추정 (Estimation)

※ 원문은 10쪽 분량의 개관 논문입니다. 이 해설서는 핵심을 간추린 요약본입니다.

1. 위험이론에서 추정이 하는 일 Introduction

일상의 보험업무에서는 특정 포트폴리오에 대해 답해야 할 구체적 질문들 — 장래 이익의 전망, 준비금·보험요율에 관한 의사결정, 포트폴리오 간 위험도 비교 등 — 이 있다. 이를 위해 클레임 금액과 클레임 도착과정에 관한 자료라는 "원재료"가 있고, 추정(estimation)이라는 통계 도구로 가정된 확률모형의 관심량을 알아내 의사결정에 반영한다.

위험이론에서 기본이 되는 확률모형은 고전 위험모형(classical risk model)이다: 클레임은 강도 λ의 포아송 과정으로 도착하고, 클레임 금액 X₁, X₂, …는 도착과정과 독립인 iid 양의 확률변수이며, 보험료는 보험회사가 통제하는 비율 c>0로 시간에 선형으로 들어온다. 클레임 금액 분포와 λ는 미지이고, 자료로부터 λ의 점추정치 λ̂나 구간추정치 (λ̂_L, λ̂_U) 같은 추론을 한다. 이 글은 고전적 빈도주의(frequentist) 접근을 중심으로, 위험이론에 등장하는 양들의 추정 방법을 개관한다.

2. 모수적 추정과 평가 기준 Parametric estimation

총클레임 S = X₁+…+X_N의 분포(합성분포)는 클레임 건수 분포와 클레임 금액 분포라는 두 재료로 결정되므로, 합성분포의 추정은 두 분포의 추정으로 환원된다. 모수모형에서는 분포함수가 F_Y(·;θ)로 모수 θ∈Θ에 의해 지정된다고 가정한다. 추정량(estimator) θ̂ = T_n(Y₁,…,Y_n)은 확률변수의 함수이므로 그 자체가 확률적이며, 그 분포의 성질로 추정량을 평가·비교한다.

• 불편성: 모든 θ에 대해 E_θ(θ̂)=θ. 불편추정량 중에서는 분산 Var_θ(θ̂)이 작은 것 — 참값 주위에 분포가 빽빽이 몰린 것 — 을 선호한다.
• 점근적 불편성: lim_n→∞ E_θ(T_n)−θ = 0.
• 약일치성: T_n이 θ로 확률수렴; 강일치성: 거의 확실히(almost surely) 수렴.
• 점근 정규성: √n(T_n−θ) →_d N(0, σ²(θ)). 점근분산 σ²가 작은 추정량을 선호한다.

점근 정규성이 성립하면 미지 모수에 대한 근사적 100(1−α)% 신뢰구간을 얻는다.

3. 모수 추정량을 찾는 방법들 Finding parametric estimators

적률법(method of moments). p개의 표본적률을 대응하는 이론적률과 같다고 놓은 p개의 방정식 E_θ(Y^j) = (1/n)Σy_i^j (j=1,…,p)의 해. 단순해서 구하기 쉽고, 최적이 아니더라도 다른 추정의 수치 반복 알고리즘의 출발값으로 유용하다.

최대우도법(maximum likelihood). 우도 L(θ;y)=f(y;θ), 즉 로그우도 l(θ;y)를 최대화하는 θ̂. 정칙조건 아래 일치성·최선의 점근분산을 갖는 점근 정규성 등 좋은 성질을 가지며, g(θ)의 MLE가 g(θ̂)라는 불변성도 성립한다. 보통 우도방정식 ∂l/∂θ=0을 (수치적으로) 푼다. 준우도·프로파일·주변·부분·조건부 우도 등 확장이 많다.

최소제곱법(least squares). Σ{y_i−E_θ(Y_i)}²을 최소화. Y_i가 독립 정규이면 MLE와 같지만, 최소제곱은 평균의 모수형태만 필요할 뿐 분포 전체의 지정이 필요 없다.

절단자료. 공제금액 d가 있으면 X_i>d일 때만 Y_i=X_i−d가 클레임으로 관측된다. Y의 밀도는 f_Y(y;θ)=f(y+d;θ)/{1−F(d;θ)}이고 로그우도는 이에 맞춰 수정된다.

그룹자료. 클레임 금액이 구간 (c_j−1, c_j]별 건수 n_j로만 주어지면 우도는

최소 카이제곱법. 같은 그룹자료에서 E_θ(N_j)=n{F(c_j;θ)−F(c_j−1;θ)}일 때 χ²-통계량 Σ{N_j−E_θ(N_j)}²/E_θ(N_j)를 최소화하는 θ. 분모를 N_j로 바꾼 수정 최소 카이제곱은 가중최소제곱이 된다. 그 밖에 최소거리 추정, 백분위수 일치법(percentile matching) 등이 있다.

4. 비모수 추정 Nonparametric estimation

분포가 모수족에 속한다는 가정을 버리면, F_Y(t)의 고전적 비모수 추정량은 경험분포함수

이다. 각 관측값에 질량 1/n을 놓는 경험분포의 분포함수로, F_Y(t)에 대해 불편이다. F̂_n(t)는 베르누이 변수들의 평균이므로 대수의 강법칙과 중심극한정리로 점별 강일치성과 점근 정규성 √n(F̂_n(t)−F_Y(t)) →_d N(0, F_Y(t)(1−F_Y(t)))을 얻는다. 점별 성질은 함수공간 결과로 확장된다: 글리벤코–칸텔리 정리는 sup_t|F̂_n(t)−F_Y(t)| → 0 (a.s.)을, 돈스커 정리(경험 중심극한정리)는 경험과정 √n(F̂_n−F_Y)가 공분산 F_Y(min(s,t))−F_Y(s)F_Y(t)인 평균 0 가우스 과정으로 분포수렴함을 말한다. 그 밖의 비모수 방법으로 밀도추정이, 중간 형태로 준모수적 방법이 있다.

5. 플러그인 추정과 델타 방법 Plug-in estimators and the delta method

파산확률처럼 모형에서 유도되는 양을 추정할 때 실무의 일반적 접근은, 추정된 건수·금액 분포를 가진 위험모형에서의 해당 양으로 추정하는 것 — 플러그인(plug-in) 추정 — 이다. 몇몇 특수한 경우를 빼면 플러그인 추정량은 수치적으로나 시뮬레이션으로 계산되며, 건수·금액 분포 추정에서 오는 변동성을 물려받는다(민감도 분석으로 조사할 수 있다).

이 변동성을 다루는 체계적 도구가 델타 방법(delta method)이다: g가 적절한 의미로 미분가능하고 √n(θ̂_n−θ) →_d Z이면 √n(g(θ̂_n)−g(θ)) →_d g′_θ(Z)이다. 스칼라 θ, Z~N(0,σ²)인 가장 친숙한 형태에서는 극한분포가 N(0, g′(θ)²σ²)이다. 유한차원판(다변량 정규 극한)은 물론, θ가 분포함수이고 g가 함수공간 사이의 아다마르 미분가능 사상이며 극한이 가우스 과정인 무한차원판도 있다 — 보험수리적 응용이 많다(Hipp의 계리통계용 델타 방법, Præstgaard의 생명보험 보험수리적 현가 추정 등).

합성분포 꼬리의 예. N이 기하분포 Pr(N=k)=(1−p)^kp, X₁이 강도 ν의 지수분포이면 명시적 공식 Pr(S>M) = (1−p)e^−pνM = s_M이 있다. 자료에서 얻은 MLE p̂=n/(n+ΣN_i), ν̂=n/ΣX_i를 플러그인한 ŝ_M=(1−p̂)e^−p̂ν̂M에 유한차원 델타 방법을 적용하면

로 점근 신뢰구간까지 얻는다. 이렇게 닫힌 공식이 있는 경우는 드물지만, 꼬리의 점근 근사식은 흔히 있다. 예컨대 기하 건수에 일반 금액분포 F(적률생성함수 M)를 두면

이다. 이런 근사식의 추정에는 경험 적률생성함수

가 자연스럽다 — 닫힌 구간 위 균등 수렴(a.s.)과 가우스 과정으로의 분포수렴이 알려져 있다. 최르괴–토이겔스(Csörgő–Teugels)는 이 접근으로 음이항을 포함한 여러 합성분포 꼬리 근사의 추정에서 강일치성과 점근 정규성을 얻었고, 클레임 금액분포 F만 미지일 때 합성분포함수 F_S=Σp_kF^*k를 F̂_n의 플러그인으로 함수공간에서 추정하는 결과(강일치성, 가우스 과정 극한, 부트스트랩 동시 신뢰띠의 점근 타당성)도 알려져 있다(Pitts).

6. 조정계수의 추정 Estimating the adjustment coefficient

고전 위험모형에서 시점 t의 위험준비금(risk reserve)과 파산확률은

이다(u는 초기잉여금). 순이익 조건 c>λE(X₁) 아래 ψ(u)<1이고, 룬드베리 부등식

이 성립한다. 여기서 (10)의 유일한 양근 R가 조정계수(룬드베리 계수)다. 지수 클레임(평균 1/θ)이면 R=θ−λ/c로 닫힌 식이 있어 모수 추정치를 대입하면 되지만, 분포 가정이 없는 경우의 추정이 문제다.

• 그란델(Grandell, 1979): 기간 (0,T] 관측자료에서 M̂_T(r)−1 = cr/λ̂_T (λ̂_T=N(T)/T)의 해 R̂_T. M(2R)<∞ 등 조건 아래 √T(R̂_T−R) →_d N(0, σ²_G).
• 최르괴–토이겔스(1990): λ는 기지, 클레임 표본 X₁,…,X_n으로 M̂_n(r)−1=cr/λ의 해 R̂_n. 점근 정규, 분산 σ²_CT=[M(2R)−M(R)²]/[M′(R)−c/λ]².
• 헤르켄라트(Herkenrath, 1986): E S_i(r)=0 (S_i(r)=e^rX_i−rc/λ−1)의 해를 로빈스–먼로 형 확률근사 점화식 Z_n+1=Z_n−a_nS_n(Z_n)으로 좇는다. 조건 아래 평균제곱 수렴과 점근 정규성.

스파레 안데르센 모형. 도착을 갱신과정으로 일반화하면, Y₁ = X₁−cT₁의 적률생성함수 M_Y에 대해 M_Y(R)=1의 양근 R가 조정계수가 되고 룬드베리 부등식도 유지된다. 이 모형에서:

• 최르괴–슈타이네바흐(1991): 대응하는 GI/G/1 대기행렬의 바쁜 기간별 최대 대기시간 Z_k의 순서통계량을 써서, k_n/n→0이면 Z_n−kn+1,n/log(n/k_n) → 1/R (a.s.) — 중간 순서통계량에 기반한 추정. 엠브레흐츠–미코쉬는 이를 부트스트랩화했고, 드외벨–슈타이네바흐는 힐(Hill)형 추정량과의 볼록결합으로 확장했다.
• 피츠–그뤼벨–엠브레흐츠(1996): 도착간격·클레임 표본으로 경험 M̂_Y,n(r)=1의 해 R̃_n. M(s)<∞ (어떤 s>2R)이면 √n(R̃_n−R) →_d N(0, σ²_R), σ²_R=[M_Y(2R)−1]/[M′_Y(R)]². 점근분산 플러그인·잭나이프·부트스트랩 등 신뢰구간 구성법들을 비교했다.
• ARMA(p,q) 시계열 이득 모형(크리스트–슈타이네바흐), 구간별 상수 강도의 콕스 모형·마르코프 변조 모형(슈미들리)으로도 확장된다.

7. 파산확률의 추정 Estimating ruin probabilities

고전 위험모형에서 파산확률은 폴라첵–힌친(베크만 합성곱) 공식으로 합성기하분포가 된다.

F_I는 F의 평형분포(equilibrium distribution)다. 지수 클레임이면 ψ(u)=(1+ρ)⁻¹e^−Ru (ρ=(c−λμ)/λμ: 상대 안전할증)로 닫히지만, 일반적으로는 근사가 필요하다. 대표적인 것이 크라메르–룬드베리 근사

이다. 무엇을 기지로 보느냐에 따라 네 가지 시나리오 — (a) λ, F 모두 미지, (b) λ 기지·F 미지, (c) λμ 기지, (d) λ, μ 기지·F 미지 — 가 구분된다(Hipp). 주요 결과들:

• 최르괴–토이겔스: λ, μ 기지에서 R̂_n, M̂′_n(R̂_n)을 (16)에 플러그인 — 점근 정규성.
• 그란델: (0,T] 관측으로 ψ̂_T(u) = {(c−λ̂_Tμ̂_T)/(λ̂_TM̂′_T(R̂_T)−c)}e^−R̂_Tu — (16)의 우변에 대한 점근 신뢰한계.
• 크루–베라베르베케(1990): (14)의 F_I^*k(u)를 U-통계량으로 추정하고 급수를 유한합으로 잘라 점별 추정 — 점근 정규성(커널 평활판 포함).
• 힙(Hipp, 1988/89): 네 시나리오 각각에 맞는 플러그인 추정량(시나리오 (d)에서는 평균을 μ로 맞춘 이산 부호측도 P̂_n 사용). 모두 점근 정규이고 점근분산은 σ²₍₄₎≤σ²₍₃₎≤σ²₍₂₎≤σ²₍₁₎ — 아는 것이 많을수록 정밀하다. 점근 효율성과 부트스트랩 신뢰구간의 시뮬레이션 연구도 제시.
• 피츠(1994): (14)를 기하 랜덤합의 분포함수로 보고 F̂_n을 플러그인, 함수로서의 ψ(·)을 함수공간에서 추정 — 무한차원 델타 방법으로 가우스 과정 극한과 부트스트랩 동시 신뢰띠.
• 폴리티스(2003): 시나리오 (a)에서 비파산확률 Z(·)=1−ψ(·)의 플러그인 추정 — 두 함수공간 설정(적률 존재 / 조정계수 존재)에서 점근 정규성·강일치성·부트스트랩 타당성.
• 프리스(Frees, 1986): (X_i, T_i) 쌍이 iid인 더 일반적 모형에서, 자료 순열로 만들 수 있는 표본경로 중 파산경로의 비율로 ψ(u)·유한시간 파산확률 ψ(u,T)를 추정(몬테카를로 절약판 포함) — 강일치성.
• 스파레 안데르센 모형에서는 GI/G/1 정상 대기시간 분포와의 대응을 통해 비모수 추정량(Pitts, 1994a)이 바로 ψ(·)의 추정을 준다.

8. 그 밖의 주제 Miscellaneous

지면상 다루지 못한 주제로 위험이론의 강건성(robustness), 퍼페추이티(영구연금형 할인합)·평균잔여수명의 추정 등이 있다. 여기 소개한 방법의 상당수는 적률생성함수가 원점 근방에서 존재한다는 — 즉 가벼운 꼬리 — 가정에 기댄다(조정계수의 정의 자체가 그렇다). 반면 몇 개의 적률만 요구하는 결과들도 있으며, 무거운 꼬리의 경우의 추정법과 파산확률의 점근행동은 극단값 문헌에서 다룬다. 끝으로, 여기서의 빈도주의 접근 대신 베이즈 통계의 철학을 채택하고 MCMC 등 그에 맞는 방법을 쓰는 중요한 대안이 있다.

참고 및 관련 표제어

부록. 이 글에 나온 용어 (배경지식 보충)

• 고전 위험모형 (classical risk model) — 포아송 도착 + iid 클레임 + 선형 보험료 수입의 잉여금 모형(크라메르–룬드베리 모형).
• 일치성 (consistency) — 표본이 커지면 추정량이 참값으로 수렴하는 성질(확률수렴=약, a.s.=강).
• 점근 정규성 (asymptotic normality) — √n(T_n−θ)의 분포가 정규로 수렴. 신뢰구간의 근거.
• 경험과정 (empirical process) — √n(F̂_n−F). 돈스커 정리로 가우스 과정에 수렴.
• 델타 방법 (delta method) — 추정량의 매끄러운 함수의 점근분포를 미분으로 구하는 도구.
• 플러그인 추정 (plug-in) — 공식 속 미지의 분포·모수 자리에 추정치를 꽂아 넣는 추정.
• 적률생성함수 (mgf) — M(s)=E[e^sX]. 경험판 M̂_n은 표본의 지수함수 평균.
• 조정계수 (adjustment coefficient) — 파산확률의 지수 감쇠율 R. 룬드베리 부등식의 지수.
• 평형분포 (equilibrium distribution) — F_I(x)=μ⁻¹∫(1−F)dy. 폴라첵–힌친 공식의 재료.
• 상대 안전할증 (relative safety loading) — ρ=(c−λμ)/λμ. 보험료의 기대클레임 대비 여유분.
• U-통계량 (U-statistic) — 표본의 부분집합들에 대한 대칭핵의 평균. 합성곱 F^*k 추정에 사용.
• 확률근사 (stochastic approximation) — 로빈스–먼로 점화식으로 방정식의 근을 확률적으로 찾는 알고리즘.
• 부트스트랩 (bootstrap) — 재표집으로 추정량 분포·신뢰구간을 얻는 방법. 함수공간판은 동시 신뢰띠를 준다.

한국보험시장 현황 Korea Market Practice

본문이 말한 "원재료(클레임 자료)에서 의사결정으로"의 추정 파이프라인은 한국에서 제도적으로 조직화되어 있다. 보험개발원이 업계 집적 데이터로 산출하는 경험생명표(제10회, 2024.4 적용)·경험위험률·참조순보험요율이 시장 공통의 추정치를 제공하고, 개별 회사는 자사 경험으로 이를 보정한다 — 자료가 충분한 담보는 자사 경험을, 부족한 담보는 업계 통계를 더 무겁게 쓰는 이 절충은 본문의 추정 이론이 신뢰도(credibility) 이론과 만나는 지점이며, 국내 위험률 산출 실무의 골격이다.

방법 면에서는 최우추정(MLE)이 표준이다. 심도분포(감마·로그정규·파레토)의 보정, 빈도분포(포아송·음이항)의 적합, GLM 요율 분석이 모두 우도 기반이고, 적률법은 초기값·간이 점검용으로 쓰인다. 국내 데이터의 특징은 절단·중도절단이 일상이라는 점 — 자기부담금 아래 손해는 관측되지 않고(좌측 절단) 보상한도를 넘는 손해는 한도액으로만 관측되므로(우측 중도절단), 우도함수를 관측 구조에 맞게 쓰는 것이 추정의 절반이다. 생존자료인 경험위험률 추정도 마찬가지다.

IFRS17·K-ICS는 추정의 지위를 회계·감독의 언어로 끌어올렸다. 최선추정(best estimate)은 "치우침 없는 확률가중 기대값"이라는 추정량의 성질을 회계 개념으로 만든 것이고, 추정의 불확실성은 위험조정(RA)과 요구자본이라는 별도의 숫자로 계량된다. 가정 변경의 손익 영향이 CSM 조정·당기손익으로 투명하게 드러나는 구조여서, 추정치 하나를 바꾸는 일의 무게가 과거 어느 때보다 무겁다 — 무·저해지 해지율 가정의 산출 원칙이 가이드라인(2024)으로 정비된 것도 추정 재량과 재무 영향의 긴장을 보여 준 사례다.