일반화 선형 모델과 클러스터링 방법을 결합한 보험료 예측

Abstract

보험 상품은 이러한 보험 손실액의 함수로 표현되고, 그 평균으로 고객이 지불할 보험료의 가격이 책정된다. 일반적으로 보험 손실액의 추정은 평균 모수만을 사용하였다. 예를 들어, 보상 한도가 있는 보험의 경우 정해진 한도와 손실액의 최솟값으로 표현할 수 있다. 하지만 보험 상품의 가격 추정 문제는 단순히 평균 모수 뿐만 아닌, 분포 자체의 영향도 고려해야한다. 이를 통계적으로 해결하는 가장 보편적인 방법은 일반화 선형 모형(Generalized Linear Model)을 이용해 분포를 추정하는 것이지만, GLM을 사용할 시 보험 상품은 너무 많은 보험 등급으로 나뉘게 된다. 이는 소비자들에게 복잡하게 느껴질 뿐만 아니라 금융감독 당국이 군집 수를 제한하고 있기 때문에 현실적으로 사용하기 어렵다는 제약이 있다. 이러한 문제를 해결하기 위해 군집화를 적용한 이후, 각 군집에 대해 GLM을 적용하는 방식을 제안하고자 한다. 이를 통해 보험 상품의 더 간편하게 만들어 현장에서의 활용 가능성을 탐색하고, 이를 기존의 GLM 결과와 비교함으로써 제안한 방법이 효과적인지 확인해보고자 한다. 주어진 통계적 방법론은 실제 보험 데이터를 통해 그 우수성을 검증한다. ;Insurance products are expressed as a function of these losses, and the average is used to price the premiums that customers will pay. Typically, the estimation of insurance losses is done using only average parameters. For example, a policy with a coverage limit can be represented by a set limit and a minimum value of the loss. However, the problem of estimating the price of an insurance product is not just about the mean parameter, but also about the influence of the distribution itself. The most common way to solve this statistically is to use a generalized linear model to estimate the distribution, but GLMs result in too many insurance classes. This is not only complicated for consumers, but also impractical because financial regulators limit the number of clusters. To solve these problems, we propose to apply clustering and then apply GLM to each cluster. By doing so, we explore the possibility of making insurance products easier to use in the field and compare the results with the existing GLM results to see if the proposed method is effective. The proposed statistical methodology is validated with real insurance data.