보험 청구 예측을 위한 새로운 유한표본 유효 구간 전략

초록

본 논문은 기존 회귀 설정에서의 보험 청구 예측에 대해, 무감독 iid 예측 방법을 변환함으로써 유한표본에서도 유효한 무수히 많은 예측 구간을 제공하는 새로운 전략을 제시한다. 변환 함수 h 를 도입해 잔차 W=Y−h(X) 를 만든 뒤, iid 환경에서의 유한표본 유효 구간을 적용하고 다시 원 변수 Y 로 복원함으로써 회귀 상황에서도 동일한 유효성을 확보한다.

상세 분석

이 연구는 보험 데이터 과학에서 “예측”과 “설명”이라는 두 목표를 명확히 구분하고, 특히 예측 정확도와 유한표본 유효성을 동시에 만족시키는 방법론이 부족하다는 점을 지적한다. 기존의 파라메트릭 모델은 모델 오차와 선택 효과(selection effect)라는 두 가지 위험에 노출되며, 비파라메트릭 모델은 튜닝 파라미터 선택에 따른 선택 효과와 근본적인 비대칭성(예: 근사적 유효성) 문제를 안고 있다. 이러한 한계를 극복하기 위해 저자는 ‘모델 프리’ 접근법, 즉 컨포멀(prediction) 예측을 채택한다. 컨포멀 예측은 데이터에 대한 최소한의 가정만으로도 유한표본 유효(prediction interval) 를 보장한다는 점에서 매력적이다. 그러나 기존 회귀용 컨포멀 구간은 실제 구현 시 근사화 과정이 필요해 유효성이 약화되는 문제가 있었다.

논문의 핵심 기여는 “변환 함수 h”라는 자유도를 도입해 원래 회귀 모델 Y = f*(X) + ε 를 Y = h(X) + W 형태로 재구성하는 것이다. 여기서 W = Y − h(X) 는 X 와 독립적인 iid 변수이며, 따라서 기존의 무감독 iid 예측 구간 생성 방법을 그대로 적용할 수 있다. 저자는 특히 프레이(2013)와 같은 확률적 순위 기반 방법을 사용해 (L(W_n), U(W_n)) 구간을 만들면, 이 구간이 유한표본 유효성을 갖는다는 점을 증명한다. 이후 h(X_{n+1}) 을 더하고 빼는 단순 변환을 통해 최종적인 Y_{n+1} 예측 구간 (L(W_n)+h(X_{n+1}), U(W_n)+h(X_{n+1})) 을 얻는다.

이 전략의 장점은 다음과 같다. 첫째, h 의 선택이 자유로워 실제 보험 데이터의 특성(예: 비음수, 스케일 차이 등)에 맞게 맞춤형 변환을 적용할 수 있다. 둘째, 변환 후 잔차 W 는 iid 가정만 만족하면 되므로, 다양한 최신 무감독 예측 구간 방법(예: 최신 딥러닝 기반 순위 추정, 베이지안 비모수 방법 등)을 그대로 활용 가능하다. 셋째, 유한표본 유효성을 보장하므로, 실무에서 “샘플이 충분히 크다”는 가정을 할 필요가 없으며, 규제기관이 요구하는 신뢰 구간 수준을 정확히 충족한다.

하지만 몇 가지 한계와 고려사항도 존재한다. 변환 h 를 부적절하게 선택하면 W 의 분포가 극단적으로 비대칭이 되거나, 구간 길이가 불필요하게 넓어질 위험이 있다. 특히 Y≥0 제약을 만족시키기 위해 h 를 비음수 함수로 제한해야 하는데, 이는 변환 설계에 추가적인 제약을 가한다. 또한, 이론적 증명은 W 가 완전 iid 라는 가정에 크게 의존하므로, 실제 데이터에서 X와 ε 가 독립적이지 않을 경우(예: 이질성 혹은 이분산성) 유효성이 약화될 수 있다. 마지막으로, 무수히 많은 구간을 제공한다는 점은 실무에서 어떤 구간을 선택할지에 대한 기준이 필요함을 의미한다. 저자는 구간 길이와 커버리지 간의 트레이드오프를 설명하지만, 자동화된 선택 규칙이나 비용-효율 분석이 추가로 요구된다.

전반적으로 이 논문은 회귀 설정에서의 보험 청구 예측에 대한 기존의 “모델 기반”·“비모델 기반” 접근법을 통합하고, 컨포멀 예측의 강력한 유한표본 유효성을 회귀 상황에 그대로 옮겨 놓음으로써 실무적·이론적 가치를 동시에 제공한다.