The Performance Evaluation on the General Procedure for Forecasting Mortality

이상일

추천

검색

자료유형: 학술저널

저자정보: 이상일

저널정보: 보험연구원 보험금융연구 보험금융연구 제27권 제1호

발행연도: 2016.1

수록면: 107 - 133 (27page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

This study investigates the forecasting ability of the general procedure(GP) using mortality data for South Korean males during 1983-2010. The GP was recently introduced to construct a stochastic mortality model by including every significant demographic feature in historical mortality data. We assess the GP via a comparison with seven existing stochastic mortality models, testing in-sample fit and out-of-sample prediction for three age groups: 1-79, 11-79, and 60-79. The results suggest that the GP consistently outperforms other models with regard to the Bayesian Information Criterion(BIC) and Mean Absolute Percentage Error (MAPE). This shows that the GP extracts optimal risk factors for the projections of age-specific mortality rates from mortality data. Furthermore, we examine predicted levels of uncertainty in forecasts at different ages and show how the risk can be hedged using q-forwards. This information is useful for pension providers or insurers to hedge future unexpected liabilities.

확률적 사망모형(stochastic mortality models)은 미래 사망률 예측에 널리 사용된다. 사망률 데이터 적합(fitting)을 위해 다양한 형태의 모형들이 제시됐지만, 범용성과 최적화 측면에서 한계를 지닌다. 최근에 소개된 일반적 과정(general procedure)은 사망률 데이터로부터 연령에 따른 모든 모수적 나이 함수(parametric age functions)를 단계적으로 추출하여 모델링하므로 기존의 한계를 극복할 수 있다. 이에 본 연구는 일반적 과정의 이러한 특징이 사망률 예측에 어떻게 구현되는지 살펴보고자 한다. 1983년부터 2010년까지 한국인의 사망률 통계를 이용해 일반적 과정과 널리 사용되는 7개의 확률적 사망모형의 표본 내 적합도(in-sample fit)와 표본 외 예측력(out-of-sample forecasting)을 비교 평가했다. 표본 내 적합도 검정은 베이지안 정보 기준(Bayesian information criterion)을, 표본 외 예측력 검정은 절대 평균오차 비율(mean absolute percentage error)을 이용했다. 세 개의 연령 집단(1~79세, 11~79세, 60~79세)에 대한 검정 결과는 일반적 과정의 우수한 수행력을 보여주었다. 이는 사망률 예측을 위해 필요한 최적 변수들이 일반적 과정의 단계적 분석에 의해 검출될 수 있고, 나이 함수에 대한 모수적 접근은 과적합(overfitting) 문제를 줄여 예측 결과의 신뢰성을 높일 수 있음을 보여준다. 추정된 모수적 나이함수와 그에 대응하는 비모수적 기간함수(nonparametric period functions), 코호트 효과(cohort effects)는 사회경제적 그리고 인구통계학적 의미를 내포하므로 사망률 추세를 이해하는 데 있어 중요하다. 또한, 일반적 과정의 다중 리스크 인자(multiple risk factors)는 연금, 보험시장에서 미래 사망률에 연관된 리스크를 추정하고 관리하는 데 유용하게 사용될 수 있다. 활용사례로 연금 시장에서 장수위험(longevity risk)을 살펴봤다. 즉 연금 지급자의 불확실한 미래부채(future liabilities)를 추정하여 q-선물(q-forwards)을 이용한 헤지(hedge) 전략을 논했다.

#일반적 과정 #확률적 사망 모형 #표본 외 예측력 #q-선물 #장수위험 #General Procedure #Stochastic Mortality Models #Forecasting Performance #Q-forwards #Longevity Risk

참고문헌 (30)

참고문헌 신청

Antolin, P. / 2007 / Longevity Risk and Private Pensions. OECD working papers on insurance and private pensions :2007

Barrieu, P. / 2012 / Understanding, modelling and managing longevity risk : key issues and main challenges / Scandinavian Actuarial Journal 2012(3):203~231

Bauer, D. / 2010 / On the pricing of longevity-linked securities / Insurance. Mathematics and Economics 46(1):139~149

Blake, D. / 2001 / Survivor Bonds: Helping to Hedge Mortality Risk / Journal of Risk and Insurance 68:339~348

Booth, H. / 2002 / Applying Lee-Carter under conditions of variable mortality decline / Population Studies 56:325~336

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이상일

소속기관 보험연구원

주요연구분야 사회과학 > 경영학

논문수 1 이용수 3

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (30)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

최근 본 자료

댓글(0)