모수위험 (Parameter Risk)
쉽게 풀면
보험계리사가 사고 건수나 손해액을 예측하기 위해 특정 확률분포(예: 포아송분포)를 가정하고, 그 분포의 평균이나 분산 같은 숫자(모수)를 과거 데이터로 추정합니다. 문제는 그 추정값이 항상 정확하지는 않다는 점입니다. 예를 들어 주사위가 정말 공평한지 모른 채 100번만 던져서 확률을 추정하면, 그 추정값 자체에 오차가 남아 있는 것과 비슷합니다. 이렇게 모형은 맞게 골랐어도 그 안에 들어가는 숫자를 잘못 추정해서 생기는 위험이 바로 모수위험입니다. 데이터가 적을수록, 혹은 관측 기간이 짧을수록 이 위험은 커지는 경향이 있습니다.
왜 중요한가
보험료 산정이나 준비금 적립은 모수 추정값에 크게 의존하기 때문에, 모수위험을 과소평가하면 보험사가 실제 손해를 감당하지 못할 수 있습니다. 그래서 계리학 논문에서는 모수위험을 과정위험과 구분해 각각의 크기를 정량화하고, 신뢰도 이론이나 베이지안 기법으로 이를 반영하는 방법을 다룹니다. 자본 적정성 평가와 지급여력 규제(예: 위험기준자기자본 산출)에서도 핵심 고려요소로 취급됩니다.
논문에서는 이렇게 쓰입니다
전체 예측 불확실성 중 어디까지가 데이터 부족에서 오는 모수위험인지를 구분해 보여주는 예문입니다.
표본이 작을 때 모수위험이 커진다는 점과 이를 다루는 방법론을 함께 보여주는 예문입니다.
조금 더 깊게 보면
모수위험은 신뢰도 이론(credibility theory)에서 자주 다루어지며, 개별 계약자의 경험 데이터와 전체 집단의 데이터를 가중평균하는 방식으로 완화하기도 합니다. 베이지안 접근에서는 모수 자체를 확률변수로 보고 사후분포를 구해 불확실성을 명시적으로 표현합니다. 부트스트랩이나 시뮬레이션 기법으로 모수 추정값의 신뢰구간을 산출해 모수위험의 크기를 간접적으로 가늠하기도 합니다.
주의할 점
모수위험은 과정위험(process risk)과 자주 혼동되지만, 과정위험은 모형이 정확해도 확률적 변동 자체에서 오는 위험인 반면 모수위험은 모형에 들어가는 숫자 추정의 부정확성에서 옵니다. 두 위험을 구분하지 않으면 준비금이나 자본 산출 결과를 과소 또는 과대평가할 수 있습니다.