극단값 분포 (Extreme Value Distributions)

1. 포트폴리오의 최댓값 문제 The Maximum of a Portfolio

서로 비슷한 보험클레임 n건으로 이루어진 포트폴리오를 생각하자. 포트폴리오의 최대클레임 M_n은 개별 클레임 X₁, …, X_n 가운데 가장 큰 값이다.

M_n의 분포를 분석하는 일은 위험이론과 위험관리의 중요한 주제다. 자료가 서로 독립이고 같은 분포를 따른다(i.i.d.)고 가정하면, 최댓값의 분포함수는 다음과 같이 곧바로 구해진다.

여기서 F는 X의 분포함수다. 와이불분포나 로그정규분포 같은 익숙한 분포족 안에서 적절한 모형을 찾아 헤매는 대신, 피셔(Fisher)와 티펫(Tippett)이 시작한 최댓값의 점근이론을 이용하면 이런 문제를 모형화할 자연스러운 분포족이 자동으로 얻어진다.

2. 피셔–티펫 정리: 세 가지 극단값 분포 The Fisher–Tippett Theorem

정리 1 (Fisher–Tippett, 1928). 상수열 (a_n), (b_n) (a_n > 0)이 존재하여 n → ∞일 때 정규화된 최댓값

의 극한분포 H가 존재한다면, H는 반드시 다음 세 가지 극단값 분포 가운데 하나여야 한다.

(1) 검벨(Gumbel) 분포

(2) 프레셰(Fréchet) 분포

(3) 와이불(Weibull) 분포

이 결과의 의미는 강력하다. 자료 X의 원래 분포가 무엇이든, 최댓값의 극한분포는 위 세 가지 중 하나와 같은 유형이어야 한다는 것이다. 따라서 n이 충분히 크면 표본 최댓값의 참분포를 이 극단값 분포들 중 하나로 근사할 수 있다. 최댓값에 대한 극단값 분포의 역할은, 표본평균에 대한 정규분포의 역할과 정확히 같은 성격이다.

3. 일반화 극단값 분포와 극단값 지수 GEV and the Extreme Value Index

실무에서는 세 분포를 하나의 식으로 아우르는 일반화 극단값 분포(generalized extreme value distribution, GEV)를 쓰는 것이 편리하다.

이 식은 1 + γ(x − μ)/σ > 0인 범위에서 정의된다. 위치모수 μ와 척도모수 σ > 0은 피셔–티펫 정리의 표준화 수열 b_n, a_n에서 비롯된 것이고, 형상모수 γ ∈ (−∞, ∞)는 꼬리의 두께를 지배한다. 이 γ를 극단값 지수(extreme value index, EVI)라 부른다. 흔히 쓰는 연속분포의 최댓값은 사실상 모두 어떤 GEV에 끌려간다(흡인된다).

• γ < 0 (와이불 영역) — 분포 F의 받침에 유한한 상한이 존재함을 증명할 수 있다. 이때 γ는 피셔–티펫 정리의 −1/α에 해당한다.
• γ = 0 (검벨 영역) — H(x) = exp(−exp(−(x−μ)/σ))가 되며, 지수분포·와이불분포·감마분포·로그정규분포 등이 여기에 속한다.
• γ > 0 (프레셰 영역, α = 1/γ) — 꼬리가 본질적으로 거듭제곱(멱함수)으로 감소하는 두꺼운 꼬리(heavy-tailed) 분포들이다.

특히 γ > 0인 영역은, 높은 임계값 t를 넘는 상대초과분의 조건부분포가 t → ∞에서 순수 파레토분포로 수렴하는 분포들의 집합과 일치한다.

파레토분포, 로그감마분포, 버(Burr)분포, 그리고 프레셰분포 자신이 그 예다.

4. 응용: 재현수준과 최대클레임 재보험 Return Levels and Largest Claims Reinsurance

전형적인 응용은 연간 최댓값 자료(1년 동안의 i.i.d. 사건 수를 n으로 잡는다)에 GEV 분포를 적합하는 것이다. 재현기간 T에 대응하는 재현수준(return level), 즉 연간 최댓값의 극단 분위수는 GEV 분포함수를 역산하여 얻는다.

또한 최대클레임 재보험(largest claims reinsurance) 특약에서는, 개별 클레임이 독립이라는 가정 아래 대형 포트폴리오의 최대클레임 1건을 담보하는 계약의 순보험료 E(M_n)을 위 결과로 근사할 수 있다. γ < 1인 경우

여기서 Z_γ는 분포함수 H_0,1,γ를 갖는 GEV 확률변수다. 검벨 경우(γ = 0)에는 이 식을 μ − σΓ′(1) = μ + σ·0.5772…(오일러 상수)로 해석한다.

예제 연간 최대 화재클레임의 100년 재현수준

어느 화재보험 포트폴리오의 연간 최대클레임(억원)에 GEV를 적합하여 μ = 100, σ = 30, γ = 0.2를 얻었다. (1) 100년 재현수준, 즉 "100년에 한 번" 수준의 연간 최대클레임을 구하라. (2) 연간 최대클레임의 기댓값 E(M_n)을 구하라. (단, Γ(0.8) = 1.1642)

(1) T = 100이므로 −log(1 − 1/100) = −log 0.99 = 0.01005이고, (0.01005)^−0.2 = exp(−0.2 × log 0.01005) = exp(0.9200) = 2.5093이다. 따라서

즉 100년에 한 번 꼴로 연간 최대클레임이 약 326억원을 넘는다. 평소 관측되는 100억원 안팎의 값보다 세 배 이상 크다 — 두꺼운 꼬리(γ > 0)의 위력이다.

(2) γ = 0.2 < 1이므로 E(M_n) = 100 + (30/0.2)(Γ(0.8) − 1) = 100 + 150 × 0.1642 ≈ 124.6억원. 최대클레임 1건을 담보하는 재보험의 순보험료가 약 124.6억원이라는 뜻이다.

5. 모수 추정과 GEV 접근법의 한계 Estimation and Limitations

GEV 분포를 적합하는 추정법으로는 최대가능도추정(피셔 정보행렬은 Prescott & Walden이 유도), 확률가중적률법(probability weighted moments), 최량선형불편추정(BLUE), 베이즈 추정, 적률법, 최소거리추정 등 여러 방법이 제안되어 있다. 다만 γ의 추정에는 정칙성 문제가 따른다.

• γ < −1이면 최대가능도추정량이 존재하지 않는다.
• −1 < γ < −1/2이면 추정에 문제가 생길 수 있다(Smith, 1985).
• 다만 많은 연구자들은 실제 자료에서 −1/2 < γ < 1/2 조건이 대체로 성립한다고 본다.

카스티요와 하디(Castillo & Hadi, 1997)의 방법은 모든 모수값에서 잘 정의된 추정값을 주고 다른 방법들과 견주어 성능도 좋아, 이런 문제를 우회한다.

GEV 접근법의 큰 약점은 각 블록(연도)에서 최댓값 하나만 사용하므로 자료의 상당 부분이 버려진다는 것이다. 이 문제를 해결하는 임계값 방법(threshold methods)은 표제어 극단값(Extremes)에서 다룬다.

참고 및 관련 표제어

부록. 이 글에 나온 용어 (배경지식 보충)

• 분포함수 (distribution function) — F(x) = P(X ≤ x). 확률변수가 x 이하일 확률.
• i.i.d. (independent and identically distributed) — 서로 독립이며 같은 분포를 따르는 확률변수들.
• 점근이론 (asymptotic theory) — 표본 크기 n → ∞일 때 통계량의 극한 행동을 다루는 이론.
• 흡인영역 (domain of attraction) — 최댓값이 특정 극단값 분포로 수렴하는 원분포들의 집합.
• 위치·척도·형상모수 (location/scale/shape parameter) — 분포의 중심 위치, 퍼짐 정도, 모양(꼬리 두께)을 각각 조절하는 모수.
• 극단값 지수 (extreme value index, EVI) — GEV의 형상모수 γ. 꼬리 두께를 요약하는 핵심 수치.
• 두꺼운 꼬리 (heavy tail) — 생존확률 1−F(x)가 멱함수처럼 천천히 감소하는 성질. 대형 클레임이 자주 나온다.
• 재현기간·재현수준 (return period/level) — 평균적으로 T년에 한 번 초과되는 수준. 홍수·태풍 설계기준에서 유래한 개념.
• 분위수함수 (quantile function) — 분포함수의 역함수 Q(p). p × 100% 지점의 값.
• 확률가중적률 (probability weighted moments) — 적률에 분포함수의 거듭제곱 가중치를 준 일반화 적률. 극단값 모형 추정에 널리 쓰인다.
• 순보험료 (pure risk premium) — 담보하는 손해의 기댓값. 사업비·이윤을 더하기 전의 보험료.
• 최대클레임 재보험 (largest claims reinsurance) — 한 해 동안 발생한 클레임 중 가장 큰 1건(또는 상위 몇 건)을 담보하는 재보험.

한국보험시장 현황 Korea Market Practice

"포트폴리오의 최대클레임은 어떤 분포를 따르는가"라는 본문의 질문이 한국에서 가장 절실한 곳은 자연재해 리스크다. 연 최대 태풍 손해·연 최대 일강수량 같은 블록 최댓값 자료에 검벨·프레셰형 분포를 적합하는 것은 풍수해 분석의 고전적 방법이고, 태풍 루사(2002)·매미(2003)·힌남노(2022) 같은 사건들이 "표본의 최댓값이 통계를 지배한다"는 극단값적 직관을 시장에 각인시켰다. 풍수해보험·농작물재해보험 같은 정책성 보험의 요율과 국가재보험 구조 설계, 손해보험사의 보유·출재 전략이 모두 이 꼬리 분포 가정 위에 서 있다.

실무 도구의 측면에서는, 순수한 GEV 적합보다 해외 벤더 Cat 모형(태풍·홍수 모듈)을 통한 시뮬레이션이 국내 표준에 가깝다. 그러나 Cat 모형의 출력(초과확률 곡선, 재현주기별 손실)을 해석하고 검증하는 언어가 바로 극단값 분포 이론이다 — "100년 재현주기 손실"은 연 최대손실 분포의 99% 분위수이고, 모형 간 차이는 대부분 꼬리(프레셰형 두꺼운 꼬리인가, 검벨형인가)의 차이다. K-ICS의 재해리스크 충격이나 재보험 적정성 평가를 다룰 때도 같은 어휘가 쓰인다.

생명보험 쪽에도 대응물이 있다. 단체계약·집적 위험(한 건물의 다수 피보험자)에서 1사고 최대 보험금, 팬데믹 같은 사망 충격의 꼬리를 생각할 때 최댓값 분포의 틀이 유효하며, COVID-19 이후 국내에서도 재해사망 집적에 대한 재보험·리스크 분석이 정교해졌다. 본문이 강조한 흡인영역의 3분법(검벨·프레셰·와이불)은 "우리 위험의 꼬리가 어느 형인가"라는, 모든 꼬리 분석의 첫 질문으로 실무에 남아 있다.