의사결정이론 (Decision Theory)

1. 통계적 의사결정 문제 Statistical decision problems

의사결정이론은 수리통계의 여러 영역 — 관측 불가능한 확률변수의 예측, 분포 모수의 추정, 모수에 관한 가설의 검정 — 을 통일하려는 이론이다. 각 문제는 통계적 의사결정 문제로 정식화할 수 있으며, 그 구조는 2인 영합게임과 같다:

• 가능한 자연의 상태들의 모임 Θ (확률측도들),
• 가능한 결정들의 모임 Δ (관측가능 변수들의 함수),
• 상태 P∈Θ와 결정 δ∈Δ에 위험 r(P,δ)를 대응시키는 위험함수 r: Θ×Δ→[0,∞].

3중쌍 (Θ, Δ, r)을 의사결정 문제라 한다. 결정 선택의 두 원리는:

• 베이즈 원리 — 주어진 상태 P에 대해 inf_δ r(P,δ)를 베이즈 위험, 그 하한을 달성하는 δ*를 P에 대한 베이즈 결정이라 한다:
  
• 미니맥스 원리 — inf_δ sup_P r(P,δ)를 미니맥스 위험, 이를 달성하는 δ*를 미니맥스 결정이라 한다:
  

둘 다 존재하지 않을 수도, 유일하지 않을 수도 있다. 위험함수에 양의 상수를 곱해도 베이즈·미니맥스 결정은 변하지 않는다. 문제의 정의는 세 단계 — Δ의 정의(예: X₁,…,X_n의 볼록결합 전체), Θ의 정의(예: 유한 2차 적률과 공통 기댓값을 갖는 확률측도 전체 — 그러면 모든 δ가 X의 비편향 예측량이자 기댓값의 비편향 추정량이 된다), 위험함수의 정의(예: E_P[(X−δ)²] — 최선의 예측량, 또는 E_P[(E_P[X]−δ)²] — 기댓값의 최선의 추정량) — 로 이루어진다. 이하에서 Θ, Δ, r을 바꿔 가며 전형적 문제들을 본다.

2. 관측 없는 예측 — 보험료 원리와의 연결 Prediction without observations

관측 불가능한 X를 실수 하나로 예측하자(Δ=ℝ). 위험함수의 선택에 따라 베이즈 결정이 달라진다:

• 절대 위험함수 r(P,δ)=E_P[|X−δ|] — P[X≤δ*]≥1/2이고 P[X≥δ*]≥1/2인 모든 δ*, 즉 X의 중위수가 베이즈 결정이다(중위수는 항상 존재).
• 2차(제곱) 위험함수 r(P,δ)=E_P[(X−δ)²] — 베이즈 방정식의 유일해는 기댓값 δ*=E_P[X]다.
• 에셔 위험함수 r(P,δ)=E_P[(X−δ)²e^{αX}] (α>0) — 유일해는
  
  이다. 측도변환 dQ = e^{αX}dP / E_P[e^{αX}] (에셔 변환)를 쓰면 r(P,δ)=E_P[e^{αX}]·E_Q[(X−δ)²]이므로, 에셔 위험함수의 베이즈 결정 = 변환된 측도 Q 아래 2차 위험함수의 베이즈 결정이다.

보험료 계산원리의 언어로는 X가 위험(risk), 위험함수가 손실함수다. 즉 순보험료 E_P[X]는 2차 손실의 베이즈 결정으로, 에셔 보험료는 에셔 손실의 베이즈 결정으로 정당화되며, P 아래의 에셔 보험료는 Q(P,α,X) 아래의 순보험료다(→ Premium Principles, Esscher Transform).

3. 관측이 있는 예측 — 신뢰도 이론과의 연결 Prediction with observations

이제 X를 관측가능한 X₁,…,X_n의 함수로 예측한다(위험함수는 2차 r(P,δ)=E_P[(X−δ)²]로 고정). Δ와 Θ의 선택에 따라:

• 일반적 예측 — Δ = {h(X₁,…,X_n)} 전체, Θ = 유한 2차 적률. 베이즈 해는 조건부 기댓값 δ* = E_P(X | X₁,…,X_n).
• 독립 관측 기반 예측 — X와 X₁,…,X_n이 독립이면 베이즈 해는 그냥 δ* = E_P[X] — 관측이 도움이 안 된다.
• 아핀–선형 예측 — Δ = {a₀+Σa_kX_k}로 제한하고, 또 다른 확률변수 Λ가 있어 X, X₁,…,X_n이 Λ가 주어지면 조건부 i.i.d.라 하자. 베이즈 해는
  
  이다 — 뷜만(Bühlmann)의 고전적 신뢰도 모형 그 자체다. 신뢰도 가중 n/(κ+n)이 표본평균에, 나머지가 사전 기댓값에 실린다(→ Credibility Theory).

예제 뷜만 신뢰도 공식 사용

어느 계약자의 5년 평균 클레임이 X̄=120, 포트폴리오 전체 기댓값 E[X]=100, κ=10일 때 내년 클레임의 베이즈(신뢰도) 예측은?

관측이 5년뿐이라 개인 경험에는 1/3만 실리고 2/3는 집단 평균에 실린다. 관측년수 n이 κ=10보다 커질수록 개인 경험의 비중이 커진다 — 경험요율의 수학적 핵심이다.

4. 추정 Estimation

이번엔 E_P[X]를 추정한다 — 위험함수는 r(P,δ)=E_P[(E_P[X]−δ)²].

• 표본크기 고정, 비편향 추정 — Δ = {Σa_kX_k: Σa_k=1}, Θ = X와 같은 분포의 독립 X₁,…,X_n. 베이즈 해는 표본평균 δ*=X̄(n) — 모든 P에 대해 동시에 베이즈 결정이다.
• 표본크기 가변 — 수열 {X_k} 전체에서 임의의 n을 고를 수 있으면 r(P, X̄(n)) = Var_P[X]/n이므로 베이즈 위험은 inf_n Var/n = 0. 분포가 퇴화가 아니면 모든 결정의 위험이 양수이므로 베이즈 결정이 존재하지 않는다 — 하한이 달성되지 않는 전형적 예다.

5. 검정 — 미니맥스 결정의 예 Tests

X ~ N(µ, σ²) (σ² 기지), X₁,…,X_n i.i.d.에서 가설 H₀: E_P[X]≤µ₀ 대 H₁: E_P[X]>µ₀를 검정한다. 결정은 임계값 γ에 따라 "X̄(n)>γ이면 H₀ 기각"인 δ_γ들이고, 위험함수는 H₀가 참일 때 기각확률, H₁이 참일 때 c×채택확률(c는 0에 가까운 양수)로 둔다(식 31). P를 모르는 상황이므로 베이즈 결정은 무용지물이고 미니맥스 결정을 찾아야 한다. 정규분포 계산(식 32–33)으로 미니맥스 위험은 c/(1+c)이고, 미니맥스 결정의 임계값은

이다. 이 논의는 표본평균의 분포 유형이 알려진 어떤 확률측도족으로도 확장된다.

6. 그 밖의 측면 Further aspects

의사결정이론 문헌은 풍부하지만 이질적이다 — 게임이론만 아니라 효용이론과 베이즈 통계학에서도 영감을 받았다. 이 글은 보험수학에서의 특별한 역할 때문에 위험함수에 초점을 맞췄지만, 허용가능성(admissibility), 완비류(complete classes), 충분성(sufficiency) 같은 다른 중요한 개념들도 있다. 더 읽을거리로 DeGroot, Berger, Witting의 단행본이 추천된다.

참고 및 관련 표제어

부록. 이 글에 나온 용어 (배경지식 보충)

• 위험함수 (risk function) — 상태와 결정의 쌍에 손실의 기대를 매기는 함수. 문제 정의의 핵심.
• 베이즈 결정 / 미니맥스 결정 — 주어진 상태(또는 사전분포)에서 위험 최소 / 최악 상태의 위험 최소.
• 2차·절대·에셔 손실 — 각각 기댓값·중위수·에셔 보험료를 최적해로 만드는 손실함수.
• 에셔 변환 — dQ ∝ e^{αX}dP. 큰 손실에 가중을 주는 측도변환(→ 복합과정의 안장점 근사와 동일 장치).
• 신뢰도 계수 κ — 개체 내 변동(기대 과정분산)과 개체 간 변동(가설평균의 분산)의 비. 작을수록 개인 경험을 빨리 신뢰.
• 비편향 (unbiased) — 추정량의 기대가 목표 모수와 일치. Σa_k=1 제약이 그 표현.
• 허용가능성 (admissibility) — 모든 상태에서 다른 결정에 약하게도 지지 않는 성질.
• 1종/2종 오류 — 참인 H₀의 기각 / 거짓인 H₀의 채택. 식 (31)의 두 갈래.

한국보험시장 현황 Korea Market Practice

의사결정이론이 한국 계리 실무에 들어와 있는 가장 굵은 통로는 본문 3장이 보여준 신뢰도(credibility) 이론이다. 요율산정에서 자사 경험통계가 충분하지 않은 담보는 보험개발원의 참조순보험요율을 기준으로 삼고, 경험이 쌓일수록 자사 통계의 가중치를 높이는 신뢰도 가중 — 베이즈 선형 예측의 실무형 — 이 표준 절차다. 단체보험의 경험요율(experience rating), 일반보험의 개별 계약 요율 협상에서도 "전체 평균과 개별 경험을 어떻게 섞을 것인가"라는 본문의 핵심 질문이 그대로 반복되며, 답의 형태도 신뢰도 계수에 의한 볼록결합으로 같다.

관측이 갱신하는 의사결정이라는 관점은 자동차보험 우량할인·할증제도에서 제도화되어 있다. 사고 경력(관측)에 따라 등급과 보험료(결정)를 매년 갱신하는 구조는 베이즈 갱신의 보험판이고, 지급준비금 실무의 본휴터–퍼거슨(Bornhuetter–Ferguson)법 역시 사전 기대손해율과 진전 경험을 신뢰도 가중으로 섞는 베이즈적 결정이다. 한편 본문 2장의 보험료 원리(기대값·표준편차 원리 등)는 국내 요율의 안전할증·로딩 구조에 대응하는데, 위험 1단위에 어떤 보상을 요구할 것인가라는 손실함수 선택의 문제가 가격 정책의 언어로 번역된 것이라 할 수 있다.

IFRS17·K-ICS 체계(2023)는 계리적 의사결정의 절차화를 요구한다. 최선추정 가정의 선택, 모형의 선택, 경영진 판단(management judgement)의 적용은 근거 문서화와 계리법인 외부검증 대상이며, 무·저해지 해지율 원칙모형(2024)처럼 감독당국이 가정 선택의 허용 범위를 제시하는 경우도 있다 — "어떤 결정규칙을 쓸 것인가"가 개인의 직관이 아니라 통제된 절차의 문제가 된 것이다. 자체위험·지급여력평가(ORSA)에서 요구되는 위험선호(risk appetite)의 명문화는 본문의 효용·손실함수 설정에 해당하는 작업으로, 자본 배분·재보험 구매·신상품 출시 같은 전사 결정의 공통 기준이 된다.