안정성

1. 안정성이란 무엇인가 Introduction

안정성 분석(stability analysis)은 모형의 출력(output)이 입력(또는 지배) 모수의 변화에 대해 얼마나 민감한지를 조사한다. 입력 모수가 작게(때로는 크게라도) 변할 때 출력 특성도 작게만 변한다면, 그 모형은 안정(stable)하다고 한다. 따라서 대부분의 경우 안정성은 모수에 대한 출력의 연속성(continuity) 성질로 볼 수 있다.

예를 들어 복합 포아송 위험과정(compound Poisson risk process)에서 입력은 보험료율 c, 포아송 강도 λ, 클레임 크기 분포 F의 세 쌍 (c, λ, F)일 수 있고, 출력은 파산확률 함수 (ψ(u))_u≥0(u는 초기 준비금)일 수 있다.

2. 안정성 문제가 생기는 이유 Why Stability Matters

안정성 문제는 응용 모형에서 매우 자연스럽게 등장한다. 첫째, 실제 응용에서는 입력 모수의 정확한 값을 거의 알 수 없다. 둘째, 설령 입력 모수를 안다 해도 수치 계산을 위해 여러 근사(approximation)를 쓰는 일이 흔하다. 더 나아가 어떤 모형이든 본질적으로 현실의 근사일 뿐이다. 따라서 모형의 안정성은 곧 그 실무 적용 가능성을 의미한다.

특히 안정성 분석은 출력을 입력 모수로 명시적으로 표현할 수 없는 상황에서 꼭 필요하다. 이런 경우에는 명시적 해(解)에 의존하지 않는 간접적 방법으로 안정성을 조사해야 한다.

안정성 문제는 미분방정식 이론에서 비롯되었고 리아푸노프(Lyapunov)까지 거슬러 올라간다. 그 후 안정성은 자동제어, 시스템 이론, 대기행렬(queueing) 등 응용 분야의 중요한 주제가 되었으며, 마르코프 연쇄(MC)의 정상분포, 재생과정(regenerative process)의 유한시간·시간균등 안정성, 대기시간, 신뢰성, 저장(storage) 이론 등 확률과정과 그 응용의 맥락에서 연구되어 왔다. 확률 모형의 일반적 안정성 문제는 졸로타레프(Zolotarev)가 제안했으며, 위험이론 관점에서의 기본 명제는 칼라쉬니코프(Kalashnikov)의 연구에서 재정리되었다.

3. 안정성의 정의 Stability Definition

모형을 하나의 사상(mapping)으로 본다. 즉 입력(지배) 모수 a가 사는 공간 (A, μ)에서 출력 모수 b가 사는 공간 (B, ν)로 가는 함수다.

여기서 두 공간에는 각각 거리(metric) μ와 ν가 주어져 있다고 가정한다. 이 가정은 명시적인 안정성 한계(bound)를 얻기 위해 필요하다.

정의 1. 모형이 점 a ∈ A에서 안정하다는 것은, a로 수렴하는 임의의 수열 a_n에 대해 대응하는 출력 특성의 수열 F(a_n)이 F(a)로 수렴함을 뜻한다. 즉,

모형의 제약상 입력 a가 허용가능 모수의 집합 A^*에만 속할 수 있다고 하자. 모수 a ∈ A^*로 지배되는 모형을 비교란(원래) 모형이라 부르고, 다른 모수 a_t로 지배되는 모형은 교란된(disturbed) 모형이라 한다.

정의 2. 0에서 연속이고 f(0) = 0인 함수 f가 존재하여 다음이 성립하면,

이 부등식을 모형 F의 안정성 한계(stability bound)라 부른다. 위 정의의 함수 f는 흔히 모수 a와 a_t의 어떤 특성에 의존한다. 만약 f가 a, a_t에 의존하지 않는다면 (1)은 균등(uniform) 안정성 한계를 준다.

4. 예: 마르코프 연쇄 Example: Markov Chains

상태공간 {1, 2, …, m} 위의 기약(irreducible)·양재귀(positive recurrent)·비주기(aperiodic) 마르코프 연쇄 X = {X_n}_n≥0을 생각하자. 입력 모수 a를 전이확률행렬 P = (p_ij)로 두고, 공간 A^*는 모든 그러한 전이행렬로 이루어진다. 출력 특성 b로는 (그러한 연쇄가 유일하게 갖는) 정상분포 π = (π₁, …, π_m)를 택한다.

입력 거리 μ는 전이확률의 행별 최대 절대편차의 합으로, 출력 거리 ν는 정상분포 성분들의 절대편차의 합으로 잡는다. 이때 다음 안정성 한계가 성립한다.

단 μ(a, a_t) < 1일 때이며, 상수 C는 명시적으로 쓸 수 있다. 이 한계를 얻기 위해 마르코프 연쇄를 재생과정으로 보고 재생과정 교차 논법을 사용한다.

5. 파산확률에 대한 안정성 한계 Stability Bounds for the Ruin Probability

보험계리학에서 지금까지 대부분의 안정성 결과는 파산확률(ruin probability)에 관한 것이다. 그 한 이유는 위험과정이 대기행렬·저장 이론의 어떤 과정과 쌍대(dual) 관계에 있기 때문이다. 적절한 역전(reversing) 절차로 한 과정에서 다른 과정을 구성할 수 있어, 확률과정(마르코프 연쇄·재생과정)에 대해 이미 개발된 기법과 안정성 결과를 그대로 적용할 수 있다.

위험과정은 지배 모수 a(보험료율 등 상수와 클레임 크기 분포 등)로 기술되며, 파산확률 ψ는 a의 함수로서 공간 A에서 함수공간으로 가는 사상이다. 파산확률 공간에서 거리 ν를 고를 때 가장 중요한 것은 초기자본이 커질 때 파산확률의 점근(asymptotic) 거동이다. 그래서 파산확률의 꼬리(tail)를 비교할 수 있는 가중 거리(weighted metric)를 써야 한다. 가중 균등거리는 다음과 같다.

여기서 w는 0에서 떨어져 있고 (보통 ∞로) 증가하는 가중함수로, 원래 모형의 파산확률 꼬리로부터 허용되는 편차의 집합을 제한한다. 파산확률이 지수적으로 감소하면 w(x) = exp(δx)를, 멱법칙(power law)으로 감소하면 w(x) = (1 + x)^δ를 쓴다. 다만 파산확률의 점근거동을 모를 때 안정성 한계는 더욱 흥미롭다.

6. 예: 스파르 안데르센 모형 Example: The Sparre Andersen Model

스파르 안데르센 모형(Sparre Andersen model)은 모수 a = (c, F_θ, F_Z)로 지배된다. 여기서 c > 0은 보험료 강도, F_Z는 독립동일분포(i.i.d.)인 양의 클레임의 분포함수, F_θ는 클레임을 생성하는 보통재생과정의 도착간격(interarrival) 분포함수다. 모수공간 A^*에는 다음 거리를 부여한다.

여기서 δ > 0이다. 허용가능 모수 집합 A^*는 어떤 ε > 0이 존재하여 적절한 적률 조건을 만족하는 모든 세 쌍 a = (c, F_θ, F_Z)로 이루어진다. 크라메르–룬드베리 조건(Cramér–Lundberg condition)을 만족하는 모수는 이 집합에 속한다.

이 모형은 집합 A_δ^* = {a ∈ A^* : ε = δ에서 조건 성립} 위에서 안정하며, 다음 안정성 한계가 성립한다.

이는 a ∈ A_δ^*이고 a_t가 a의 작은 근방에 있을 때 성립한다. 반대로 집합 A^* ∖ A_δ^*에서는 위 거리 ν, μ에 대해 파산확률이 안정하지 않다. 더 약한 거리 μ₁(적분 대신 상한 sup을 쓴 거리)을 쓰면 μ보다 약하므로 더 강한 결과를 얻을 수 있다.

7. 보충: 분포의 안정성 Stable Distributions (Background)

해설 합이 같은 꼴을 유지하는 분포 — 안정분포

"안정성"이라는 말은 확률론에서 또 다른 고전적 의미로도 쓰인다. 독립동일분포인 확률변수 X₁, …, X_n의 합이 (척도와 위치만 바꾸면) 같은 분포 꼴(type)을 유지할 때, 그 분포를 안정분포(stable distribution)라 한다. 즉 적절한 상수 c_n > 0과 d_n이 있어 다음이 성립한다(=^d는 분포가 같음).

정규분포는 안정분포의 특수한 경우(α = 2)다. 일반적인 안정법칙(stable law)은 특성함수(로그)로 다음과 같이 표현된다.

여기서 α ∈ (0, 2]는 안정지수(꼬리 두께), β는 비대칭(skewness), c > 0은 척도, γ는 위치 모수다. α < 2이면 분산이 무한대인 두꺼운 꼬리 분포가 되며, 이런 분포들은 일반화 중심극한정리(끌림영역, domain of attraction)의 극한으로 등장한다. 이 의미의 "안정성"은 본문의 모형 안정성과 구분되지만, 둘 다 "어떤 연산(합 또는 모수 교란) 아래에서 형태가 보존된다"는 공통의 직관을 공유한다.

참고 및 관련 표제어

부록. 이 글에 나온 용어 (배경지식 보충)

• 안정성 (stability) — 입력 모수의 작은 변화가 출력의 작은 변화만 일으키는 성질. 모수에 대한 출력의 연속성.
• 안정성 한계 (stability bound) — 출력 거리 ν를 입력 거리 μ의 (0에서 연속이고 0인) 함수로 위에서 억제하는 부등식.
• 거리 (metric, μ·ν) — 두 모수(또는 두 출력)가 얼마나 떨어져 있는지 재는 함수. 약한 거리일수록 강한 결과를 준다.
• 파산확률 (ruin probability, ψ) — 초기자본 u에서 출발한 위험과정의 잉여금이 언젠가 음수가 될 확률.
• 가중 거리 (weighted metric) — 가중함수 w로 꼬리 부분을 강조해 분포의 점근거동까지 비교하는 거리.
• 마르코프 연쇄 (Markov chain) — 미래가 현재 상태에만 의존하는 확률과정. 기약·양재귀·비주기이면 유일한 정상분포를 가진다.
• 재생과정 (regenerative process) — 일정한 재생시점에서 과정이 확률적으로 처음부터 다시 시작되는 과정.
• 스파르 안데르센 모형 (Sparre Andersen model) — 클레임 도착간격을 일반 재생과정으로 둔 위험모형.
• 크라메르–룬드베리 조건 (Cramér–Lundberg condition) — 조정계수가 존재해 파산확률이 지수적으로 감소하도록 보장하는 적률조건.
• 안정분포 (stable distribution) — 독립합이 척도·위치만 바꿔 같은 분포 꼴을 유지하는 분포(정규분포는 α=2의 경우).

한국보험시장 현황 Korea Market Practice

안정성 분석은 IFRS17·K-ICS 체계에서 "민감도 분석(sensitivity analysis)"이라는 이름으로 필수 공시 항목이 됐다. 보험사는 주요 계리적 가정(할인율, 사망률, 해지율, 손해율)이 일정 폭 변동했을 때 순자산가치(NAV)·보험부채·CSM·RA가 얼마나 변하는지를 정량적으로 보고해야 한다. 이는 본문의 "출력이 모수 변화에 대해 연속적으로 반응하는가"라는 안정성 조건과 직결된다.

K-ICS 감독기준(2025년부터 150%→130% 하향)은 요구자본 계산에서 충격 시나리오를 사용하는데, 각 충격의 크기가 실제 시장 변동 대비 합리적인지(즉 안정성 조건 위반 여부)를 사전에 점검하는 것이 내부 모형 검증의 핵심 항목이다. 금리 충격 ±100bp에서 K-ICS 비율이 적기시정조치 기준을 넘나들 정도로 불연속적으로 반응한다면, 모형 구조 자체의 불안정성을 의심해야 한다.

무·저해지환급형 상품의 해지율 가이드라인(2024) 도입으로 해지율 가정의 안정성이 감독 쟁점으로 부각됐다. 해지율 1%p 변동이 BEL에 미치는 영향이 수천억 단위인 대형사에서, 모형 안정성이 재무적 안정성의 직접적 선행 지표가 된다. 이에 따라 계리사는 충격 크기별 BEL 변동 그래프를 통해 모형의 선형·비선형 반응 구간을 확인하는 절차를 수립하고 있다.