마르코프 연쇄 몬테카를로 (MCMC) (Markov Chain Monte Carlo Methods)

1. 개요 Introduction

마르코프 연쇄 몬테카를로(MCMC)는 직접 표집하기 어려운 목표분포 π(예: 베이즈 사후분포)로부터 표본을 얻기 위해, 평형분포가 π인 마르코프 연쇄를 만들어 충분히 오래 돌리는 기법이다. 고차원 적분이나, 정규화 상수까지만 아는 분포에서 특히 강력하다.

2. 핵심 아이디어 Idea

에르고딕 마르코프 연쇄의 에르고딕 정리에 의해, 연쇄가 평형분포 π에 수렴하면 표본 경로 평균이 목표 기댓값으로 수렴한다.

따라서 ‘π를 평형분포로 갖는 전이핵’을 설계하는 것이 전부다.

3. Metropolis–Hastings 알고리즘 Metropolis–Hastings

현재 상태 x에서 제안분포 q(y|x)로 후보 y를 뽑고 다음 채택확률로 받아들인다. 받아들이지 않으면 x에 머문다. 이 규칙은 π에 대한 상세균형(detailed balance)을 만족시킨다.

π가 정규화 상수 없이 비례식으로만 주어져도 비(ratio)에서 상쇄되므로 그대로 쓸 수 있다는 점이 핵심 장점이다. 제안으로 랜덤워크를 흔히 쓴다.

4. Gibbs 표집 Gibbs Sampling

다차원 모수 θ=(θ₁,…,θ_d)에서 각 성분을 나머지로 조건화한 완전조건부분포에서 차례로 뽑는 방법이 Gibbs 표집이다. 켤레(conjugate) 사전분포를 쓰면 완전조건부가 표준분포가 되어 구현이 간단하다.

참고 및 관련 표제어

부록. 이 글에 나온 용어 (배경지식 보충)

• 목표분포 π — 표본을 얻고자 하는 분포(흔히 사후분포).
• 평형분포 — 마르코프 연쇄가 장기적으로 따르는 분포.
• 제안분포 q — 후보를 생성하는 분포.
• 상세균형 — π를 불변으로 만드는 가역성 조건.
• 완전조건부분포 — 한 성분을 나머지로 조건화한 분포.
• 번인(burn-in) — 수렴 전 초기 표본을 버리는 구간.

한국보험시장 현황 Korea Market Practice

MCMC는 한국 계리 실무에서 베이즈 추정의 계산 엔진으로 자리 잡고 있다. 신뢰도이론(경험요율), 지급준비금·IBNR의 사후분포, 사고율·전이확률의 모수 불확실성 정량화처럼 직접 적분하기 어려운 고차원 분포에서 표본을 얻는 데 쓰인다. 정규화 상수를 몰라도 비(ratio)에서 상쇄되는 Metropolis–Hastings의 성질이 준비금 모형처럼 복잡한 사후분포에 특히 유용하다.

IFRS17의 최선추정과 위험조정(RA)에서 과정·모수 불확실성을 분포로 다루거나, 경제적 시나리오 생성기(ESG)를 보정할 때도 활용된다. 다만 수렴 진단과 자기상관 점검을 소홀히 하면 추정이 편향될 수 있어 주의가 필요하다.