부트스트랩준비금평가 (Bootstrap Reserving)
쉽게 풀면
실제로 겪은 사고 데이터는 한 세트뿐이지만, 부트스트랩은 그 데이터를 여러 번 살짝씩 다르게 재구성해서 마치 "이런 일이 벌어질 수도 있었다"는 가상의 시나리오들을 수천 개 만들어냅니다. 이 가상 시나리오마다 준비금을 계산하면, 하나의 숫자가 아니라 수천 개의 준비금 추정치가 쌓이고, 이를 통해 전체 분포 모양을 볼 수 있습니다.
왜 중요한가
손해보험수리에서 준비금의 신뢰구간이나 극단적 시나리오까지 파악하려면 전체 분포가 필요한데, 부트스트랩준비금평가는 특정 분포를 이론적으로 가정하지 않고도 시뮬레이션을 통해 이러한 분포를 얻을 수 있어 실무와 연구 양쪽에서 널리 쓰입니다.
논문에서는 이렇게 쓰입니다
반복 재표본추출로 분포를 만들어내는 절차를 보여주는 예입니다.
다른 확률적 방법론과의 결과 비교 맥락입니다.
조금 더 깊게 보면
일반적으로 일반화선형모형준비금평가나 체인래더법으로 얻은 잔차(residual)를 재표본추출한 뒤, 이를 다시 삼각형에 결합해 새로운 가상 데이터를 만드는 방식으로 진행됩니다. 여기에 추가로 프로세스 오차(process error)를 반영하기 위해 각 시뮬레이션 결과에 확률적 변동을 더하는 절차가 결합되기도 합니다. 부트스트랩 준비금 평가는 원래의 손해발전삼각형에서 얻은 잔차를 복원추출로 재표집해 수많은 가상의 삼각형을 만들고, 각 가상 삼각형마다 체인래더법을 다시 적용해 최종손해액의 전체 분포를 시뮬레이션으로 근사합니다. 이렇게 얻은 분포에서 원하는 신뢰수준의 준비금이나 위험마진을 직접 읽어낼 수 있습니다. 시뮬레이션 횟수를 충분히 늘리면 준비금의 분위수뿐 아니라 왜도 같은 분포의 형태적 특성까지 안정적으로 추정할 수 있습니다. 부트스트랩 준비금 산정은 체인래더 잔차를 복원추출로 재표본화해 다수의 가상 손해액 삼각형을 생성하고, 각각에 대해 준비금을 재산출함으로써 예측오차 분포를 경험적으로 추정합니다.
주의할 점
재표본추출 방식과 잔차의 정의에 따라 결과가 달라질 수 있으며, 원본 데이터의 관측치 수가 적으면 시뮬레이션 결과의 신뢰성이 떨어질 수 있습니다.
재표집에 사용하는 잔차가 독립적이고 동일한 분포를 따른다는 가정이 실제로 성립하지 않으면, 산출된 분포의 폭이 과소 또는 과대평가될 수 있습니다.