Adaptive Insurance Reserving with CVaR-Constrained Reinforcement Learning under Macroeconomic Regimes
Created by
Haebom
Category
Empty
저자
Stella C. Dong
💡 개요
본 논문은 보험 손실 준비금 설정 문제를 유한 호라이즌 순차 결정 문제로 모델링하는 강화학습(RL) 프레임워크를 제안합니다. 제안된 방법론은 청구 개발 불확실성, 거시경제 스트레스, 솔벤시 규제를 고려하며, 특히 조건부 위험가치(CVaR)를 통해 꼬리 위험을 명시적으로 제어합니다. 이를 통해 기존 보험 계리적 방법론 대비 꼬리 위험 제어 능력을 향상시키고 솔벤시 위반을 줄이면서도 자본 효율성은 유지하는 성과를 보였습니다.
🔑 시사점 및 한계
•
보험 손실 준비금 설정에 강화학습을 적용하여 불확실성 및 규제 환경 하에서의 동적이고 위험에 민감한 의사결정 방식을 제시합니다.
•
CVaR 제약을 통해 꼬리 위험을 효과적으로 관리함으로써 보험사의 재무 건전성을 강화할 수 있음을 실증적으로 보여줍니다.
•
제안된 모델의 파라미터 캘리브레이션 및 거버넌스 고려사항은 실제 규제 프레임워크(Solvency II, ORSA) 하에서 모델 적용 가능성을 높입니다.
•
제안된 모델의 복잡성과 실제 구현 시 요구되는 전문성, 그리고 학습 데이터의 질과 양에 따른 성능 민감도가 한계점으로 작용할 수 있으며, 추가적인 검증 및 최적화 연구가 필요합니다.
