LSTM 기반 재산보험 손해 준비금 설정의 구조적 변동 탐지: 기후 정보 기반 접근법
LSTM-Based Detection of Structural Breaks in Property Insurance Loss Reserving: A Climate-Informed Approach
정확한 손해 준비금 설정은 보험사의 지급 능력의 기초가 되지만, 가속화되는 기후 변화로 인한 재난은 전통적인 보험수리 방법이 의존하는 안정성 가정을 체계적으로 위반합니다. 본 백서는 Long Short Term Memory (LSTM) 신경망이 Chain Ladder, Bornhuetter Ferguson, Cape Cod 방법보다 이러한 구조적 변동을 더 빠르고 정확하게 탐지하고 적응할 수 있는지를 테스트하는 연구 프로그램을 제시합니다. 플로리다와 루이지애나의 15년 이상의 규제 개발 삼각형 데이터를 사용하며, 여기에 NOAA 허리케인 강도 지수와 해수면 온도를 보강하여, 우리는 재난 노출 연도의 준비금 정확도에서 15~20%의 목표 개선을 가설로 설정합니다. 이 임계값은 기존 신경망 준비금 설정 문헌과 여기서 개발된 형식적 수렴 결과 모두에 근거합니다. 실증적 검증을 넘어, 우리는 LSTM 구조적 변동 탐지를 확률적 용어로 정립하는 이론적 프레임워크를 개발하여, 테스트 기간 동안 재난 사건의 수가 제한적이라는 점을 보상하는 형식적 성능 보장을 제공합니다. 우리는 연구 설계, 방법론, 기대되는 기여, 그리고 한계점에 대한 솔직한 평가를 문서화합니다.