Skip to content
Published on

生命保険アクチュアリーモデル & 変額年金 2026 ディープダイブ:Lee-Carter、CBD、GMxB、K-ICS、IFRS 17 完全解説

🇰🇷KO🇺🇸EN🇯🇵JA
Split View필사 모드
Authors

2026年の生命保険を取り巻く三つの大変化

2026年の生命保険業界が直面する大きな潮流は三つある。第一に、IFRS 17(保険契約)が日本・韓国の双方で2023年に導入されてから3年が経過し、決算とEV算出の仕組みが根本から再編された。第二に、韓国金融委員会のK-ICS(新支払余力制度)が2024年フェーズ1に続き2026年フェーズ2が施行され、日本の金融庁はIAISのICS(保険資本基準)2.0を2025年から段階的に導入した。第三に、コロナ禍以降の死亡率改善トレンドが乱れ、Lee-Carter、CBD(Cairns-Blake-Dowd)など古典モデルの上に新たなキャリブレーションが必要になった。本稿はアクチュアリー・財務・リスク・商品担当者が2026年時点で押さえるべきモデル・資本・ヘッジ・商品を一気通貫で整理する。

生存関数と死亡率:基礎の数式を見直す

生命保険アクチュアリーの出発点は生存者数 l_x と死亡率 q_x である。l_x は仮想10万人コホートのうち x 歳まで生存している人数、q_x は x 歳の人が1年以内に死亡する確率である。両者は常に l_{x+1} = l_x \cdot (1 - q_x) で結びつく。連続時間モデルでは死亡力 \mu_x を用い、l_x = l_0 \exp(-\int_0^x \mu_t dt) と書く。韓国KMT 2021、日本JMT 2018、米SOAのRP-2014/MP-2021のような経験表はすべてこの二つの量を提供する。

死亡率改善(Mortality Improvement)が決定変数となった理由

年金・終身・変額年金など長寿リスクを内包する商品は、毎年一定割合で死亡率が改善するという前提に強く依存する。米SOAのRetirement Plans Experience Committee(RPEC)はRP-2014死亡表に続きMP-2014、MP-2017、MP-2021の改善スケールを発表してきた。韓国KIRI(保険研究院)も毎年改善率を公表している。2020-2022年のコロナ超過死亡で長期トレンドが乱れ、2026年時点では日韓双方でコロナ効果を反映するベイズ的再推定が進行中である。

Lee-Carterモデル:死亡率時系列の定番

LeeとCarterが1992年JASA論文で提案したモデルは、対数死亡率を log m_{x,t} = a_x + b_x \cdot k_t + e_{x,t} と分解する。ここで a_x は年齢別平均対数死亡率、b_x は年齢別感応度、k_t は時系列インデックスである。SVD(特異値分解)で b_x と k_t を推定し、k_t をARIMA(典型的にはドリフト付きランダムウォーク)で外挿して将来死亡率を予測する。

# lee_carter.py — numpy/pandas による実装(簡易版)
import numpy as np
import pandas as pd

def fit_lee_carter(mxt: pd.DataFrame):
    """
    mxt: 行=年齢(x)、列=年(t)、値=中央死亡率 m_{x,t}
    返り値: a_x, b_x, k_t(正規化: sum(b_x)=1, sum(k_t)=0)
    """
    log_m = np.log(mxt.values + 1e-12)
    a_x = log_m.mean(axis=1)
    Z = log_m - a_x[:, None]
    U, S, Vt = np.linalg.svd(Z, full_matrices=False)
    b_x = U[:, 0]
    k_t = S[0] * Vt[0, :]
    # 正規化
    norm = b_x.sum()
    b_x = b_x / norm
    k_t = k_t * norm
    k_t = k_t - k_t.mean()
    return (
        pd.Series(a_x, index=mxt.index, name='a_x'),
        pd.Series(b_x, index=mxt.index, name='b_x'),
        pd.Series(k_t, index=mxt.columns, name='k_t'),
    )

def forecast_k(k_t: pd.Series, horizon: int = 30):
    """
    k_t をドリフト付きランダムウォークで外挿。
    実務では statsmodels の ARIMA(0,1,0)+drift を推奨。
    """
    drift = (k_t.iloc[-1] - k_t.iloc[0]) / (len(k_t) - 1)
    future_t = np.arange(1, horizon + 1)
    return pd.Series(
        k_t.iloc[-1] + drift * future_t,
        index=range(int(k_t.index[-1]) + 1, int(k_t.index[-1]) + 1 + horizon),
        name='k_t_hat',
    )

# 使い方: mxt を KOSIS や HMD からダウンロードして fit_lee_carter に渡す。

Lee-Carterはシンプルだが大きな欠点が一つある。全年齢が同じ k_t で動くと仮定するためコホート効果を扱いにくい。

Cairns-Blake-Dowd(CBD):高齢死亡率に最適化された二量モデル

CBDモデルはCairns、Blake、Dowdが2006年に提案したロジット型モデルで、高齢(60歳以上)死亡率の分析に強い。logit\,q_{x,t} = k_t^{(1)} + (x - \bar{x}) \cdot k_t^{(2)} + e_{x,t} と書き、レベル k^{(1)} と年齢勾配 k^{(2)} の二つの時系列を多変量ランダムウォークでモデル化する。M5モデルと呼ばれ、M6(コホート追加)、M7(二次項)、M8(高齢平坦化)が標準的な拡張である。

# cbd_m5.py — CBD M5 モデルの推定
import numpy as np
import pandas as pd
from scipy.special import logit

def fit_cbd_m5(qxt: pd.DataFrame):
    """
    qxt: 行=年齢(60~89歳推奨)、列=年、値=q_{x,t}
    返り値: k1_t, k2_t
    """
    ages = qxt.index.values.astype(float)
    x_bar = ages.mean()
    Y = logit(qxt.values)  # shape (n_ages, n_years)
    X = np.column_stack([np.ones_like(ages), ages - x_bar])  # (n_ages, 2)
    # 年ごとの OLS: Y[:, t] = X @ [k1_t, k2_t]
    XtX_inv = np.linalg.inv(X.T @ X)
    K = XtX_inv @ X.T @ Y  # shape (2, n_years)
    return (
        pd.Series(K[0], index=qxt.columns, name='k1_t'),
        pd.Series(K[1], index=qxt.columns, name='k2_t'),
    )

def simulate_cbd_paths(k1: pd.Series, k2: pd.Series, n_sims: int, horizon: int, seed: int = 7):
    rng = np.random.default_rng(seed)
    dk1 = np.diff(k1.values)
    dk2 = np.diff(k2.values)
    mu = np.array([dk1.mean(), dk2.mean()])
    cov = np.cov(np.vstack([dk1, dk2]))
    paths = np.zeros((n_sims, horizon, 2))
    start = np.array([k1.iloc[-1], k2.iloc[-1]])
    for s in range(n_sims):
        eps = rng.multivariate_normal(mu, cov, size=horizon)
        paths[s] = start + np.cumsum(eps, axis=0)
    return paths  # shape (n_sims, horizon, 2)

CBDはLee-Carterに比べ統計的発散が小さく高齢での当てはめが良いため、IAAやOECDが年金評価に推奨するモデルである。

Heligman-Pollard:単年度死亡率カーブの古典

HeligmanとPollardが1980年に提案した8パラメータモデルは、単年度 q_x を乳児死亡、青年事故ハンプ、老年指数増加の三成分に分解する。q_x / p_x = A^{(x+B)^C} + D \cdot \exp(-E (\log x - \log F)^2) + G H^x の形をとる。韓国K-EX(韓国経験表)や日本JLT(生命表)を平滑化する際の標準ツールで、scipy.optimize.curve_fitによる非線形最小二乗で当てはめる。

Heligman-Pollard 当てはめコード

# heligman_pollard.py
import numpy as np
from scipy.optimize import curve_fit

def hp8(x, A, B, C, D, E, F, G, H):
    term1 = A ** ((x + B) ** C)
    term2 = D * np.exp(-E * (np.log(x + 1e-9) - np.log(F)) ** 2)
    term3 = (G * H ** x) / (1 + G * H ** x)
    return term1 + term2 + term3

def fit_hp(ages: np.ndarray, qx: np.ndarray):
    p0 = [0.0005, 0.02, 0.1, 0.001, 8.0, 22.0, 5e-5, 1.1]
    bounds = (
        [1e-6, 0, 0, 0, 0, 10, 1e-8, 1.0],
        [1e-2, 1, 1, 1e-1, 30, 40, 1e-2, 1.2],
    )
    popt, pcov = curve_fit(hp8, ages, qx, p0=p0, bounds=bounds, maxfev=20000)
    return dict(zip(list('ABCDEFGH'), popt)), pcov

保険料算定の基本:一時払終身と定期保険の価格

伝統的アクチュアリーでは1単位死亡保険金保障の一時払純保険料を A_x = \sum_{k=0}^{\omega - x - 1} v^{k+1} \cdot _kp_x \cdot q_{x+k} と書く(v = 1/(1+i) は割引係数、_kp_x は k 年生存確率)。終身保険は \omega - x まで、n年定期はnまで合計する。日韓の標準利率はいずれも2010年代に3%超から1%未満へと低下し、2024年以降は2%前後まで戻ってきている。

責任準備金:FAS 60/97/120 vs IFRS 17 の本質的相違

米国GAAPは商品種別ごとにFAS 60(伝統的終身・定期)、FAS 97(ユニバーサル・変額)、FAS 120(配当付終身)と異なる会計ルールを適用する。IFRS 17はすべての保険契約を一般測定モデル(GMM)、変動報酬アプローチ(VFA)、保険料配分アプローチ(PAA)の三つに統合する。要点はビルディング・ブロック・アプローチが履行キャッシュフロー(FCF=BEL最良見積負債+RAリスク調整)と契約サービスマージン(CSM)を明示的に分離する点にある。

IFRS 17 契約サービスマージン(CSM)の意味

CSMは保険契約から生じる将来利益を保障期間にわたって均等に認識するための負債である。契約時に利益が一度に落ちず、CSMに積み立てられて毎年保障単位に比例して取り崩される。韓国ビッグ3(サムスン生命・ハンファ生命・教保生命)は2023年決算からIFRS 17に移行し、CSM残高を営業利益の先行指標として開示している。

# ifrs17_csm_release.py — CSM 取り崩しの簡易シミュレーション
import numpy as np

def csm_release(initial_csm: float, coverage_units: np.ndarray, discount_rate: float):
    """
    initial_csm: 契約時点の CSM 残高
    coverage_units: 年度別保障単位(例: 保険金額)
    discount_rate: ロックイン割引率(IFRS 17 B72)
    """
    n = len(coverage_units)
    csm_balance = np.zeros(n + 1)
    csm_balance[0] = initial_csm
    release = np.zeros(n)
    for t in range(n):
        accrued = csm_balance[t] * (1 + discount_rate)
        remaining_cu = coverage_units[t:].sum()
        rel = accrued * (coverage_units[t] / remaining_cu)
        release[t] = rel
        csm_balance[t + 1] = accrued - rel
    return release, csm_balance

# 利用: release[t] は t 年度の保険サービス成果として認識される利益。

変額保険(VA)とは何か

変額保険は保険料の一部をファンドに投資し、その運用成果によって死亡保険金や解約返戻金が変動する商品である。韓国では1990年代後半に導入され2000年代初頭に変額ユニバーサルが急成長した。日本では2000年代初頭に外貨建変額(終身・年金)が大きな市場を形成した。原則として特別勘定(分離勘定)で運用され、保険会社の一般勘定からは隔離される。

GMxB:最低保証の種類と本質

VAの核心は最低保証(GMxB)である。GMDB(死亡保証)、GMAB(満期保証)、GMIB(年金保証)、GMWB(引出保証)、GMMB(満期最低保証)に分類される。契約者は市場下落でも元本または一定の引出額が保証される。経済的に見れば保険会社が長期プットオプションを売っているのと同じ構造である。2008年のAIGファイナンシャル・プロダクツ・グループの変額年金危機は、このプットを動的ヘッジで適切に管理できなかった結果である。

GMxB のヘッジ:グリーク基盤の動的ヘッジ

VAの保証は本質的に長期プットなので、Black-Scholesグリーク——デルタ(株価変動)、ベガ(ボラティリティ)、ロー(金利)、ガンマ(デルタの変化率)——を毎日測定し、市場でヘッジ資産(株式先物、バリアンス・スワップ、金利スワップ)を取引する。韓国のサムスン・ハンファ・教保、日本の第一・明治安田・住友・東京海上日動あんしんはいずれも専門のALM・ヘッジデスクを置いている。

# va_gmdb_delta.py — GMDB デルタ近似
import numpy as np
from scipy.stats import norm

def gmdb_pv_and_delta(
    s0: float, k: float, r: float, q: float, sigma: float,
    t_years: float, mortality_prob: float
):
    """
    非常に単純化: GMDB を満期 T 年のプットオプションで近似し、
    mortality_prob を掛けて期待支払の現価を出す。
    実務の GMDB は死亡時点別の加重プット積分が必要。
    """
    d1 = (np.log(s0 / k) + (r - q + 0.5 * sigma ** 2) * t_years) / (sigma * np.sqrt(t_years))
    d2 = d1 - sigma * np.sqrt(t_years)
    put = k * np.exp(-r * t_years) * norm.cdf(-d2) - s0 * np.exp(-q * t_years) * norm.cdf(-d1)
    delta_put = -np.exp(-q * t_years) * norm.cdf(-d1)
    pv = put * mortality_prob
    delta = delta_put * mortality_prob
    return pv, delta

AIG 2008:変額年金が会社一つを倒しかけた事件

AIGは2000年代初頭にGMDB・GMIB特約を積極販売し、プットオプション負債を蓄積していった。2008年の市場急落で負債は爆発的に拡大し、同グループ内のCDSとMBSの損失と相まって流動性危機に発展した。FRBは850億ドルの緊急融資で食い止めた。教訓は二つ。第一に、VAの保証は長期かつ深いOTMプットであり、通常のオプションよりヘッジ誤差が大きい。第二に、統計的死亡率前提と市場リスクは分離して測る必要がある。

EIA(指数連動年金):米国で大きな市場、韓国は変額ユニバーサル

Equity-Indexed AnnuityはS&P 500などの指数収益率をキャップ(上限)とフロア(下限)で加工し積立金に付与する商品である。保険会社は債券+コールオプションの組成で資産を運用する。韓国にはピュアなEIAは少ないが、変額ユニバーサルのファンド選択肢としてインデックスファンドを提供する形で類似のエクスポージャを取れる。米国ではRILA(Registered Index-Linked Annuity)が2020年代後半に爆発成長した。

日本の変額保険の復活:外貨建と信託型

日本の変額保険は1990年代後半の日経急落で一度頓挫した後、2010年代後半から外貨建(米ドル・豪ドル)で復活した。第一フロンティア、メットライフ、AIG ソロモンが主力販売者である。2026年時点、低金利と円安の定着のもと、外貨建変額年金はリタイア層資産の中核選択肢となっている。一方、為替変動・解約手数料・複雑性のため金融庁は2023年から販売適合性ガイダンスを強化している。

韓国における変額保険の不完全販売問題

韓国では2010年代初頭に変額ユニバーサルの不完全販売が社会問題化した。契約者がファンドの運用報酬や解約返戻金の構造を十分理解しないまま加入したケースが多かった。金融監督院は2018年に販売適合性原則を強化し、2023年のIFRS 17導入以降は事業費開示も義務化した。2026年時点の変額新契約は回復基調だが、平均加入金額は減少し、加入者の年齢層は若返っている。

EV(エンベディッド・バリュー)とVIF:保険会社評価の標準

EV = ANW(調整純資産)+ VIF(保有契約価値)。VIFは保有契約から将来発生する税引後キャッシュフローの現在価値である。CFOフォーラムのMCEV(市場整合EV)プリンシプルが世界標準で、韓国ビッグ3と日本の大手は毎年EVレポートを公表する。IFRS 17導入後はCSMとEVの関係が新たな論点になっている——CSMは会計基準上の将来利益負債、VIFは経済価値評価であり、両者は完全には一致しない。

ソルベンシーII:欧州が作った資本規制の原典

Solvency IIはEUが2016年に施行した保険資本規制で、Pillar 1(定量的資本要件)、Pillar 2(ガバナンス・ORSA)、Pillar 3(開示)の三層構造である。Pillar 1は99.5% VaRベースのSCR(Solvency Capital Requirement)を計算し、保有自己資本がSCRを上回らねばならない。市場リスク、保険リスク、オペレーショナルリスク、取引相手リスクをモジュール別に測り、相関行列で合成する。

K-ICS:韓国新支払余力制度の構造

韓国K-ICSは2024年フェーズ1、2026年フェーズ2で完全導入された。支払余力比率=使用可能資本/要求資本で、100%以上の維持が義務である。Solvency II同様に99.5% VaRを使い、市場・保険・オペレーショナル・信用・集中リスクのモジュールを適用する。ただし韓国特有の変額・ユニバーサル比重を反映して保険リスクのサブモジュールがより細かい。2025年末の市場平均はサムスン生命が200%台後半、ハンファ・教保が200%前後、中小社は150%付近である。

ICS 2.0:IAISが作る国際資本基準

IAISのICS(Insurance Capital Standard)2.0はIAIG(国際活動保険グループ)に適用されるグループ資本基準である。5年のモニタリング期間を経て2025年から本格施行され、日本・カナダ・オーストラリアが導入国となっている。韓国はオブザーバー段階だが、IFRS 17とともにK-ICSをICSと整合させる方向で調整されている。

ソルベンシーII vs K-ICS vs ICS 比較表

項目ソルベンシーIIK-ICSICS 2.0
施行2016 EU2024(P1)/ 2026(P2) KR2025 IAIS
信頼水準99.5% VaR99.5% VaR99.5% VaR
期間1年1年1年
グループ vs ソロソロ+グループソロ中心グループ専用
評価基準市場整合市場整合市場整合(MAV)
変額の扱いVFA類似分離勘定+保証リスクVFA整合
割引調整UFR + VA + MAUFR+韓国版調整OCIR

日韓死亡表とSOAの比較:KMT、JMT、SOA

韓国はKIDI(保険開発院)がKMT 2021を最新公式経験表として発表した。日本は日本アクチュアリー会(JILA)がJMT 2018を利用する。米SOAは年金用にRP-2014/MP-2021を発表している。一般に日本が最長寿、続いて韓国、最後に米国の順で平均余命が短い。2026年時点のOECD平均は男性80歳、女性86歳で、韓国は男性81.4歳・女性87.5歳、日本は男性81.6歳・女性88.0歳前後である。

ILS(保険連動証券)とロンジェビティ・ボンド

ILSは保険リスクを資本市場に移転する証券である。CATボンド(自然災害)が最大で、ロンジェビティ・ボンド(長寿リスク)は市場はまだ小さいがOECDとG20が標準化を推進中である。2010年にSwiss Re Kortis Capitalが初の上場ロンジェビティ・ボンドを発行し、2020年代に入りSCOR、RGA、ミュンヘン再保険などの再保険会社がロンジェビティ・スワップを活発に取引している。日本の第一生命は2023年に英年金基金とロンジェビティ・スワップを締結して話題になった。

ライフ・セツルメント:米国式の二次市場

生命保険契約者が保険を第三者に売却するライフ・セツルメント市場は米国で200億ドル規模に成長した。契約者は即座に現金を得て、買い手は死亡時に保険金を受け取る。日韓ではこの市場は法的に制限されているが、SOAの研究によればライフ・セツルメントが米国シニア資産管理の一選択肢として定着しているという分析がある。

2026年のアクチュアリー・サイエンティストのツールボックス

2026年のアクチュアリー・リスクデスクが実務で使うツールは、(1)Python(pandas、numpy、scipy、statsmodels、PyMC)、(2)R(lifecontingencies、demography、StMoMo、fmsb)、(3)MATLAB/SAS(レガシー)、(4)Prophet、MoSes、AXISのような商用アクチュアリー・モデリング・プラットフォームである。K-ICSとIFRS 17の決算ではMoody's RiskIntegrity、Milliman MG-ALFA、Conning ADVISEのシェアが高い。日韓の保険会社はこれらと並行して自社内製のシミュレーション・エンジンを併用している。

よくあるアンチパターンとベストプラクティス

最もよくあるアンチパターンは、(1)単一死亡表しか使わない(改善スケール未適用)、(2)VAの保証を静的ヘッジで放置する、(3)EV算出時に前提変更を適時開示しない、(4)IFRS 17のCSMを営業利益のように見せてしまう、の四点である。ベストプラクティスは、(1)複数シナリオ(ベース・ストレス・コビッド)の並走、(2)グリーク限度+シナリオ限度の二重統制、(3)前提変更開示の標準化、(4)CSM・VIF・FX分解の明示的開示、である。

結論:アクチュアリーは再びコードと資本の問題である

2026年時点の生命保険アクチュアリーは、もはや表参照の領域ではない。Lee-Carter、CBD、HPを自前で推定し、GMxBヘッジを毎日回し、K-ICSとIFRS 17の決算を自動化することが標準である。日韓の大手保険会社はいずれもアクチュアリー・サイエンス・チームとリスクITチームを一体運用し、Python・Rベースの自社プラットフォームを拡張中である。資産運用・再保険・ヘッジ・資本の四軸がすべてコードの上に乗る時代になった。

References

Discuss on Twitter • View on GitHub