일반화선형모형준비금평가 (GLM Claims Reserving)
쉽게 풀면
일반화선형모형준비금평가는 손해진전삼각형의 각 칸을 "이 사고가 발생한 연도"와 "발생 이후 몇 번째 해인지"라는 두 가지 정보로 설명하는 통계모형을 세우는 방법입니다. 이렇게 모형을 만들어두면 아직 채워지지 않은 미래의 칸들을 예측해서 채울 수 있습니다. 전통적인 체인래더법도 사실 특정한 일반화선형모형의 한 특수한 경우로 볼 수 있습니다.
왜 중요한가
손해보험수리에서 일반화선형모형준비금평가는 체인래더법 같은 전통적 결정론적 기법을 통계적 프레임워크 안에 통합시켜, 신뢰구간이나 유의성 검정 등 확률적 추론 도구를 함께 쓸 수 있게 해줍니다. 이 때문에 확률적손해준비금평가의 대표적 방법 중 하나로 다뤄집니다. 사고연도·진전연도 외에 요율산정처럼 추가 설명변수(담보종별, 지역 등)를 손쉽게 모형에 포함할 수 있어, 다양한 세분화 기준에 따른 준비금 산출이 필요한 실무에서 활용도가 높습니다.
논문에서는 이렇게 쓰입니다
모형화에 사용하는 확률분포 가정을 설명하는 예입니다.
기존 방법과의 관계 및 이점을 설명하는 맥락입니다.
조금 더 깊게 보면
대표적으로 과분산 포아송(over-dispersed Poisson) 분포를 오차구조로 사용하는 모형이 체인래더법과 동일한 점추정치를 내는 것으로 알려져 있습니다. 사고연도, 진전연도를 요인(factor)으로 하는 로그 링크함수 모형이 흔히 사용되며, 필요에 따라 달력연도 효과 등을 추가로 반영하기도 합니다. 사고연도와 발전연도를 설명변수로 하는 과산포 포아송 GLM은 전통적 체인래더법과 점추정치가 수학적으로 동일하다는 점이 알려져 있어, 체인래더법에 통계적 추론 틀을 입히는 표준적 방법으로 자리 잡았습니다. 필요에 따라 달력연도 효과나 추세 변수를 추가해 전통적 체인래더법이 다루지 못하는 패턴도 반영할 수 있습니다. GLM을 이용한 준비금 산정은 사고연도와 진전연도를 설명변수로 하는 회귀모형을 구성해 체인래더의 결과를 재현하면서도 오차 구조를 명시적으로 가정할 수 있다는 장점이 있습니다.
주의할 점
선택한 오차분포와 링크함수 가정이 실제 데이터의 특성과 맞지 않으면 추정 결과가 왜곡될 수 있어, 모형 적합도 검증이 필요합니다.
과산포 모수를 잘못 추정하면 점추정치는 그대로여도 예측구간의 폭이 지나치게 좁거나 넓게 산출될 수 있습니다. 또한 GLM 기반 준비금 평가는 삼각형 데이터가 충분히 길고 안정적이어야 신뢰할 만한 모수 추정이 가능하므로, 데이터가 짧은 신설 종목에는 적용이 제한적일 수 있습니다.