표제어 · 위험이론

크라메르–룬드베리 조건과 추정

Cramér–Lundberg Condition and Estimate · 원저자: Hailiang Yang · 출처: Encyclopedia of Actuarial Science (Wiley, 2004)

읽는 법. 본문은 원문 표제어의 내용을 그대로 옮긴 것입니다. 회색 해설 · 예제 상자는 학부 입문 학습을 돕기 위해 새로 추가한 부분이며 원문에는 없습니다. 모르는 용어는 글 끝 부록을 참고하세요.

1. 개요 Overview

크라메르–룬드베리 추정(estimate, 근사)은 파산확률에 대한 점근적 결과를 제공한다. 룬드베리(Lundberg)와 크라메르(Cramér)가 고전적 보험 위험모형에 대해 이 결과를 얻었고, 펠러(Feller)가 증명을 간단히 했다. 극단값이론(extreme value theory)의 발전과, 클레임 분포를 무거운 꼬리(heavy-tailed) 분포로 모형화해야 한다는 사실에 따라, 크라메르–룬드베리 근사는 클레임 크기가 여러 종류의 무거운 꼬리 분포에 속하는 경우에 대해 연구되어 왔다.

또 다른 확장은 확산섭동모형(diffusion perturbed model)이다. 이 글에서는 고전적 모형에서의 조건과 추정, 무거운 꼬리 분포에서의 결과, 그리고 확산섭동모형에서의 결과를 차례로 다룬다.

해설 "조건"과 "추정"은 한 쌍

크라메르–룬드베리 조건은 조정계수 R이 존재하기 위한 조건(적률생성함수가 존재하고 정의 방정식이 양의 해를 갖는 것)이고, 크라메르–룬드베리 추정은 그 R로 표현되는 파산확률의 점근식 ψ(u) ∼ C e^−Ru과 상한 ψ(u) ≤ e^−Ru이다. 조건이 성립해야 추정이 성립한다.

2. 고전적 위험모형 The Classical Risk Model

고전적 보험 위험모형은 복합포아송 과정을 사용한다. 시간 t에서 보험사의 잉여과정(surplus process) U(t)는 다음과 같다.

여기서 u는 초기 잉여금, N(t)는 강도 λ의 포아송 과정인 클레임 건수 과정, X_i는 클레임 확률변수이다. X_i는 평균 μ를 갖는 공통 분포 F(x)의 독립 동일분포 수열이고 N(t)와 독립이다. c는 위험보험료율이며 c = (1 + θ)λμ 로 가정한다. 여기서 θ > 0를 상대 안전할증(relative security loading)이라 한다.

파산시각(time of ruin) T를 다음과 같이 정의한다.

그러면 파산확률은 다음으로 정의된다.

3. 조정계수 방정식과 크라메르–룬드베리 조건 Adjustment Coefficient Equation and the Condition

X₁의 적률생성함수가 존재하고, 조정계수 방정식(adjustment coefficient equation)이 양의 해를 갖는다고 가정한다.

이 양의 해를 R로 표기한다. 이 조정계수 방정식을 크라메르–룬드베리 조건이라고도 부른다. R > 0가 존재하기만 하면 그것은 유일하게 결정됨을 쉽게 알 수 있다. 조정계수 R이 존재할 때 이 고전적 모형을 고전적 룬드베리–크라메르 모형이라 한다.

해설 왜 해가 유일한가 (직선 vs 곡선)

방정식 우변 1 + (1+θ)μr은 r에 대한 직선이고, 좌변 M_X(r) = E[e^rX]은 아래로 볼록한 곡선이다. 둘 다 r=0에서 1로 만나며, 직선의 기울기 (1+θ)μ가 곡선의 초기 기울기 μ보다 크다(θ > 0이므로). 곡선은 결국 직선을 위로 추월하므로 0이 아닌 교점이 정확히 하나 생기고 그것이 R이다. 따라서 R이 존재하면 유일하다.

4. 크라메르–룬드베리 추정 The Cramér–Lundberg Estimate

파산확률에 대한 크라메르–룬드베리 근사(추정)는 다음과 같이 서술된다. 만약

가 성립하면(여기서 F̅(x) = 1 − F(x)), 다음 점근 추정이 성립한다.

여기서 상수 C는 다음과 같이 주어진다.

또한 룬드베리 부등식(Lundberg inequality)은 모든 u ≥ 0에 대해 파산확률의 지수적 상한을 준다.

예제 조정계수가 안전할증과 함께 커지는 것

상대 안전할증 θ가 커지면 조정계수 R과 파산확률 상한 e^−Ru은 어떻게 변하는가?

조정계수 방정식에서 우변 직선의 기울기 (1+θ)μ가 θ와 함께 커진다. 그러면 곡선과의 교점 R이 오른쪽으로 밀려 R이 커진다. R이 커지면 상한 e^−Ru이 더 가파르게 0으로 떨어지므로 파산확률이 더 작아진다. 즉 보험료 여유(θ)가 많을수록 보험사가 더 안전하다.

5. Sparre Andersen 모형으로의 확장 Extension to the Sparre Andersen Model

Sparre Andersen은 고전적 모형에서 N(t)가 동차 포아송 과정이라는 가정을 갱신과정(renewal process)으로 바꾼 갱신 보험 위험모형을 제안했다. 클레임 도착 간격 T₁, T₂, … 은 공통 분포 G(x) = P(T₁ ≤ x) (G(0) = 0)를 갖는 독립 동일분포이다. 시각 0에 클레임이 발생했다고 암묵적으로 가정한다. 복합포아송 모형은 G(x) = 1 − e^−λx인 Andersen 모형의 특수한 경우이다.

추정 결과 ψ(u) ∼ C e^−Ru은 Sparre Andersen 모형에서도 여전히 성립함을 Thorin이 보였다. Asmussen은 마르코프 변조 확률보행(Markov-modulated random walk) 모형에 대해서도 크라메르–룬드베리 근사를 얻었다. 한편 Willmot와 Lin은 조정계수 방정식의 지수함수를 새로 더 나쁨(new worse than used) 분포로 확장하여 준지수 또는 유한 적률 클레임 분포에 대한 상한을 얻었다. Sundt와 Teugels는 일정한 이자힘이 있는 복합포아송 모형을 다루어, 룬드베리 계수가 함수로 대체되는 대응 룬드베리 조건을 규명했다.

6. 무거운 꼬리 분포 Heavy-tailed Distributions

고전적 룬드베리–크라메르 모형에서는 클레임 확률변수의 적률생성함수가 존재한다고 가정한다. 그러나 Embrechts 등이 보였듯이 클레임 분포는 무거운 꼬리 분포로 모형화해야 한다. 극단값이론의 중요한 개념 하나가 정칙변동(regular variation)이다. (0, ∞) 위의 양의 르베그 가측 함수 L이 다음을 만족하면 L은 ∞에서 완만변동(slowly varying)이라 하고 L ∈ R₀로 표기한다.

L이 다음을 만족하면 지수 α ∈ R의 정칙변동(regularly varying)이라 하고 L ∈ R_α로 표기한다.

F(x)의 적분꼬리 분포(integrated tail distribution), 즉 F의 평형분포 F_I(x)를 다음과 같이 정의한다.

고전적 모형에서 양의 안전할증을 가정할 때, 정칙변동 꼬리를 갖는 클레임 크기 분포에 대해 다음이 성립한다.

정칙변동 꼬리를 갖는 분포의 예로는 파레토, 버(Burr), 로그감마, 절단 안정(truncated stable) 분포가 있다. 자연스럽고 흔히 쓰이는 무거운 꼬리 분포 클래스는 준지수(subexponential) 클래스 S이다. 지지집합 (0, ∞)을 갖는 분포함수 F가 모든 n ≥ 2에 대해 다음을 만족하면 준지수(F ∈ S)라 한다.

여기서 F^n*는 F의 n중 합성곱이다. 고전적 모형에서 양의 안전할증을 가정하면, 준지수 적분꼬리 분포를 갖는 클레임 크기 분포에 대해 위 점근 관계가 성립한다. von Bahr는 클레임 크기 분포가 파레토일 때 같은 결과를 얻었고, Embrechts 등은 이를 갱신과정 모형으로 확장했다.

해설 조건이 깨지면 어떻게 되나

클레임이 무거운 꼬리(파레토·로그정규 등)를 가지면 적률생성함수가 존재하지 않아 크라메르–룬드베리 조건이 깨진다. 그러면 조정계수 R도 없고 지수적 점근 ψ(u) ∼ C e^−Ru도 성립하지 않는다. 대신 파산확률은 적분꼬리 F_I의 꼬리와 같은 (지수보다 훨씬 느린) 비율로 감소한다 — ψ(u) ∼ (1/θ) F̅_I(u). 즉 파산은 하나의 큰 클레임이 좌우한다.

7. 확산섭동 보험 위험모형 Diffusion Perturbed Insurance Risk Models

Gerber는 확산섭동 복합포아송 모형(diffusion perturbed compound Poisson model)을 도입하고 그것에 대한 크라메르–룬드베리 근사를 얻었다. 잉여과정은 다음과 같다.

여기서 W(t)는 표류 0, 미소분산 2D > 0인 브라운 운동으로 클레임 과정과 독립이다. 이 경우 파산확률 ψ(u)는 두 부분으로 분해된다 — 진동(oscillation)에 의한 파산 ψ_d(u)와 클레임에 의한 파산 ψ_s(u). 이제 다음 방정식이 양의 해를 갖는다고 가정한다.

이 양의 해 R을 조정계수라 부른다. Dufresne와 Gerber는 다음을 증명했다.

따라서 두 항을 합치면 전체 파산확률도 같은 지수율로 감소한다.

클레임 분포가 무거운 꼬리일 때에도 유사한 결과가 얻어졌다 — 평형분포함수 F_I ∈ S이면 ψ_σ(u) ∼ (1/μθ) F_I * G(u)이 성립한다(여기서 G는 평균 D의 지수분포함수). Schmidli는 Dufresne–Gerber의 결과를 N(t)가 갱신과정인 경우와 콕스 과정인 경우로 확장했고, Furrer는 복합포아송 과정에 α-안정 레비 운동을 더한 모형에서 가벼운 꼬리와 무거운 꼬리 클레임 분포 모두에 대한 크라메르–룬드베리형 근사를 얻었다.

참고 및 관련 표제어

관련 표제어. 조정계수(Adjustment Coefficient) · 크라메르–룬드베리 점근(Cramér–Lundberg Asymptotics) · 파산확률(Ruin Probability) · 룬드베리 부등식(Lundberg Inequality) · 집합위험이론(Collective Risk Theory) · 추정(Estimation) · 파산이론(Ruin Theory)

부록. 이 글에 나온 용어 (배경지식 보충)

조정계수 (adjustment coefficient, R) — 방정식 M_X(r) = 1 + (1+θ)μr의 양의 해. 존재하면 유일.
크라메르–룬드베리 조건 (Cramér–Lundberg condition) — 조정계수 방정식이 양의 해를 가질 조건(적률생성함수 존재 + 가벼운 꼬리).
크라메르–룬드베리 추정 (estimate) — ψ(u) ∼ C e^−Ru 의 점근식과 상한 ψ(u) ≤ e^−Ru.
파산시각 (time of ruin, T) — 잉여금이 처음으로 음수가 되는 시각. 결코 음수가 안 되면 T = ∞.
상대 안전할증 (relative security loading, θ) — c = (1+θ)λμ 의 θ. 기대클레임을 넘는 보험료 여유 비율.
적률생성함수 (mgf, M_X) — M_X(r) = E[e^rX]. 무거운 꼬리에서는 존재하지 않을 수 있다.
정칙변동 (regular variation) — L(tx)/L(x) → t^α인 함수. 무거운 꼬리를 기술하는 도구.
적분꼬리 / 평형분포 (integrated tail, F_I) — F_I(x) = (1/μ)∫₀^x F̅(y) dy.
준지수분포 (subexponential, S) — F̅^n*(x)/F̅(x) → n인 무거운 꼬리 클래스. 파레토·로그정규 등.
확산섭동모형 (diffusion perturbed model) — 잉여과정에 브라운 운동을 더한 모형. 파산이 진동과 클레임 두 경로로 일어난다.

한국보험시장 현황 Korea Market Practice

크라메르–룬드베리 조건은 안전할증이 양(+)이어야 파산확률이 1보다 작아진다는 기본 전제와, 조정방정식의 근 R로 상한을 잡는 추정으로 이뤄진다. 국내 실무로 옮기면 '요율에 적정 안전할증이 포함되어야 장기적으로 지급여력이 유지된다'는 요율 적정성의 수학적 표현이다.

조정계수의 추정은 클레임 규모·빈도의 적률을 경험자료로 추정하는 문제이므로, 국내에서는 경험통계·진전삼각형·재보험 경험을 통해 안전할증과 변동성을 가늠하는 작업과 맞닿는다.

실무 양(+)의 안전할증이 출발점

안전할증이 0 이하이면 자본과 무관하게 장기 파산이 확실해진다. 손해율 관리와 요율 현실화가 모든 건전성 논의의 전제인 이유다.

[한국보험시장 현황]은 한국 보험시장 실무 관점(2026.6 기준)에서 추가 작성한 것임. · 원문: Encyclopedia of Actuarial Science (Wiley, 2004), "Cramér–Lundberg Condition and Estimate", Hailiang Yang. · 본 해설서의 [해설]·[예제]·[부록]은 학부 입문 학습용으로 추가·구성한 것임.