüthrich 는 성공적으로 확률론적 준비금 프레임워크를 일반화된 케이프 코드 방법으로 확장하여, 실제 보험 업계의 준비금 실무에 직접 적용 가능한 견고하고 폐쇄형의 예측 불확실성 정량화 도구를 제공했습니다.