개별 청구 일괄 예측을 위한 원샷 체인래더 방법

본 논문은 개별 청구 수준에서 손실을 예측하기 위한 새로운 방법론을 제시한다. 전통적인 체인래더(Chain‑Ladder, CL) 방법은 집계된 누적 지급액을 기반으로 개발 단계별 비율(factor)을 추정하고, 이를 순차적으로 곱해 최종 손실을 예측한다. 그러나 이러한 “한 단계씩 전진” 방식은 개별 청구에 적용할 경우 데이터가 희소하고, 머신러닝 모델이 요구하는 연속적인 입력 형태와 맞지 않아 실무 적용에 한계가 있었다. 저자들은 Richman‑Wüthrich(2026)에서 제안한 아이디어를 확장하여, CL에서 사용되는 ‘grossing‑up factor’ 즉, PtU(Projection‑to‑Ultimate) 요인을 직접 한 번에 추정하는 ‘원샷’ 접근법을 제안한다. 이 요인은 특정 개발 기간까지 관측된 누적 지급액을 바로 최종 손실로 확대하는 비율이며, Lorenz‑Schmidt(1999)에서도 동일한 형태가 제시된 바 있다. 논문은 이 결과를 인정하면서, 현대 머신러닝 환경에서 PtU 요인을 직접 추정하는 것이 데이터 재구성과 모델링에 유리하다고 주장한다. 논문은 크게 다음과 같은 흐름으로 전개된다. 1. **CL 재검토 및 PtU 요인 정의** - CL 요인 f_j 를 기존 방식대로 추정하고, 이를 누적 곱해 PtU 요인 F_j 를 정의한다. - PtU 요인을 이용하면 C_{i,J}=C_{i,I‑i}·F_{I‑i} 로 한 번에 최종 손실을 예측할 수 있다. 2. **RBNS와 IBNR 청구 구분** - 보고‑미결(RBNS) 청구와 보고‑미보고(IBNR) 청구를 명확히 구분한다. - PtU 요인은 동일 코호트(예: 같은 사고 연도와 개발 기간) 내에서만 추정해 편향을 최소화한다. 3. **원샷 PtU 추정 알고리즘 (Algorithm 3)** - 각 사고‑개발 기간 조합에 대해 선형 회귀 모델을 학습한다. - 입력 변수는 누적 지급액, 사고 연도, 청구 상태, 발생 정보 등이며, 회귀식의 계수를 PtU 요인으로 사용한다. - 모델은 인터셉트 없이 강제 원점 통과 형태로 설계해, 비율 특성을 유지한다. 4. **실증 연구** - 실제 손해보험 데이터를 이용해 네 가지 모델을 비교한다. a) 선형 회귀 기반 원샷 예측 (기본 모델) b) 부트스트랩을 통한 불확실성 평가 (개별 청구 히스토리 부트스트랩) c) 다층 퍼셉트론·CNN 등 신경망 모델 d) 트랜스포머 기반 시계열 모델 (마코프 가정 완화) - 결과: 선형 회귀가 가장 높은 예측 정확도와 가장 낮은 계산 비용을 보였으며, 신경망과 트랜스포머는 소규모 데이터에서 과적합 및 학습 불안정을 나타냈다. 특히 트랜스포머는 전체 히스토리를 입력했음에도 불구하고 성능 향상이 미미했다. 5. **IBNR 청구 처리** - RBNS 청구에서 추정된 PtU 요인을 이용해 IBNR 청구의 최종 손실을 간단히 예측한다. - 이는 복잡한 교차분류 포아송 모델을 대체할 수 있는 실용적 대안으로 제시된다. 6. **계산 복잡성 및 실무 적용** - “한 모델당 사고‑개발 기간”이라는 개념을 도입해, 각 PtU 요인을 별도 회귀로 추정함으로써 병렬 처리와 메모리 효율성을 확보한다. - 선형 회귀는 폐쇄형 해를 제공하므로, 대규모 데이터에서도 실시간 예측이 가능하다. 7. **피드백 및 토론** - 논문 초안에 대한 학계·실무 피드백을 광범위하게 수집하고, 주요 의견(예: 기존 grossing‑up 방법의 재평가, GLM 기반 접근, 모델 복잡도와 실용성 등)을 논의한다. - 특히, 기존 체인래더의 강인함과 해석 가능성을 유지하면서 마이크로 레벨 데이터의 풍부한 정보를 활용할 수 있다는 점을 강조한다. 결론적으로, 저자들은 개별 청구 수준에서 PtU 요인을 직접 추정하는 원샷 체인래더가 기존의 복잡하고 계산량이 큰 시뮬레이션 기반 접근법을 대체할 수 있음을 실증적으로 보여준다. 선형 회귀 모델만으로도 충분히 높은 예측력을 확보할 수 있으며, 필요에 따라 부트스트랩을 통한 불확실성 추정이나, 보다 복잡한 딥러닝 모델을 보조적으로 활용할 수 있다. 향후 연구는 대규모 데이터셋에서 트랜스포머와 같은 고급 모델의 성능을 재검증하고, IBNR와 RBNS를 동시에 추정하는 통합 회귀 프레임워크를 개발하는 방향으로 진행될 예정이다.