AI 에이전트 시대의 스테이블 코인의 필요성과 그 중요성 및 생각정리

GPT 5.4를 활용하여 만든 보고서 + 개인적인 생각정리입니다. 엔비디아 GTC 2026의 ‘AI 팩토리’ 전략 보고서 개념, 필요성, 목표, 관련 주제 중심 분석 이 보고서는 2026년 3월 17일(한국시간) 기준으로 공개된 NVIDIA GTC 2026 공식 발표와 주요 파트너 공식 자료를 토대로 작성했다. GTC 2026은 3월 16일부터 19일까지 미국 산호세에서 진행 중이며, NVIDIA는 이번 행사에서 AI factories, agentic systems, physical AI, open models를 핵심 아젠다로 전면에 배치했다. 즉, 이번 GTC는 단순한 신형 칩 발표 행사가 아니라 “AI를 어떤 산업 인프라로 구현할 것인가”에 대한 청사진을 공개한 행사로 보는 것이 정확하다. 요약 GTC 2026에서 드러난 엔비디아의 핵심 메시지는 분명하다. 회사는 더 이상 GPU 성능 경쟁만으로 시장을 주도하려 하지 않는다. 대신 전력, 칩, 네트워킹, 스토리지, 추론 소프트웨어, 디지털 트윈, 보안, 엔터프라이즈 애플리케이션, 통신망까지 아우르는 풀스택 AI 인프라의 설계 언어를 장악하려 한다. 엔비디아가 말하는 ‘AI 팩토리’는 이 전체를 하나의 생산 시스템으로 묶는 상위 개념이며, 산출물은 서버 대수가 아니라 지능, 즉 토큰 처리량과 토큰당 경제성이다. 이 전략의 본질은 세 가지로 압축된다. 첫째, 기업이 AI를 실험 단계에서 서비스 단계로 옮기는 데 필요한 통합 비용과 배치 시간을 줄이는 것이다. 둘째, 추론 중심의 AI 경제성, 특히 토큰당 비용과 토큰/와트 효율을 최적화하는 것이다. 셋째, 중앙 데이터센터뿐 아니라 정부, 산업 현장, 통신망, 엣지까지 AI 인프라의 적용 범위를 넓혀 엔비디아의 영향력을 ‘칩 공급자’에서 ‘AI 인프라 표준 제정자’ 수준으로 끌어올리는 것이다. 이 점에서 AI 팩토리는 제품명이 아니라 시장 구조를 바꾸는 운영 모델에 가깝다. 또한 사용자가 제시한 문제의식 가운데 중요한 부분은 상당수 사실과 부합한다. 다만 엄밀하게 말하면 엔비디아는 모든 해법을 공식적으로 ‘턴키’라고 부르기보다는 reference design, validated design, blueprint, managed service, operating system 같은 표현을 쓴다. 그럼에도 이들을 하나로 보면, 기업 입장에서는 사전 검증된 즉시 배치형 AI 스택에 가까운 방향으로 수렴하고 있다고 해석할 수 있다. 즉, 엔비디아의 전략은 GPU를 파는 것에서 끝나지 않고, “기업이 AI를 어떻게 공장처럼 설계·운영·확장할 것인가”를 패키지로 제공하는 쪽으로 이동하고 있다. 1. AI 팩토리의 개념 엔비디아가 정의하는 AI 팩토리는 전통적 데이터센터의 다른 이름이 아니다. 공식 설명에 따르면 AI 팩토리는 “지능을 대규모로 생산하는 인프라”이며, 그 성과는 단순 FLOPS나 서버 수가 아니라 토큰 처리량, 토큰당 비용, 토큰/와트, goodput, time-to-first-token, time-to-first-production 같은 지표로 측정된다. 다시 말해 AI 팩토리는 계산 자원을 모아두는 장소가 아니라, 데이터와 모델과 전력을 투입해 실제 비즈니스 가치가 있는 지능 출력을 만들어내는 생산 시스템이다. 젠슨 황은 이번 GTC에서 AI를 에너지, 칩, 인프라, 모델, 애플리케이션이라는 다섯 층의 구조로 설명했다. 이 프레임은 AI 팩토리가 GPU 몇 장 더 붙인 클러스터가 아니라, 에너지 수급부터 애플리케이션 제공까지 이어지는 수직 통합 구조라는 점을 보여준다. 따라서 AI 팩토리는 하드웨어 조달 모델이라기보다, 전력망·랙·패브릭·스토리지·메모리·추론 런타임·에이전트 애플리케이션을 하나의 생산 라인으로 취급하는 산업 시스템 개념이라고 보는 편이 맞다. 이 개념이 중요한 이유는 AI의 가치 측정 방식 자체가 바뀌고 있기 때문이다. 과거에는 학습용 슈퍼클러스터 구축이 중심이었지만, 이제는 대규모 추론, 장문맥 처리, 에이전트 협업, 테스트 타임 스케일링이 경제성의 중심으로 이동하고 있다. 이 구조에서는 “얼마나 큰 모델을 한 번 학습시켰는가”보다 “얼마나 많은 토큰을, 얼마나 낮은 비용과 전력으로, 얼마나 안정적으로 생산하는가”가 더 중요해진다. AI 팩토리라는 용어는 바로 이 경제성 이동을 인프라 언어로 번역한 표현이다. 2. 왜 지금 AI 팩토리가 필요한가 첫 번째 이유는 추론 경제학의 급격한 변화다. 엔비디아는 자사 자료에서 사후학습(post-training)은 전통적 추론보다 훨씬 큰 계산량을 요구하고, 테스트 타임 스케일링은 기존 추론 대비 최대 100배 수준의 추가 계산을 유발할 수 있다고 설명한다. 이는 AI의 병목이 더 이상 학습에만 있지 않으며, 실제 서비스 단계의 추론 시스템이 기업 AI 경쟁력의 핵심이 되고 있음을 뜻한다. 다시 말해 데이터센터는 이제 저장·가상화·백오피스용 시설이 아니라, 대량 추론을 안정적으로 수행하는 ‘생산 설비’가 되어야 한다. 두 번째 이유는 배치 복잡성이다. 대부분의 기업은 GPU 자체보다 통합 과정에서 어려움을 겪는다. 컴퓨트, 네트워킹, 스토리지, 전력, 냉각, 보안, 에이전트 런타임, 데이터 파이프라인을 서로 맞물리게 해야 하기 때문이다. 엔비디아는 DSX Air를 통해 논리 시뮬레이션 단계에서 AI 팩토리를 먼저 검증하면 배치 시간을 “수개월에서 수일” 수준으로 줄일 수 있다고 주장하고, 시스코는 사전 검증된 Secure AI Factory 아키텍처가 AI 인프라 구축 기간을 수개월에서 수주 수준으로 단축할 수 있다고 설명한다. 이는 오늘날 기업 AI의 진짜 장벽이 칩 성능이 아니라 통합 리스크라는 점을 역설적으로 보여준다. 세 번째 이유는 전력이다. 엔비디아는 54V DC 기반의 기존 서버 전력 구조가 메가와트급 랙 시대에 물리적으로 비효율적이라고 지적한다. 자사 설명에 따르면 1MW급 랙에서는 전력 선반이 지나치게 많은 공간을 차지하고, 구리 버스바 무게가 급증하며, 반복적인 AC/DC 변환이 효율을 깎는다. 이에 따라 엔비디아는 800V DC 기반 데이터센터 전력 아키텍처로의 전환을 파트너들과 추진하고 있으며, 중앙집중식 변환을 통해 효율 개선, 구리 사용량 축소, 공간 절감, 장기적으로 총소유비용 절감 가능성을 제시하고 있다. 중요한 점은 전력 문제가 AI 팩토리의 부속 이슈가 아니라, 규모·입지·경제성을 결정하는 1차 제약으로 떠올랐다는 사실이다. 네 번째 이유는 AI의 적용 범위가 중앙 데이터센터를 넘어가고 있기 때문이다. GTC 2026에서 엔비디아는 6G와 AI-RAN을 단순한 통신 업그레이드가 아니라, AI 네이티브의 분산 인프라로 설명했다. BT, Cisco, Deutsche Telekom, Ericsson, Nokia, SK텔레콤, SoftBank, T-Mobile 등은 6G를 개방형·보안형·프로그램 가능 AI 플랫폼 위에 구축하겠다고 발표했다. 이는 AI 팩토리가 미래에는 클라우드 데이터센터에만 머무르지 않고, 통신 엣지와 산업 현장까지 내려갈 것임을 의미한다. 3. GTC 2026에서 드러난 AI 팩토리의 핵심 구성요소 3.1 컴퓨트 기초 체력: Vera Rubin 플랫폼 AI 팩토리 전략의 컴퓨트 중심축은 Vera Rubin 플랫폼이다. 엔비디아는 이번 GTC에서 “7개의 새로운 칩, 5개의 랙, 1대의 슈퍼컴퓨터”라는 표현으로 Rubin 세대를 소개했고, 핵심은 개별 카드나 서버가 아니라 랙 단위와 POD 단위로 제품이 재구성된다는 점이다. 공식 자료에 따르면 Rubin NVL72는 MoE 모델 학습에서 Blackwell 대비 4분의 1 수준의 GPU만으로 동일 작업을 수행할 수 있고, 추론에서는 와트당 처리량이 크게 높아지며 토큰당 비용도 대폭 낮아진다. 이 메시지는 AI 인프라의 경쟁 단위가 칩에서 랙 스케일 시스템으로 옮겨가고 있음을 분명히 보여준다. 또한 Vera Rubin은 CPU, GPU, NVLink 6, ConnectX-9, BlueField-4, Spectrum-6, STX 저장계층까지 포함하는 형태로 제시되었다. 엔비디아는 이를 사전학습, 사후학습, 테스트 타임 스케일링, 에이전트 추론 전반을 위한 공통 플랫폼으로 설명한다. 더 주목할 점은 AWS, Google Cloud, Microsoft Azure, Oracle Cloud, CoreWeave 등 주요 클라우드 사업자와 Cisco, Dell, HPE, Lenovo, Supermicro 등 시스템 벤더들이 Rubin 생태계에 함께 이름을 올렸다는 사실이다. 즉, Rubin은 차세대 GPU가 아니라 차세대 AI 팩토리 공급망의 기준점 역할을 한다. 3.2 네트워킹과 패브릭: AI 팩토리의 혈관 AI 팩토리에서 네트워킹은 부품이 아니라 성능 그 자체다. 엔비디아는 ConnectX-9, BlueField-4, Spectrum-6, 그리고 포토닉스 기반 네트워킹을 Rubin 플랫폼의 본체와 함께 제시했다. 특히 Spectrum-6는 랙 간 동서 트래픽 최적화를 겨냥하고, 포토닉스는 광 링크의 전력 효율과 복원력을 크게 높이는 방향으로 소개되었다. AI 팩토리 시대의 네트워크는 단순한 연결망이 아니라, 메모리·스토리지·추론 병렬성을 유지하는 실시간 생산라인이라는 의미다. 이는 기업이 더 이상 GPU만 따로 사고 스위치를 따로 붙이는 방식으로는 최적 성능을 얻기 어렵다는 뜻이기도 하다. 네트워크 구조가 추론 지연, 에이전트 간 협업, KV 캐시 활용, 동기화 비용, 전력 효율에 직결되기 때문이다. 엔비디아가 AI 팩토리를 말할 때 매번 컴퓨트와 네트워크를 같은 문장에 넣는 이유는, AI 경제성의 상당 부분이 패브릭 설계에서 결정되기 때문이다. 3.3 스토리지의 재정의: STX와 장문맥 추론 GTC 2026에서 가장 상징적인 변화 중 하나는 스토리지의 위상 상승이다. 엔비디아는 STX(Storage eXtension) 참조 아키텍처를 통해 스토리지를 단순 백엔드 저장소가 아니라, GPU 메모리를 POD 전체로 확장하는 장치처럼 설명했다. 공식 수치에 따르면 STX는 전용 KV 캐시 스토리지를 통해 토큰 처리량을 최대 5배까지 높이고, 에너지 효율을 최대 4배, 데이터 적재 속도를 최대 2배 개선할 수 있다. 이는 장문맥 추론과 에이전트 AI 시대에 저장장치가 곧 실행 메모리의 일부가 된다는 뜻이다. 여기서 주목할 점은 파트너 생태계다. STX 파트너에는 Cloudian, DDN, Dell, Hitachi Vantara, HPE, IBM, NetApp, Nutanix, VAST, WEKA ...

[Valley Ai 내용, 실적 발표] 실적 하이라이트 3분기에는 15년 만에 처음으로 유기적 총수익과 유기적 비일반회계기준(non-GAAP) 주당순이익(EPS)이 미국 달러 기준으로 모두 20% 이상 성장했습니다. Oracle은 TikTok US가 ByteDance에서 분사한 후 지분 15%를 인수했습니다. Oracle의 신규 회사 이익 지분은 4분기 실적에 반영될 예정입니다. 2월에 최대 500억 달러의 부채 및 자본 조달 계획을 발표했으며, 이후 채권과 전환 우선주를 통해 300억 달러를 조달했습니다. 클라우드 애플리케이션 수익은 고정 통화 기준으로 11% 증가하여 연간 환산 매출 161억 달러에 도달했습니다. 세부 성장률은 Fusion ERP 14% 증가, Fusion SCM 15% 증가, Fusion HCM 15% 증가, Fusion CX 6% 증가, NetSuite 11% 증가, 산업용 SaaS 솔루션 19% 증가입니다. 클라우드 애플리케이션 이연 수익은 고정 통화 기준으로 14% 성장했습니다. 멀티클라우드 데이터베이스 수익은 전년 동기 대비 531% 급증했습니다. AI 인프라 수익은 전년 동기 대비 243% 성장했습니다. 3분기 AI 설비 공급에 대한 총이익률은 32%로, 가이던스인 30%를 상회했습니다. 주요 비즈니스 업데이트 Oracle은 AI 코딩 도구를 사용하고 1,000개 이상의 AI 에이전트를 애플리케이션 스위트에 내장하여 SaaS 비즈니스를 가속화하고 있습니다. 회사는 리드 생성 및 자격 평가, 영업 오케스트레이션, 자동화된 판매 등 3개의 새로운 AI 기반 CX 애플리케이션을 출시했습니다. 새로운 AI 기반 통합 전자 건강 기록(EHR) 시스템이 현재 의료 시장에서 운영 중입니다. 3분기의 주요 애플리케이션 수주 고객으로는 Memorial Hermann Health System, University of New South Wales, 그리고 한 주요 월스트리트 은행이 있으며, 종종 Workday 및 SAP와 같은 경쟁사를 대체했습니다. 3분기에는 2,000개 이상의 고객이 서비스를 개시했습니다. 주요 기술 수주 사례로는 OCI 고성능 컴퓨팅을 위한 Lockheed Martin과 Oracle Database@Azure를 도입하여 13배의 성능 향상을 이룬 Air France-KLM이 있습니다. 멀티클라우드 파트너십이 확장되어 현재 Microsoft와 33개, Google과 14개, AWS와 8개의 리전에서 서비스를 제공하고 있습니다. 회사는 AI 인프라를 위해 10기가와트 이상의 전력 및 데이터 센터 용량을 확보했으며, 이 중 90% 이상이 파트너를 통해 자금 조달이 완료되었습니다. 지난 실적 발표 이후 Oracle은 고객 하드웨어 직접 반입(BYOH) 및 선결제와 같은 새로운 모델을 사용하여 290억 달러 이상의 계약을 체결했습니다. 3분기에 Oracle은 ...

TACO(Trump Always Chickens Out) 너무 유명한 용어니 설명은 생략하겠습니다 결국 트럼프는 물러날 것이다. 라고 보는 것이긴 한데 대표적인 발언들이 여러개가 있긴한데, 트럼프가 물러나야할 지점이 되면 스스로 정신승리를 시전하면서 TACO 하는 행위가 트럼프 2기에 다양한 경험을 했던 것으로 기억했는데 그렇다면 그 내역들을 한번 쭉 보면서 확인을 해보고 이번 이란 사태를 어떻게 될 지 예측을 해보고자 합니다. [트럼프 1기 미중 무역갈등 당시 TACO] 첫째, 소비자물가와 연말 쇼핑 시즌 2019년 8월 트럼프는 휴대폰·노트북·완구 등에 대한 관세를 “크리스마스 시즌”을 이유로 미뤘고, 그가 미국 소비자에게 미칠 영향을 의식하는 상황. 관세가 소비자물가와 소매시즌으로 직결되는 순간 후퇴가 나왔습니다. 둘째, 농산물 가격과 농민 표심 대중국 대두 수출은 2018년에 16년 만의 최저 수준으로 떨어졌고, 선물가격도 10년 저점 근처로 밀렸습니다. 트럼프는 2019년 5월 150억 달러 지원을 지시했고, 전체 농가 보전 규모는 최대 280억 달러까지 커졌습니다. 즉, 농산물 가격·농촌 정치는 실제 정책 수정 압력으로 작동했습니다. 셋째, 장단기 금리차·침체 신호·주가 2018년 말과 2019년 여름, 미 국채 수익률 곡선이 급격히 평탄화되거나 역전되고 주가가 흔들리자 Reuters는 백악관이 침체 우려와 2020년 선거 파장 때문에 긴장했다고 전했습니다. Reuters의 2019년 8월 조사에선 미국 경기침체 확률이 45%로 올라갔습니다. 트럼프는 겉으론 강경했지만, 이런 신호가 쌓일수록 실무협상은 부드러워졌습니다. 넷째, 제조업 지표와 기업심리 2019년 10월 초 미국 제조업 지표는 10년 만의 최저로 내려갔고, 며칠 뒤 미국은 중국과 1단계 합의(Phase One)에 도달하면서 추가 관세 인상을 멈췄습니다. 제조업 둔화가 눈에 보이는 순간 타협이 빨라진다는 패턴이 선명합니다. 여기서 TACO의 원인은 경기침체 우려 or 소비자 물가 상승이 지표상 나타나지 않아도 진행했다는 것 [2025년 3월 ~ 4월 관세 관련 TACO] 3월 4일 트럼프는 멕시코·캐나다 관세를 “예정대로” 간다고 했고, 그날 밤 의회 연설에서도 4월 2일 상호관세를 재확인했습니다. 이때 Reuters는 그가 주가 하락이 아니라 국채수익률 하락을 자랑했다고 짚었습니다. 같은 날 미 10년물 수익률은 장중 4.106%까지 내려갔다가 4.206% 부근에서 마감했습니다. 즉, 금리 하락은 그를 약하게 만들기보다 버티게 만든 신호에 가까웠습니다 3월 10~11일 트럼프가 경기침체 가능성을 배제하지 않고 “transition(전환기)” 같은 표현을 쓰자 주식시장은 흔들렸고, 10년물은 4.225% 수준까지 내려왔습니다. Reuters 집계에 따르면 10년물은 1월 중순 대비 거의 60bp 하락한 상태였습니다. 그런데도 트럼프 쪽 발언은 별로 누그러지지 않았습니다. 금리 하락 = 경기우려였지만, 동시에 차입비용 하락이기도 해서 정치적으로 버틸 여지가 있던 상황. 3월 21~24일 여기서 톤이 살짝 바뀝니다. 트럼프가 “flexibility”를 언급했고, 곧이어 4월 2일 조치가 ...

이미 전쟁은 터졌고(군사 작전이라고 하지만) 그러면 그 상황에 대해 대응을 해야하니 시나리오를 생각해야함. 일단 핵심 키워드는 호르무즈 해협 유가 인플레이션 재점화 석유 외 다른 자산(특히 LNG) 이라고 생각함. 각각에 대해 생각을 해보면 결국 시장이 우려하는 건 이러한 군사 충돌 -> 인플레이션의 재점화 그리고 현재 미국의 상황을 고려한다면 스태그플레이션의 가능성을 염두해 두고 있는 상황이라고 생각함(국채 금리가 현재 그 상황을 보여 주고 있음) 1) 호르무즈 해협 & LNG 이란은 이미 호르무주 해협을 폐쇄하고 위협한 상황에서 호르무즈 해협을 통과하고 있는 선박에 대한 공격을 암시하는 발언을 하면서 선주와 보험사들에게 강제적인 압력을 주고 있음. 이러한 상황으로 인해 유가의 상승 및 보험의 취소 그리고 프리미엄의 급등을 나타나고 있음. 호르무즈 해협은 그 자체로 물리적인 병목임. 이미 전세계 석유액체 소비의 20%에 해당하는 부분이 지나가는데, 우회 여력은 부족한 상황이고, 호르무즈 통과 물량에 비해 현저하게 작음(https://www.reuters.com/world/middle-east/what-is-strait-hormuz-why-is-it-so-important-oil-2026-02-28/) 여기서 카타르 LNG 시설 타격 이후 생산 중단이 보도된 상황이고, 유럽 가스 가격과 저장고 부족이 재부각 되는 상황임. LNG는 석유와 다르게 비축이 어렵고 재고 축적도 어려움. 이 요인이 상당한 인플레이션에 영향을 줄 가능성이 있음. 2) 전쟁 장기화 요인 가능성 가장 큰 문제 : 전쟁 목표와 종료 조건의 불명확성 트럼프도 4주간 진행할 수 있다고 얘기하면서 이스라엘 총리는 수년이 걸리진 않는데 시간이 걸릴 수 있다고 이야기함. 서로 서로 말하는 부분이 다른 것이 보임. 전쟁의 목표가 정권교체 혹은 핵능력의 구조적인 무력화라는 목표를 달성하기 위해서 현재 미군이 하고 있는 공중전 해상전으로만으로는 달성이 어려운 것이 힘든 상황 반대로 다시 적당히 얻어낼 것은 얻고, 협상장으로 이란을 트럼프 1기때 북한과의 협상을 이끌어내고 싶은것이라면 전쟁은 금방 끝날 수도 있겠지만, 이미 미군의 사상자가 발생한 ...

Chat gpt pro를 이용해 프롬프트를 돌린거고(@퀄리티기업투자자 님꺼 참고했습니다) 제가 공부할 목적으로 쓴 글입니다. 1. 핵심 투자 기둥 (80/20) 기둥 A — “유동성(liquidity)이 촉매(catalyst)이며, 중간 기간에는 이익보다 유동성이 시장을 움직인다” 그것이 무엇인가 (그들의 언어) 드라켄밀러는 가치평가로 ‘타이밍’을 하지 않고, 유동성과 기술적 분석으로 타이밍을 한다고 명시합니다. 그리고 가치평가는 ‘얼마나 멀리 갈 수 있는지(잠재 이동거리)’를 알려줄 뿐이라고 설명합니다. 2020년 공개 대담에서도 “중간 기간(intermediate term)에는 유동성이 이익(earnings)보다 시장을 훨씬 더 움직인다”는 메시지를 ‘반복해 온’ 핵심 문장으로 재확인합니다. 2015년 강연(트랜스크립트)에서도 “큰 돈(빅 머니)의 상당 부분이 중앙은행의 실수가 만든 비정상 상황(특히 약세장)에서 나왔다”는 식으로, 정책/유동성 충격을 구조적 기회로 보는 관점을 드러냅니다. 그것이 작동한다고 믿는 이유 (메커니즘) 유동성은 ‘할인율/자본비용’과 ‘위험자산으로의 강제 재배치’를 통해 가격을 재평가합니다. 드라켄밀러는 QE 작동을 “연준이 채권을 사면, 판매자(‘나 같은 사람’)가 그 돈을 다시 채권에 100% 넣지 않고 위험자산으로 ‘누수’시켜 위험자산을 끌어올린다”는 구조로 설명합니다. 즉, 그의 OS에서 ‘이익’은 중요하지만 1차 동인이 아닐 수 있으며, ‘정책/유동성 레짐’이 가격의 큰 국면을 결정합니다. (발언 근거) 5년 이상, 다수 사례에 걸친 증거: 무엇이 변하지 않았는가 1992년 인터뷰(뉴 마켓 위저즈)에서 “촉매는 유동성” “가치평가는 타이밍이 아니다”를 말했고, 2020년에도 동일한 핵심 문장을 반복하며(“liquidity moves markets…”) 2015년에는 중앙은행 ‘실수’가 큰 기회를 만든다는 형태로 같은 중심축을 유지합니다. ➡️ 유동성/정책 레짐 → 가격(시장/섹터/종목)이라는 인과관계가 그의 OS에서 고정축입니다. 매크로가 중요한 이유 주가의 본질은 EPS * PER로 단순하게 생각한다면 EPS는 기업에 의해 정해질수 있어도(100%는 아니여도) PER로 정해지는 value는 중앙은행의 유동성이 결정하는 경우가 많음. EPS는 상대적으로 예측가능하지만 PER은 예측이 어려움. 하지만 이러한 예측에 성공한다면 큰 돈을 벌 수 있다는 말임. 기둥 B — “목표는 ‘자본 보존 + 홈런’이며, ‘맞고 틀림’이 아니라 ‘맞을 때 크게, 틀릴 때 작게’다” 그것이 무엇인가 (그들의 언어) 드라켄밀러는 핵심 철학을 “preservation of capital and home runs(자본보존과 홈런)”으로 요약하며, “공격적으로 될 ‘권리’를 벌면 공격적이어야 한다”고 말합니다. 또한 소로스에게서 배운 가장 중요한 교훈으로 “중요한 건 맞고 틀림이 아니라, 맞을 때 얼마나 벌고 틀릴 때 얼마나 잃는가”를 제시합니다. “확신이 크면 목을 노려야(go for the jugular) 한다”, “돼지가 되려면 용기가 필요하다(it takes courage to be a pig)”, “큰 레버리지로 이익을 타는 건 용기”라고, 확신-집중-레버리지의 정합성을 명문화합니다. 그것이 작동한다고 믿는 이유 (메커니즘) 이 OS는 평균적 분산(평균수익)보다 ‘분포의 꼬리(large move)’를 사냥합니다. 동시에 ‘자본 보존’을 전면에 둬서, 복리의 전제(생존·재진입 가능성)를 지킵니다. 5년 이상, 다수 사례에 걸친 증거: 무엇이 변하지 않았는가 1992년: “자본보존+홈런”, “맞을 때 크게/틀릴 때 작게”, “돼지의 용기” 2010년 은퇴 서한: “중간 중간의 손실 구간(drawdowns)이 누적되며 감정적 부담이 커졌고 더는 감당할 수 없었다”는 취지로, ‘손실(심리·자본)의 비용’ 자체를 운영 체제의 제약조건으로 인정합니다. ➡️ 큰 기회엔 크게, 그러나 ‘감당 불가능한 손실’은 금지라는 축은 변하지 않습니다. 맞고 틀리고가 중요한게 아니라. 맞을때 크게 벌고 틀릴때 작게 잃고 정말 당연한 원칙이지만, 정말 당연하게 안지켜지는 부분이라고 생각함. 소액으로 투자한 금액이 하늘높이 날라가고 거액으로 투자한 금애기 미친듯이 떨어지고 그런 경험을 많이 했다. 다만 그렇다면 여기서 중요한건 맞을때를 어떻게 확보할 것인가. 그런것이 아닐까 기둥 C — “리스크는 ‘변동성’이 아니라 ‘파산/강제청산/회복불가능 손실’이며, 그 핵심은 레버리지와 유동성이다” 그것이 무엇인가 (그들의 언어) 드라켄밀러는 “시장 방향을 맞아도 과도한 레버리지면 잃을 수 있다”는 학습을 명확히 말합니다. 1987년 사례에서 그는 “장중 30분을 주고(시간 기반 규칙) 반등이 없으면 나가겠다(사전 계획)”라고 말했고, 실제로 “나가야 한다고 알았고, 짧은 반등 직후 전량 매도 후 순쇼트로 전환”했다고 설명합니다. 또한 “극도로 약세라고 느꼈는데도 분기 손실을 봤다”는 경험 뒤 “다음에 그 정도로 약세면 100% 현금으로 간다”는 규칙으로 철학을 바꿨다고 말합니다. 그것이 작동한다고 믿는 이유 (메커니즘) 그의 리스크 관리 핵심은 (1) 레버리지 관리, (2) 현금 전환 옵션, (3) 사전 정의된 무효화(시간·가격·기술적 신호), (4) 유동성 있는 상품을 통한 재배치입니다. “현금은 ‘기회 비용’이 아니라 ‘옵션 가치’(다음 홈런을 위한 잔존가치)”로 취급됩니다. (발언 근거: 100% cash 규칙) 5년 이상, 다수 사례에 걸친 증거: 무엇이 변하지 않았는가 1987: 계획→무효화→즉시 청산/전환 1992 인터뷰 전반: 레버리지의 위험 학습, 유동성/기술적 타이밍 2010 서한: 드로우다운의 감정적·운영적 비용을 이유로 ‘지속가능성’을 우선 ➡️ “살아남아 다음 판을 한다”가 리스크의 정의로 고정되어 있습니다. 2. 투자 체크리스트 (집행 전 타협 불가능 조건) 형식: “[X]가 사실이어야만 투자가 성립한다” 주의: 드라켄밀러는 전통적 ‘퀄리티/경영진/밸류 체크리스트’를 체계적으로 공개한 기록이 제한적입니다. 아래는 1차 자료에서 확인 가능한 항목만 ‘타협불가능 조건’으로 재구성했으며, 공백은 (알 수 없음)으로 남깁니다. [가격을 움직이는 핵심 변수]가 정의되어 있어야만 투자가 성립한다 그는 주식 분석의 출발점으로 “무엇이 그 주식을 오르고 내리게 만드는가(What makes the stock go up and down?)”를 제시하고, 예시로 은행주는 “핵심은 earnings”, 화학주는 “capacity(공급능력)가 핵심”이라고 말합니다. 즉, “좋은 회사”보다 ‘가격결정 변수(earnings, capacity, policy, liquidity)’를 먼저 정의합니다. (발언) [촉매(catalyst)]가 있어야만 투자가 성립한다 “가치평가로 타이밍하지 않으며 가치는 촉매가 들어왔을 때 시장이 얼마나 더 갈 수 있는지 알려준다. 촉매는 유동성이다”라는 진술은, ‘싸다/비싸다’만으로는 포지션을 열지 않는 규칙을 내포합니다. 2020년에도 유동성의 ‘스필오버’ 메커니즘을 설명하며, 유동성이 위험자산을 움직이는 촉매라는 관점을 유지합니다. [타이밍 신호(기술적·유동성)]가 정렬되어 있어야만 투자가 성립한다 “타이밍은 liquidity considerations와 technical analysis로 한다”고 직접 언급합니다. 1987년 약세 전환의 근거에도 “밸류에이션 과열 + Fed 긴축 + 기술적 breadth 약화”가 동시에 등장합니다. [무효화 규칙(시간/가격/기술적 레벨)]이 사전에 정의되어 있어야만 투자가 성립한다 1987년 반등 베팅에서 “30분만 보고 반등 없으면 나간다”는 시간 기반 손절 규칙을 명시합니다. 실제로 “나가야 한다고 알았고… 전량 매도 후 순쇼트”로 실행합니다. [유동성(청산 가능성)]이 확보되어야만 투자가 성립한다 그는 자신을 “liquidity junkie”로 말하며(유동성 중독자에 가까운 표현), “포지션을 커버할 수 있는 한 나는 시장에 남아 있을 수 있다”는 식으로 생존/커버 가능성을 전제조건으로 둡니다. 2010년 서한에서도 “엄청난 자본을 운용하면(too much capital) 성과에 영향을 준다”는 요지로, 규모·유동성 제약을 의사결정 변수로 취급합니다. [산업 구조(공급/수요의 레버리지)]가 유리해야만 투자가 성립한다 화학업 사례에서 핵심을 “capacity”로 두는 방식은, 산업의 공급 구조가 가격/마진을 결정하는 레버라는 관점(산업 구조 체크)을 보여줍니다. [재무 건전성/부채/현금흐름] 조건 회사 단위의 재무 체크리스트를 ‘규칙’로 밝힌 1차 자료는 제한적입니다. (알 수 없음) 다만 포트폴리오 차원에서 레버리지의 위험을 반복적으로 언급합니다. [경영진 평가] 조건 경영진 질(정직/자본배분/인센티브)을 ‘주식 선택 규칙’로 문서화한 1차 자료는 ...