lossratio

장기 건강보험 손해율 분석·예측·모니터링 도구. Maturity 기반 단계 적응형(stage-adaptive: ED → CL) 손해율 예측 + Regime change 탐지(인수 정책 변경 등 코호트 축 구조 변화) + backtest 검증을 한 워크플로로 묶는다.

위 한 그림 — 패키지가 무엇을 하는지 한눈에:

• 🟦 used — 적합에 사용된 셀
• 🟥 holdout — backtest 검증용 대각셀
• ⬜ unused — regime / recent 필터로 제외된 영역
• 수직 dash선 — maturity $k^*$ (ED → CL 전환 경계)
• 수평 dash선 — regime $k^{**}$ (코호트 축 컷)

주요 기능

장기 건강보험은 코호트 안에서 클레임과 보험료가 오랜 기간 지속적으로 발생하고 신상품 출시·보험료 갱신·인수 정책 등 구조적 변화가 자주 일어난다. 이 사실이 손해율 예측을 어렵게 만든다.

도전 과제	lossratio 의 응답
초기 dev 의 ATA 인자가 너무 Noisy	fit_ratio(method = "sa") — maturity 이전엔 exposure-driven (ED), 이후엔 chain ladder (CL)
인수 기준 변경 등 구조적 변화	detect_regime() + loss_regime / premium_regime 인자 — 변화 이전 코호트를 자동으로 분리
“이 fit 이 얼마나 맞나?” 검증	backtest() — 최근 N 대각선을 빼고 적합한 뒤 actual 과 비교

세 component 가 한 figure 에서 동시에 작동하는 것을 위 그림이 보여준다.

설치

# pak (recommend)
pak::pak("seokhoonj/lossratio-r")

# or
remotes::install_github("seokhoonj/lossratio-r")

Quick Start

library(lossratio)
data(experience)           # 번들 합성 데이터 (4 coverages)

# 1) Triangle 구축 — long-format 데이터 → 코호트 × dev 구조
exp_surgery <- experience[coverage == "surgery"]
tri <- as_triangle(
  exp_surgery,
  groups    = "coverage",
  cohort    = "uy_m",
  calendar  = "cy_m",
  loss      = "incr_loss",
  premium   = "incr_premium",
  cell_type = "incremental"   # default; "cumulative" 면 누적 입력
)
plot(tri)

# 2) 손해율 적합 (default: ED — exposure-driven baseline.
#    코호트-anchored projection 원할 시 method = "cl" 또는 "sa")
ratio <- fit_ratio(tri)
summary(ratio)
plot_triangle(ratio)

# 3) 환경변화 (regime shift) 자동 탐지 — 인수 정책 변경 시점
detect_regime(tri, by = "coverage", method = "e_divisive")

# 4) backtest — 최근 6 대각선을 빼고 fit + actual 비교
bt <- backtest(tri, holdout = 6L, target = "ratio")  # target = "ratio" / "loss" / "premium"
plot(bt)
plot_triangle(bt)

핵심 API

함수	역할
as_triangle()	long-format 데이터 → Triangle (코호트 × dev)
fit_ratio(method = "ed" / "cl" / "sa")	손해율 적합 — 통합 인터페이스 (loss + premium 합성)
fit_loss() / fit_premium()	역할별 디스패처 — 단일 측 (SE / CI 포함)
fit_cl() / fit_ed()	단일 stage (chain ladder / exposure-driven)
fit_ata() / fit_intensity()	link 단계 진단 — 곱셈형 / 덧셈형
detect_maturity()	ATA 인자가 수렴하는 dev 위치
detect_regime()	코호트 축 구조적 변화 탐지
detect_convergence()	예측 손해율이 갱신을 멈추는 시점
backtest()	대각선 hold-out 으로 fit 검증 (target = ratio/loss/premium)
plot() / plot_triangle()	S3 generic — 객체 클래스로 dispatch

손해율 적합 방법

노출 기반(exposure-driven, ED) (default)

fit_ratio(method = "ed") (default) 또는 fit_ed(). 모든 손해 증분이 보험료(위험보험료)를 분모로 사용: $\Delta C^L = g_k \cdot C^P_k$. 무조건적 안전한 baseline – 성숙점 / regime 검출 의존 없음, 초기 dev 의 ATA 인자 변동에 강건.

언제 사용: baseline 으로. pooled intensity $g_k$ 는 코호트들이 단위 보험료 당 손해 수준에서 대체로 동질적이라고 가정 – 코호트-레벨 drift(약관 / 인수 정책 변경) 시 pooled 평균으로 편향, post-change 코호트를 over-project 가능. 명시적 필터는 regime 인자.

체인 래더(chain ladder, CL)

fit_ratio(method = "cl") 또는 fit_cl(). 고전 Mack (1993) 체인 래더 $C^L_{k+1} = f_k \cdot C^L_k$ + 해석적 표준오차. 코호트 자기 cum_loss 가 anchor 역할이므로 코호트-레벨 drift 가 자연스럽게 propagation – 명시적 regime 검출 불필요.

언제 사용: ATA 인자가 안정된 후. 특히 코호트-레벨 drift 시나리오에서 코호트의 관측 경로가 자동 anchor.

단계 적응형(stage-adaptive, SA)

fit_ratio(method = "sa"). 두 방법의 합성: 성숙점 이전은 ED, 이후는 CL. ED 의 초기 dev 안정성 + CL 의 후기 dev 코호트 anchoring 결합.

언제 사용: 장기-tail 포트폴리오 – 초기 dev 의 변동성(ED phase) + 후기 dev 의 코호트-레벨 drift(CL phase) 둘 다 처리.

Prior-anchored (BF / CC)

fit_loss(method = "bf") / fit_bf() 와 fit_loss(method = "cc") / fit_cc(). 두 방법 모두 예상 손해율 (ELR) 과 관측 손해를 결합한다: $\text{Ult} = L_{\text{latest}} + (1 - q) \cdot \text{ELR} \cdot E_{\text{ult}}$. Bornhuetter-Ferguson (1972) 는 ELR 을 외부 prior 로 받고, Cape Cod (Stanard 1985) 는 payout 가중으로 데이터에서 추정한다.

언제 사용: 미성숙 코호트 또는 요율 변경 직후 코호트 – 관측 데이터만으로 예측을 anchoring 하기에 너무 빈약할 때. 신뢰할 외부 prior 가 있으면 BF, 포트폴리오가 단일 코호트 응집 ELR 목표를 시사하면 CC.

입력 형식

long-format data.frame / data.table. 컬럼명은 자유 — as_triangle() 인자로 어떤 이름이든 넘기면 함수가 표준화함.

as_triangle() 인자	의미	예시
cohort	코호트 시점 (장기 health 는 보통 인수 시점 UY) (Date)	"uy_m", "uy"
calendar 또는 dev	달력 시점 (Date) 또는 경과 기간 (int)	"cy_m" / "dev_m"
loss	기간별 또는 누적 손해	"incr_loss" / "loss"
premium	기간별 또는 누적 보험료 (장기 health 는 위험보험료)	"incr_premium" / "premium"
groups (선택)	그룹 컬럼: 상품 / 담보 / 연령 / 성별 / 가입금액	"coverage"
cell_type (default)	loss / premium 값의 해석	"incremental" / "cumulative"

해석을 정하는 두 인자:

• cell_type — "incremental" (default) 또는 "cumulative". 일반적 raw experience 는 incremental; 이미 누적 합산된 데이터라면 cell_type = "cumulative" 로 넘기면 함수가 per-cohort diff 로 incremental 도 derive.
• grain — "auto" (default, cohort 날짜로부터 자동 감지) 또는 "M" / "Q" / "H" / "Y". 월별 / 분기별 / 반기별 / 연간 집계로 bin.

as_triangle() 가 스키마 검증 + 날짜 coerce + (calendar / dev 중 하나만 줬을 때) 나머지 축 derive + grain bin + cumulative / incremental 컬럼 + ratio / margin / profit 까지 한 번에 생성.

시각화

plot(tri)                                                  # 코호트 궤적
plot_triangle(tri)                                         # cell heatmap
plot_triangle(ratio, view = "value", region = "proj")      # 예측 영역 손해율
plot_triangle(ratio, view = "usage")                       # 맨 위 이미지와 동일 모드

plot_triangle() 의 두 인자가 직교:

• region — 어느 영역? "proj" / "full" / "data"
• view — 무엇을 보여줄지? "value" (metric) / "usage" (cell status)

더 자세히

vignette("getting-started",        package = "lossratio")
vignette("diagnostics",   package = "lossratio")
vignette("backtest",               package = "lossratio")
vignette("getting-started", package = "lossratio")
?fit_ratio
?detect_regime

또는 패키지 사이트.

Python sibling

Python 구현: lossratio — sklearn-style estimator (lr.Ratio().fit(tri)), polars 기반.

라이선스 / 저자

MPL-2.0. Seokhoon Joo (seokhoonj@gmail.com)