체인래더에서 개별청구 예측까지: 새로운 데이터 재구성과 머신러닝 적용

초록

본 논문은 전통적인 체인래더(Chain‑Ladder) 방법을 재구성하여 누적 손해액을 직접 궁극 손해액으로 투사하는 다기간 계수를 추정한다. 이를 통해 개별 청구 수준에서 머신러닝, 특히 신경망을 적용할 수 있는 자연스러운 연결 고리를 제공한다. 실증에서는 소규모 실제 데이터셋에 신경망 모델을 적용해 개별 청구 예측 성능을 검증한다.

상세 분석

체인래더는 손해액을 발생 연도와 보고 연도(개발 연도) 교차표 형태의 누적 데이터에 적용해 개발 계수를 추정하고, 이를 순차적으로 누적 손해액에 곱해 최종 손해액을 예측한다. 전통적 절차는 “현재까지 관측된 누적 손해액 → 계수 적용 → 다음 기간 누적 손해액”이라는 단계적 전진 방식을 취한다. 이 논문은 이러한 전진 방식을 근본적으로 뒤집는다. 저자는 최신 관측치(예: 현재 개발 연도까지의 누적 손해액)와 궁극 손해액 사이를 직접 연결하는 다기간 계수(multiperiod factor)를 추정한다. 즉, 한 번에 여러 개발 연도를 건너뛰어 최종 손해액을 예측하도록 모델을 설계한다.

이 접근법의 핵심은 데이터 재구성이다. 기존 체인래더는 각 셀을 독립적인 관측치로 보지만, 다기간 계수 추정은 동일한 원시 데이터 행을 여러 목표(예: 3년, 5년, 10년 후 궁극 손해액)으로 동시에 매핑한다. 이렇게 하면 각 원시 행이 다중 레이블(multilabel) 형태를 띠게 되며, 머신러닝 모델이 다출력 구조를 학습할 수 있는 기반이 된다. 특히 신경망은 비선형 변환과 복합 상호작용을 포착하는 데 강점이 있어, 전통적인 선형 계수 추정보다 복잡한 패턴을 모델링할 수 있다.

논문은 실증 단계에서 두 가지 모델을 비교한다. 첫 번째는 전통적인 체인래더 계수를 그대로 사용해 다기간 계수를 계산한 “통계적 베이스라인”이며, 두 번째는 동일한 입력(개별 청구의 특성, 현재 누적 손해액, 개발 연도 등)을 이용해 다층 퍼셉트론(MLP) 형태의 신경망을 학습시킨 “머신러닝 모델”이다. 결과는 평균 절대 오차(MAE)와 평균 제곱 오차(MSE) 기준으로 평가되며, 신경망이 특히 장기 개발 연도(예: 7~10년)에서 베이스라인보다 우수한 예측 정확도를 보인다. 이는 다기간 계수 추정이 제공하는 풍부한 레이블 정보와 신경망의 비선형 학습 능력이 결합될 때, 전통적 선형 방법이 포착하지 못하는 복합 위험 요인을 포착할 수 있음을 시사한다.

또한 논문은 모델 해석 가능성에도 주목한다. SHAP 값을 활용해 각 입력 변수(예: 청구 종류, 초기 손해액, 사고 연도 등)의 기여도를 시각화함으로써, 어느 요인이 장기 손해액에 가장 큰 영향을 미치는지 정량적으로 파악한다. 이는 보험사 실무자가 개별 청구 수준에서 위험 관리와 재보험 전략을 수립하는 데 직접 활용될 수 있다.

한계점으로는 데이터 규모가 제한적이며, 신경망 구조가 비교적 단순하다는 점을 들었다. 향후 연구에서는 대규모 데이터셋, 시계열 특성을 반영한 LSTM/Transformer 모델, 그리고 베이지안 방법을 결합한 불확실성 추정 등을 통해 모델의 일반화 능력과 신뢰성을 강화할 여지가 있다.

요약하면, 이 논문은 체인래더의 기본 아이디어를 유지하면서도 데이터 재구성을 통해 다기간 계수를 직접 추정하고, 이를 머신러닝, 특히 신경망과 연결함으로써 개별 청구 수준의 정밀한 손해액 예측 가능성을 제시한다. 이는 전통적 손해액 적립 방법과 현대 데이터 과학 기법을 융합하는 새로운 연구 방향을 열어준다.