칼만필터(Kalman filter)는 시간에 따라 변하는 숨은 상태를 잡음 섞인 관측으로부터 순차적으로 추정하는 재귀 알고리즘이다. 준비금 산정에서는 손해 삼각형(run-off triangle)의 전개패턴이나 손해율이 해마다 조금씩 변한다고 보고, 이를 상태공간모형(state-space model)으로 표현한 뒤 칼만필터로 추정·예측한다.
연쇄사다리법 같은 고전 방법은 전개계수를 ‘고정’으로 본다. 그러나 인플레이션·클레임 처리속도는 사고연도마다 달라진다. 칼만필터는 파라미터가 천천히 변하는 확률과정이라고 보고, 새 자료가 올 때마다 추정치를 매끄럽게 갱신한다. 새 정보와 기존 추정을 신뢰도처럼 가중평균한다는 점에서 베이즈·신뢰도 이론과 맞닿아 있다.
모형은 두 식으로 구성된다.
여기서 θt는 관측되지 않는 상태(예: 전개패턴·추세), yt는 관측된 손해, ε·η는 잡음이다. 칼만필터는 예측(predict) 단계에서 이전 상태로 현재를 내다보고, 갱신(update) 단계에서 실제 관측과의 오차(혁신, innovation)에 칼만이득(Kalman gain)을 곱해 상태추정을 보정한다. 이 과정을 반복해 미래 손해와 준비금을 예측하며, 추정의 불확실성(분산)까지 함께 산출하는 것이 장점이다.
칼만이득 K는 “새 관측을 얼마나 믿을 것인가”를 정하는 0~1 사이의 가중치로, 관측잡음이 작을수록 커진다. 이는 신뢰도 Z와 정확히 같은 역할을 한다. 실제로 De Jong·Zehnwirth 등은 신뢰도·준비금 모형을 칼만필터의 특수형으로 통합해 제시했다.
장점: 파라미터의 시간변화를 자연스럽게 반영하고, 새 자료에 자동 적응하며, 예측오차의 분포를 제공해 준비금의 변동성·구간추정이 가능하다. 단점: 모형구조(F, H, 잡음분산)를 사전에 지정해야 하고, 추정이 가정에 민감하며, 고전적 방법보다 구현·해석이 복잡하다.
전개패턴 상태의 사전추정이 1.20(불확실), 올해 관측이 1.10(비교적 정확)일 때 칼만이득 K=0.7이면 사후추정은?
사후 = 사전 + K×(관측 − 사전) = 1.20 + 0.7×(1.10 − 1.20) = 1.20 − 0.07 = 1.13. 관측을 0.7만큼 신뢰해 사전값을 관측 쪽으로 끌어당겼다. 관측이 더 정확할수록 K가 커져 관측에 더 가까워진다.
칼만필터 준비금 산정법은 한국 실무에서 주류 기법은 아니다. 국내 손해보험 준비금(IBNR) 산출은 여전히 연쇄사다리법(Chain-Ladder)·본휴터-퍼거슨(BF)법이 중심이고, 칼만필터·상태공간모형은 손해율이 시간에 따라 점진적으로 변한다고 볼 때 보조적·연구적으로 활용된다. 그럼에도 "관측에는 잡음이 있고 참값은 서서히 변한다"는 칼만필터의 사고방식은 준비금 가정 설정의 직관과 잘 맞는다.
IFRS17 도입으로 준비금이 최선추정(BEL)+위험조정(RA)+CSM 구조로 바뀌면서, 전개패턴·손해율의 불확실성을 정량화하는 수요가 커졌다. 칼만필터류 모형은 패턴 변동을 평활·예측하고 그 추정오차를 RA 산정의 근거로 삼는 데 응용될 수 있다.
한국 감독은 준비금 산출에 복수의 방법을 비교·검증하도록 요구한다. 칼만필터·일반화선형모형 같은 통계기법은 전통적 삼각형 기법의 결과를 교차검증하고, 추세가 변하는 종목에서 더 안정적인 최선추정을 얻기 위한 보완 도구로 자리한다.