에셔 변환

1. 정의 — 지수적 기울이기 Definition

에셔 변환(Esscher transform)은 보험계리학에서 고안된 강력한 도구다. 음이 아닌 확률변수 X의 분포함수를 F(x), 적률생성함수(moment generating function)를 M(h) = E[e^hX] 라 하자. 여기서 h는 M(h)가 존재하도록 하는 실수다. X가 밀도함수 f(x) = dF/dx 를 가질 때, f의 에셔 변환은 다음과 같이 정의된다.

분포함수 형태로는 다음과 같이 쓴다.

즉 원래 분포의 각 점에 가중치 e^hx를 곱한 뒤 다시 정규화한 것이다. 변환의 모수 h는 보통 변환 후 분포의 기댓값이 원하는 값 x가 되도록 다음 조건으로 고른다. 변환 후 분포의 분산은 σ²(h)로 주어진다.

2. 집합클레임 분포의 근사 Approximating the Aggregate Claims Distribution

스웨덴 계리사 에셔(Esscher)는 포트폴리오의 집합클레임(aggregate claims) 분포를 근사하는 문제를 다루며 이 변환을 제안했다. 총클레임액이 복합포아송(compound Poisson) 확률변수로 모형화된다고 하자. 즉 클레임 크기 Y_i와 클레임 수 N에 대해 다음과 같다.

에셔는 큰 x에 대해 꼬리확률 1 − F(x) = P{X > x} 를 계산하려면, F를 기댓값이 x가 되도록 변환한 분포 F(t;h)로 바꾼 뒤, 그 밀도에 에지워스 전개(Edgeworth expansion, 정규근사의 정밀화)를 적용하라고 제안했다. 이로부터 얻는 에셔 근사(Esscher approximation)는 다음과 같다(Φ는 표준정규 분포함수).

에지워스 전개는 평균 부근에서는 잘 듣지만 꼬리에서는 부정확하다. 에셔 근사가 더 좋은 이유는, 먼저 변환을 통해 관심 있는 꼬리 지점을 변환 후 분포의 평균 부근으로 옮긴 다음 전개를 적용하기 때문이다. 적용 조건은 Y₁의 적률생성함수가 존재하고 E[Y₁e^hY₁] = μ 가 해를 가질 것 등이다.

통계학에서는 분포함수·꼬리확률에 대한 에셔 근사를 안장점 근사(saddlepoint approximation)라 부른다. 대니얼스(Daniels)가 밀도에 대한 안장점 근사를 처음으로 깊이 연구했다. 이 변환은 깁스 정준 측도변환(Gibbs canonical change of measure)이라 불리기도 한다.

3. 에셔 보험료원리 Esscher Premium Calculation Principle

뷜만(Bühlmann)은 에셔 보험료원리(Esscher premium principle)를 도입하고, 그것이 경제적 보험료원리의 특수한 경우임을 보였다. 호바르츠(Goovaerts) 등은 에셔 보험료를 하나의 기댓값으로 기술했다. 클레임 확률변수 X에 대한 에셔 보험료는, 앞의 (1)에서 정의한 변환 분포 F(x;h)에 대한 기댓값으로 주어진다.

판 헤르바르던(Van Heerwaarden) 등은 이 원리가 노 립오프(no rip-off) 조건을 만족함을 증명했다. 즉 유계인 위험 X에 대해 보험료가 X의 최댓값을 결코 넘지 않는다. 또한 에셔 보험료원리는 가법적(additive)이다(독립인 X, Y에 대해 E[X+Y;h] = E[X;h] + E[Y;h]). 그리고 상수 c에 대해 E[X+c;h] = E[X;h] + c 이므로 병진불변(translation invariant)이기도 하다.

에셔 보험료원리는 위험들의 순서화를 만들어내는 데도 쓸 수 있다. 두 복합포아송 과정이 같은 위험할증 θ > 0 을 가질 때, 개별 클레임 X에 대한 모형의 조정계수(adjustment coefficient) R_X는 다음 방정식의 유일한 양의 해다.

판 헤르바르던 등은 E[X] = E[Y] 일 때, 모든 h > 0 에 대해 E[X;h] ≤ E[Y;h] 이면 R_X ≥ R_Y 임을 보였다. 나아가 E[X²] ≤ E[Y²] 까지 성립하면, 초기잉여 u > 0 의 어떤 구간에서 파산확률 ψ_X(u) < ψ_Y(u) 가 성립한다. 즉 에셔 보험료의 비교가 조정계수·파산확률의 순서로 이어진다.

4. 에셔 변환을 이용한 옵션 가격결정 Option Pricing Using the Esscher Transform

거버와 슈(Gerber and Shiu)는 기념비적 논문에서 에셔 변환을 이용한 옵션 가격결정법을 제안했다. 이를 위해 그들은 확률과정의 에셔 변환을 도입했다. {X(t)}가 정상·독립증분을 갖는 확률과정(X(0) = 0)이고, 그 적률생성함수 M(z,t) = E[e^zX(t)] 가 존재한다고 하자. X(t)의 에셔 변환은 다시 정상·독립증분 과정이며, 그 분포함수는 다음과 같이 정의된다.

변환 후 측도에서 X(t)의 적률생성함수는 원래 적률생성함수의 단순한 비로 표현된다.

이제 무배당 주식(또는 증권)의 시각 t 가격 S(t)가 다음과 같이 주어진다고 하자(r > 0 은 일정한 무위험이자율).

거버와 슈는 에셔 변환을 이용해 위험중립 확률측도(risk-neutral probability measure)를 정의했다. 즉 할인된 주가과정 e^−rtS(t)가 마팅게일(martingale)이 되도록 하는 측도를 찾는데, 이는 다음을 만족하는 h^*를 찾는 것과 같다.

거버와 슈는 모수 h^*의 에셔 변환을 위험중립 에셔 변환, 대응하는 동치 마팅게일 측도를 위험중립 에셔 측도라 불렀다. 만기 T, 페이오프 g(S(T))인 파생상품의 가격은 이 측도 하의 할인기댓값이다.

에셔 변환은 수리금융에서 널리 쓰인다. 거버와 슈는 유럽형·미국형 옵션을 모두 다루며, 기초자산 가격의 로그가 정상·독립증분 과정일 때 에셔 변환이 여러 옵션·조건부청구권의 가격결정에 효율적인 도구임을 보였다. 또한 최적 자본성장과 동적 자산배분 문제도 다루어, 두 자산(위험·무위험)만 있을 때 머튼 비율이 위험중립 에셔 모수를 탄력성으로 나눈 값이어야 함을 보였고, 위험자산이 여럿일 때는 두 펀드 정리(mutual fund theorem)를 증명했다. 이후 에셔 변환은 레비(Lévy) 과정 모형, 일반 세미마팅게일, 보험선물·지수연동연금 가격결정, 위험측도 계산 등으로 확장되었다.

참고 및 관련 표제어

부록. 이 글에 나온 용어 (배경지식 보충)

• 에셔 변환 (Esscher transform) — 분포에 가중치 e^hx를 곱해 기울인 뒤 정규화한 변환. 지수적 기울이기와 같다.
• 적률생성함수 (mgf, M(h)) — E[e^hX]. 에셔 변환의 정규화 상수이자, 그 로그의 도함수가 변환 후 평균·분산을 준다.
• 지수적 기울이기 (exponential tilting) — 통계학에서 에셔 변환을 부르는 이름. 안장점 근사의 핵심 도구.
• 에지워스 전개 (Edgeworth expansion) — 정규근사에 보정항을 더한 전개. 평균 부근에서 정확하고 꼬리에서 부정확.
• 안장점 근사 (saddlepoint approximation) — 에셔 변환 + 에지워스로 꼬리확률·밀도를 정밀 근사하는 방법.
• 에셔 보험료원리 (Esscher premium) — 변환 분포 F(x;h)의 기댓값으로 보험료를 정하는 원리. 가법적·병진불변.
• 조정계수 (adjustment coefficient, R) — 파산확률의 지수적 감소율을 주는 양수. 룬드베리 지수라고도 한다.
• 마팅게일 측도 (martingale measure) — 할인된 자산가격이 마팅게일이 되는 위험중립측도. 무차익 가격결정의 기반.
• 거버–슈 (Gerber–Shiu) — 에셔 변환으로 위험중립측도를 정의해 옵션을 가격결정한 접근.
• 지르사노프 정리 (Girsanov theorem) — 연속시간 모형에서 측도를 바꿔 드리프트를 조정하는 정리. 에셔 변환의 연속판.

한국보험시장 현황 Korea Market Practice

에셔 변환은 분포를 지수가중으로 기울여(틸팅) 꼬리 쪽에 비중을 실어주는 기법으로, 보험료원리(에셔 프리미엄)와 위험중립측도 구성, 희귀사건 시뮬레이션의 분산축소에 쓰인다. 국내에서는 변액보증의 시장정합 평가(위험중립 시나리오)와 꼬리위험 산출의 수치기법으로 연결된다.

본문의 틸팅은 'IFRS17 시장정합 측정에서 위험을 가격에 반영하는 방식'과 사고가 닮아 있으며, 안전할증·위험조정(RA)을 분포 변형으로 해석하는 관점을 제공한다.