일반화파레토분포 (Generalized Pareto Distribution)
쉽게 풀면
어떤 기준선(임계값)을 넘는 큰 사고들만 따로 모아보면, 그 값들이 어떤 패턴을 보이는지 알고 싶을 때가 있습니다. 일반화파레토분포는 이런 "기준선을 넘은 값들"이 어떤 모양으로 분포하는지를 수학적으로 설명해주는 도구입니다. 통계학적으로 증명된 성질 덕분에, 임계값이 충분히 크다면 대부분의 확률분포에서 초과분이 이 분포에 가깝게 근사된다는 특징이 있습니다.
왜 중요한가
손해보험수리에서 대형 손해나 재해성 손해처럼 꼬리 부분이 두꺼운(fat-tailed) 데이터를 다룰 때, 일반화파레토분포는 극단적인 손해의 크기와 발생 확률을 추정하는 표준적인 도구로 자리잡고 있습니다. 재보험 가격 산정이나 위험 자본 산출에서도 핵심적으로 활용됩니다.
논문에서는 이렇게 쓰입니다
일반화파레토분포를 실제 데이터에 적용하는 절차를 보여주는 예입니다.
극단적 손해 추정치를 실무에 활용하는 맥락을 보여주는 예입니다.
조금 더 깊게 보면
일반화파레토분포는 형상모수(shape parameter)와 척도모수(scale parameter)로 정의되며, 형상모수의 값에 따라 꼬리의 두께가 달라집니다. 보험극단값이론의 봉우리초과법(peaks-over-threshold)에서 임계값을 넘는 초과분의 분포로 흔히 채택되며, 임계값 선택이 모수 추정의 안정성에 큰 영향을 미칩니다. 일반화파레토분포는 형상모수의 값에 따라 지수분포, 파레토분포, 유계분포의 성질을 모두 포괄할 수 있는 유연한 분포족이며, 특히 형상모수가 양수일 때 두꺼운 꼬리를 가져 대형 손해를 설명하는 데 자주 활용됩니다. 임계값 초과법에서 초과분에 이 분포를 적합시키는 것이 표준적인 활용 방식입니다. 형상모수, 척도모수의 추정에는 최대우도추정법 외에 모멘트법이나 확률가중모멘트법도 함께 활용됩니다.
주의할 점
임계값을 너무 낮게 잡으면 근사가 부정확해지고, 너무 높게 잡으면 사용 가능한 데이터가 줄어 추정이 불안정해지는 상충 관계가 있어 신중한 선택이 필요합니다.
형상모수 추정치가 조금만 달라져도 초고분위수에서의 손해 추정치가 크게 바뀔 수 있어, 모수 추정의 불확실성을 함께 보고하는 것이 바람직합니다.