[논문 리뷰] A Deep Learning-Copula Framework for Climate-Related Home Insurance Risk

Asim Kumer Dey|arXiv (Cornell University)|2026. 01. 17.

Agricultural risk and resilience인용 수 0

한 줄 요약

이 논문은 강우 데이터로 주간 주택 보험 청구를 예측하기 위한 딥 뉴럴 네트워크를 six climate-model projections 기반의 copula 앙상블과 결합하여 두 개의 캐나다 프레리 도시에서 미래 청구의 다변량 꼬리 위험을 평가합니다.

ABSTRACT

Extreme weather events are becoming more common, with severe storms, floods, and prolonged precipitation affecting communities worldwide. These shifts in climate patterns pose a direct threat to the insurance industry, which faces growing exposure to weather-related damages. As claims linked to extreme weather rise, insurance companies need reliable tools to assess future risks. This is not only essential for setting premiums and maintaining solvency but also for supporting broader disaster preparedness and resilience efforts. In this study, we propose a two-step method to examine the impact of precipitation on home insurance claims. Our approach combines the predictive power of deep neural networks with the flexibility of copula-based multivariate analysis, enabling a more detailed understanding of how precipitation patterns relate to claim dynamics. We demonstrate this methodology through a case study of the Canadian Prairies, using data from 2002 to 2011.

연구 동기 및 목표

• 기후 변화 패턴 속에서 보험 산업이 기후 주도 주거 청구 위험을 정량화해야 할 필요성에 대한 동기 부여.
• 딥 러닝과 copula 기반 다변 분석을 결합한 2단계 프레임워크를 개발하여 미래 청구 동향을 평가.
• probabilistic ensemble을 통해 다중 기후 모델 프로젝션의 불확실성 반영.
• 기후 시나리오하에서 위험 관리, 가격 책정, 회복력 계획에 정보 제공.

제안 방법

• 주 1주간 청구 수를 강수 예측 변수와 그 래그의 함수로 모델링하기 위해 3개의 은닉층을 가진 딥 뉴럴 네트워크(Relu, 각 층 64 유닛) 학습.
• 과적합을 완화하기 위해 네트워크에 L2 패널티 및 Dropout(비율 0.2) 적용.
• 2021–2030년의 주간 청구를 6개 기후 모델 프로젝션으로 예측하고 6개의 예측 청구 시퀀스를 얻음.
• 6개 프로젝션 간의 의존성을 Gumbel copula를 통해 6변수 분포로 모델링하여 다변량 꼬리 위험 지표를 형성.
• 한계 청구 수는 음이항 분포의 형태 I로 모형화하고, 결합 분포는 Gumbel copula로 구성하며, 꼬리 확률 Φ(z)=P(Y1>z,...,Y6>z)로 위험 지표를 제공.
• 향후 꼬리 위험은 컨트롤 기간에 비해 증가하며, City B가 더 높은 꼬리 위험을 보임.

(a) City A

실험 결과

연구 질문

• RQ1 강수량 주도 패턴을 활용해 딥 러닝 모델로 주간 주택 보험 청구를 예측할 수 있는가?
• RQ2 여러 기후 모델 프로젝션을 통합해 기후 주도 주택 보험 위험의 통합 평가를 형성할 수 있는가?
• RQ3 copula 기반 다변량 모델링이 미래 청구 폭발의 꼬리 위험 평가에 어떤 영향을 미치는가?
• RQ4 2021–2030 기후 시나리오에서 두 캐나다 프레리 도시 간 예측 청구 분포 차이는 무엇인가?

주요 결과

모델	예측변수	RMSE
Model 1	X_t, X_{t-1}, X_{t-2}	0.454
Model 2	X_t, X_{t-1}, D_t	0.463
Model 3	X_t, X_{t-1}, X_{t-2}, D_t	0.453
Model 4	X_t, X_{t-1}, X_{t-2}, D_t, D_{t-1}	0.456
Model 1	X_t, X_{t-1}, X_{t-2}	0.470
Model 2	X_t, X_{t-1}, D_t	0.471
Model 3	X_t, X_{t-1}, X_{t-2}, D_t	0.467
Model 4	X_t, X_{t-1}, X_{t-2}, D_t, D_{t-1}	0.461

• 최적의 DNN 구성은 도시 및 예측자 세트에서 RMSE 값이 0.453–0.463으로 나타나 예측 성능이 경쟁적임을 시사한다.
• 2021–2030년의 주간 청구 예측은 여섯 가지 기후 모델 프로젝션을 반영한 분포를 보이며 City B가 City A보다 꼬리가 더 두꺼움.
• 여섯 가지 주변 분포는 음이항 분포 형태 I로 모형화되며 Gumbel copula와 결합되어 극단적 청구 위험에 대한 결합 꼬리 확률 Φ(z)를 산출한다.
• 추정된 copula 매개변수 θ는 City A에서 1.327(SE 0.024), City B에서 1.101(SE 0.012)로 두 도시 간 모델 프로젝션 간 의존 구조가 다름을 시사한다.
• 미래 꼬리 확률은 컨트롤 기간에 비해 증가하며, City B가 큰 주간 청구 수의 위험이 더 큼.
• 이 프레임워크는 City B가 기후 관련 보험 위험에 더 취약하며 강화된 계획 및 완화 전략이 필요할 수 있음을 시사한다.

(b) City B