통합 마이크로 모델로 보는 손실 준비금·IBNR·미수보험료 위험

초록

본 논문은 개별 청구 수준에서 손실 준비금(RBNS), 보고되지 않은 손실(IBNR) 및 미수보험료(UPR)를 동시에 모델링하는 통합 마이크로 프레임워크를 제시한다. 의존성, 인플레이션, 할인 요인을 포함하고, 트렌드 갱신 프로세스(ATRP)를 구현 예시로 사용해 폐쇄형 모멘트식과 분포 근사를 제공한다. 의료 과실 보험 데이터를 통해 실증 검증하고, 파라미터 불확실성·민감도·자본 요구량 분석까지 수행한다.

상세 분석

이 연구는 전통적인 매크로 수준의 삼각형 기반 reserving 방법과 달리, 청구 단위의 미시 데이터를 활용해 손실, 비용, 보고·정산 지연을 모두 확률 과정으로 기술한다. 핵심은 ‘Aggregate Trend Renewal Process(ATRP)’라는 확장된 갱신 프로세스를 도입해, (1) 청구 발생 시점 (T_k) , (2) 보험계약자가 청구를 보고할 때까지의 지연 (\xi_k) , (3) 보험사가 지급까지 걸리는 지연 (\zeta_k) 를 각각 독립적인 TRP로 모델링한다. 각 청구에 대해 손해액 (X_k) 와 비용액 (Y_k) 을 별도로 정의하고, 이들 사이의 상관관계를 copula 혹은 다변량 분포로 지정한다. 인플레이션과 할인은 청구별 상수 힘 (\alpha_k, \beta_k) 를 통해 연속 복리 형태로 적용되며, 지연 변수와 결합해 실제 현금 흐름을 시뮬레이션한다.

논문은 조건부 ATRP를 이용해 보고된 청구(RBNS)에 대한 현재 정보를 반영하고, 보고되지 않은 청구(IBNR)와 미수보험료(UPR)는 비조건부 형태로 전개한다. 이를 통해 첫 번째와 두 번째 원시 모멘트, 그리고 공동 조건부 모멘트를 폐쇄형으로 도출하고, 정규 근사·스케일 변환을 이용해 전체 지급 분포를 근사한다. 특히, 모멘트식은 트렌드 함수 (\lambda(t)) 와 지연 분포 (F_{\xi},F_{\zeta}) 의 파라미터에 대한 선형 결합 형태를 보여, 파라미터 추정과 민감도 분석을 용이하게 만든다.

실증 부분에서는 플로리다 의료 과실 보험 데이터를 사용해, 청구별 연령·지역·법원 특성을 포함한 이질성을 탐색하고, 베이지안 MCMC와 최대우도법으로 파라미터를 추정한다. 추정된 모델은 기존 Chain‑Ladder·Bornhuetter‑Ferguson 대비 예측 정확도가 향상되었으며, 특히 장기 지연 청구와 비용 비중이 큰 라인에서 큰 이점을 보였다. 파라미터 불확실성은 부트스트랩과 베이지안 사후 분포를 통해 전파돼, 자본 요구량(CVaR) 계산에 직접 반영된다. 또한, 인플레이션·할인율 변동, 보고·정산 지연의 가시적 변화에 대한 시나리오 분석을 수행해, UPR이 운영 지연에 민감하게 반응함을 확인하였다.

이와 같이 논문은 미시 수준에서 의존성·시간 트렌드·재무 조정을 일관되게 결합한 모델을 제시함으로써, 가격 책정·리저빙·자본 관리 전반에 걸친 정량적 의사결정을 지원한다.