기업분석하던 종목이 이틀간 50%이상 급등했다??

목차  해당 글은 AI 산업에 대한 심층 이해가 아닙니다. AI 산업 리서치하기 전, 뉴런분들이 약간의 통찰력을 얻었으면 좋겠다는 의도로 작성되었습니다. 목차는 다음과 같습니다 AI 산업에 대한 이해(1): 산업의 이해 및 세그먼트 분류 AI 산업에 대한 이해(2): 관련 산업의 세그먼트 분류: 서비스편 (링크 - 작성 중) AI 산업에 대한 이해(3): 관련 산업의 세그먼트 분류: 인프라편  (링크 - 작성 중) 24.10.04 - 우리 커뮤니티 내에서 AI 산업 리서치가 구현되어 있지 않아 작성하게 되었습니다. 또한 Valley AI 산업리서치 목차를 참고하여 작성하였습니다. 그러므로 Valley AI 커뮤니티 외부로 퍼가는 것을 삼가주시기를 부탁드립니다(뭔 대단한 글 썼다고 이런 말하는지 모르겠네요..) 리서치는 마무리되었는데.... 개인적인 공부가 많아 나머지 목차는 올해 안으로 꼭 작성하겠습니다. 글 읽어주시는 분들께 도움이 되었으면 좋겠습니다. 보완할 점이 있다면 댓글로 남겨주시면 수정하겠습니다. 감사합니다. 1. 산업에 대한 이해 1.1.  AI 산업의 정의  인공지능(Artificial Intelligence; AI) 은 인간의 지적능력을 기계로 구현하는 과학기술로 정의할 수 있습니다. Google, Amazon 등의 기업도 마찬가지로 AI는 인간의 지능과 관련된 컴퓨터 공학, 데이터 분석, 엔지니어링, 언어학, 신경과학, 철학, 심리학 등의 인지적 문제를 해결하는 데 주력하는 컴퓨터 공학이라고 정의하고 있습니다. 학계에서는 약한 인공지능(Weak AI), 강한 인공지능(Strong AI),  초인공지능(Super AI)으로 AI의 진화 단계를 구분하고 있습니다. 약한 인공지능(Weak AI)은 스스로 사고하며 문제를 해결하는 능력이 없는 컴퓨터 기반의 AI를 말합니다. 그 예로 구굴의 알파고, Chat GPT 등이 있습니다. 이에 반해 강한 인공지능(Strong AI)은 스스로 사고하며 문제를 해결할 수 있는 컴퓨터 기반의 AI로 스스로 지각할 수 있는 독립성을 갖추었습니다. 가장 진보한 기술이라고 할 수 있는 초인공지능(Super AI)은 인간의 지능을 훨씬 뛰어넘는 AI를 뜻하며 효율, 자기 보존, 창의성, 자원 획득 등의 원초적인 욕구를 기반으로 끊임없이 자가발전할 수 있는 AI를 말합니다.    현재 Chat GPT, 구글 Gemini와 같은 인공지능 기술은 약한 인공지능(Weak AI)을 뜻합니다.  강한 인공지능부터는 현재 존재하지 않으며, 이론적인 개념이 머물러 있습니다. 그렇다면 스스로 사고하며 문제를 해결하는 능력이 없는 약한 인공지능(Weak AI)은 어떤 종류가 있고, 어떻게 산업에서 활용되고 있을까요?   1.2. 다양한 AI 기술에 활용되는 핵심 개념: 기계 학습(Machine Learning) 1.2.1. 기계 학습(Machine Learning) ▨ 정의 기계 학습은 컴퓨터가 데이터를 이용하여 스스로 학습하고, 학습한 데이티를 바탕으로 미래의 데이터를 예측하거나 결정을 내리는 것입니다. 여기서 인간의 개입이 없이도 '신경망', '딥 러능'을 사용하여 컴퓨터가 자율적으로 학습하고고 개선하는 것이 기계학습의 중요한 핵심입니다. 많은 양의 데이터를 제공하여 명시적으로 프로그램하지 않고도 컴퓨터가 학습하는 능력을 갖게 하는 기술(Arthur Samueal, 1959). ▨ 기계학습의 종류  기계 학습은 주어진 데이터와 목표에 따라 크게 세 가지로 나뉩니다. 이는 데이터에 라벨의 유무, 학습에 목표를 제시 여부에 따라 구분됩니다. 그 종류로 지도 학습, 비지도 학습, 강화 학습이 있습니다. 지도 학습(Supervised Learning): 지도 학습은 라벨이 있는 데이터를 이용하여 학습하는 방법입니다. 입력과 정답이 모두 주어지며, AI 모델은 주어진 데이터(정답)를 통해 입력과 출격 간의 관계를 학습합니다. 2020년부터 N잡을 위한 데이터 라벨러라는 부업이 성행하고 있는데, 이는 AI 지도 학습을 위한 작업이라고  할 수 있습니다. 지도학습의 예시로는 여러 사진을 분류하는 작업에서 '사람', '자동차', '고양이', '개'라는 라벨을 붙임으로써, AI 모델은 라벨을 학습해 새로운 사진을 입력받았을 때 사람, 동물, 그리고 물체를 구분하고 분류할 수 있게 됩니다. 뒤에서 설명할 비지도 학습(Unsupervised Learning) 은 군집화(Clustering)를 통한 데이터 학습을 하지만, 지도 학습(Supervised Learning)은 분류(Classsification)를 통해 데이터 학습하는 것이 두 방식의 큰 차이입니다. 지도학습은 자율주행, 딥페이크 방지, 안면인식, 번역, 이미지 데이터 등에 AI 산업에서 가장 광범위하게 활용되는 머신러닝 기술입니다. 출처: AI 타임즈 비지도 학습(Unsupervised Learning): 비지도 학습은 라벨이 없는 데이터를 사용하지만, AI 모델이 입력세트에서 패턴과 상관관계를 찾아내는 머신러닝 알고리즘입니다. 다시 말해서, 알고리즘 결과물이라고 하는 출력값을 미리 제공하지 않고, 데이터의 내재된 구조나 패턴을 발견하는 방법으로 학습하는 방식을 말합니다. 비지도 학습의 종류는 크게 2가지로 나뉩니다. 군집화(Clustering)는 비슷한 특성을 가진 데이터끼리 그룹화하는 AI 모델작업이며, 차원 축소(Dismensionality Reduction)는 불필요한 데이터를 줄여 중요한 특성만을 남기는 방식을 뜻합니다. 그 외에도 밀도 추정, 공간 변환 등을 통해 정보를 학습하며, 이는 데이터를 처리하고 통계기법에 활용됩니다. 주로 산업에서 활용되는 방식은 군집화입니다. 군집화(Clustering)에 대한 시각 데이터 처리방식에 대한 예로는 자동차를 보고 컴퓨터가 스스로 색상, 혹은 차량의 형태에 따라 군집화하여 분류할 수 있습니다. 주로 산업에서는 고객 데이터를 분석하는 데 활용합니다. 고객의 행동패턴을 분석하여, 비슷한 특정 행동 패턴을 보이는 그룹끼리 군집화할 수 있습니다. 이를 통해 고객을 특성을 세분화하여 관리할 수 있습니다. 그러나 비지도 학습은 어떤 관점에서 군집을 나눴는지 언어로 표현하지 않으므로, 사람이 해석하기 어려울 때도 있다. 강화 학습(ReinForcement Learning): 강화 학습은 컴퓨터 에이전트가 여러 환경과 상호작용하며 시행착오를 통해 학습하는 방법입니다. AI 알고리즘이 다양한 시도를 통해 최적의 결과를 도출할 수 있는 조합을 찾아가는 훈련 방식으로, 주된 특징은 행동(action), 상태(state), 보상(reward) 간의 관계를 어떻게 설정하느냐입니다. 예를 들어, 체스, 바둑, 퐁(Pong), 미로, 둠과 같은 게임에서 승리라는 목표 행동을 설정함으로써 컴퓨터가 스스로 주어진 환경에서 전략을 학습할 수 있도록 합니다. 이세돌 9단을 이긴 알파고가 강화학습의 대표적인 예시입니다. 미로게임에 대한 강화학습 예시 (Berseth et al., 2021) ▨ 기계 학습의 역사(요약) 초기 단계(1950 ~ 1970): 실질적인 프로그램 개발은 1952년 IBM에서 근무하던 아서 사무엘(Arthur Samueal)이 최초의 머신러닝이라고 할 수 있는 체커 프로그램을 개발하는 것으로부터 시작되었습니다. 초기에는 앨런 튜링(Alan Mathison Turing)의 '튜링 테스트' 개념이 등장하며, 기계가 인간처럼 사고할 수 있는지에 대한 논의부터 시작되었습니다. 57년에 이르러, 로젠 블랫이 고안한 알고리즘 '퍼셉트론(Perceptron)'이 개발되어, 인공 신경망의 기본 개념이 제안되었습니다. 이는 현대 신경망모델의 원시적인 초기 모델입니다. 고전적인 머신러닝 기법들의  개발(1980 ~ 1990): 해당 시기부터 지도 학습, 비지도 학습과 같은 AI 학습기법들이 발전하였습니다. 신경망과 딥러닝의 부상(2000년대 이후 ~ 현재): 2000년대에 들어서자 컴퓨터 성능이 향상되고, 빅테이터의 출현으로 머신 러닝에서의 신경망, 딥러닝이 부각되기 시작했습니다. 신경망(Neural Network)은 여러 뉴런이 층을 이루어 정보를 처리하는 기본 구조입니다. 반면, 딥러닝(Deep Learning)은 여러 개의 은닉층을 가진 신경망을 이용하여 복잡한 패턴을 학습하는 방법입니다. 딥러닝은 특히 이미지 인식이나 자연어 처리와 같은 분야에서 뛰어난 성능을 발휘합니다. 요약하자면, 신경망은 딥러닝의 기초 구조이며, 딥러닝은 그 구조를 활용한 고급 학습 기법입니다. 딥러닝의 부상으로 AI 기술은 급속도로 발전하기 시작했습니다.  기계학습은 데이터를 통해 규칙을 발견하고 패턴을 학습하며 결과를 만들어내는 모델, 즉 데이터를 통한 귀납적 추론을 이끌어내는 기술을 말하며, 아래 언급될 인공지능 기술에 활용되고 있습니다. 2. 세부 세그먼트 2.1 세그먼트의 구분  AI 산업의 레이어는 AI 산업 자체만이 아닐 것입니다. AI 발전에 따른 데이터 센터의 건설 붐, 전력문제 등이 대두되고 있는 상황 속에서, 관련된 개별시장은 데이터 센터, 반도체, 전력산업, AI 산업 등을 모두 포괄할 ...

911GT3RS님 올린 24년 2월 기준 아마존 DCF를 해보고 있습니다. Cross holdings and other non-operating assets 항목을 입력하는데, 다모다란 교수님은 최근 4분기는 $ 2,954, Last 10K before LTM는 $ 2,815이라고 입력하셨네요.. 유튜브 보면서 장기투자자산(valley AI $5700)에서 중복되는 무언가를 빼야하는 것 같은데, 도저히 모르겠어서 질문드립니다. 아시는 분 계실까요..?

1. 2024년 하반기 특수성: 시나리오 가정(Assumptions) 글로벌 매크로(지식편) 강의편에서 얻은 insight는 금리와 유동성 환경이 주식에 매우 큰 영향을 준다는 것입니다. 이를 결정하는 주체인 FED입니다. 그리고 FED는 실물경제를 보고 기준 금리를 결정하죠. 이처럼 기준 금리를 행방을 알기 위해서는 실물경제를 지켜봐야 합니다. 실물경제를 보는 여러 방법을 배웠지만, 크게 실물 경제는 고용-소비-산업생산이 있습니다. 이들의 균형이 깨질 때 수요 및 공급에 문제가 있다고 봅니다. 월가아재님 칼럼에서는 항상 인플레이션에 대한 우려가 있습니다. 최근 매크로팀 분석에서도 아래처럼 인플레이션은 언급됩니다.개인적으로 실물데이터 중에서 뜨거운 감자는 "고용지표"라고 생각합니다. 현 시점 CPI는 2.59%으로 안정적입니다. 하지만, 훗날 '실물지표(고용, 소비, 산업생산) → 물가 → 통화정책'와 같은 메커니즘으로 영향을 줄 수 있다는 관점에서 글을 작성하였습니다. 해당 시나리오는 고용지표를 시작으로 시나리오가 변하는 과정으로 이해하면 좋을 것 같습니다. (1) 오랜 기간 지속된 고금리로 눌려있는 신규 주택 시장이 금리 인하를 통해 살아나는지 (2) 금리 인하를 통한 할부 금리의 하락으로 내구재 소비가 촉진되는지 (3) 마찬가지로 고금리의 지속을 통해 발생한 강달러 현상과 인력 부족으로 눌려있는 미국의 제조업 시장이 살아나는지 (4) (가장 중요) 금리 인하가 인플레이션 반등으로 이어지지는 않는지 굳이 고용지표라는 데이터 중심으로 시나리오를 작성하게 된 이유는 다음과 같습니다: 월가아재님 시황일주(38, 39편)에서 빅스텝에 대해 예측, 그리고 빅스텝 이후 시나리오에 대해서 언급한 적이있습니다. 주로 차트선을 제시, 역레포 잔금, 지급준비금, 어쩌고 저쩌고,,, 라는 언급을 하십니다. 정말 값진 자료죠. 왜냐하면 경제에서 가장 어려운 것은 기술적/모멘텀/센티멘탈에 대한 분석이라고 생각합니다. (올바르게 공부한다는 전제) 펀더멘털 분석은 초보자도 시작할 수 있지만, 센티멘털 분석은 그렇지 않다고 생각합니다. 저는 초보자이기 때문에 실물데이터 중심의 시나리오를 작성해봤습니다. 가정 1. FED가 금리 50bp 인하한 이유 - d/t "고용" FED가 빅스텝을 단행한 이유로 미국 경제의 견고함이 많이 언급됩니다. 실업률이 좋게 나와서 빅스텝이 가능했다고 하지만, 한편으로 고용 시장의 문제가 침체의 원인이 될 수 있다는 의견도 존재합니다. 2024년 상반기에 고용 데이터가 부풀려진 사건이 있었기 때문입니다. 실제로 고용시장은 뜨겁지 않았으나, 데이터가 과장되면서 시장은 미국 고용이 탄탄하다고 판단하게 되었습니다. 이는 FED도 마찬가지였습니다. 높은 고용 수치로 인해 과열된 경기를 억제하기 위해 장기간 고금리 정책을 유지했죠. 2023년 9월부터 2024년 8월까지 11개월간 금리를 5.33%로 동결했습니다. 그러나 연준은 이후 부풀려진 고용 데이터를 다시 검토한 결과, 실물 경기 대비 과도한 긴축 통화정책을 오랫동안 시행해 왔다는 것을 뒤늦게 알게 된 것입니다. 그럼 왜 미국과 같은 선진국에서 일자리 통계 오류가 있었나요? '바이든 행정부에서 실업률을 낮추기 위해 불법이민자를 용인했고, 데이터 오류는 정부와 공조한 결과이다'라는 일부 시장참여자들의 음모론? 추측?들이 24년 상반기에 난무하였습니다. 구체적인 이유는 몰라도, 고용 데이터가 실제보다 부풀려진 것은 사살입니다. 그 사실은 다음과 같습니다(출처 1, 2) 미국 노동통계국(BLS)은 2023년 4월부터 2024년 3월까지의 12개월 동안 보고된 일자리 수를 818,000개 하향 수정했습니다 이는 원래 보고된 290만 개의 새로운 일자리 중 실제로는 210만 개만 창출되었음을 의미합니다. 이 수정은 보고된 비농업 급여 일자리의 30%에 해당하며, 2009년 이후 가장 큰 오류입니다. 가정2. 장단기 금리차가 좁혀지고 있는 상황에서 중요한 것은 "공급 & 수요" 장단기 금리차가 정상화되면 경기침체가 온다는 것은 초보 투자자라도 알고 있는 사실입니다. 그 이유는 '경기과열에 따른 금리 인상 → 고금리로 인한 경기 둔화 → 경기 부양을 위한 금리 인하 → 경기침체'라는 메커니즘이 작동했기 때문입니다. DB 금융투자의 자료를 보면, 장단기 금리차가 정상화되면 경기침체(혹은 주가 하락)가 오지 않은 경우도 있다고 합니다. 바로 공급 및 수요가 탄탄했던 시기입니다. 어찌보면 너무 당연한 소리입니다. 앞서 설명한 메커니즘에서 '경기과열에 따른 금리 인상 → 고금리로 인한 경기 둔화 → 경기 ...

경기 민감주란?  경기 민감주는 경제 상황에 따라 실적과 주가가 크게 변동하는 기업의 주식을 말합니다. 이러한 주식은 경제가 호황일 때는 수익과 주가가 상승하는 경향이 있지만, 경기 침체나 불황이 오면 실적과 주가가 하락할 가능성이 높습니다. 따라서 경기 사이클에 민감하게 가격변동이 심한 기업을 경기민감주라고 할 수 있습니다. 주로 경기민감주에 해당하는 산업으로는 자동차, 철강, 건설, 소비재, 항공, 화학 등이 있으며, 이들 산업은 경기 변동성에 크게 의존합니다. 경기 민감주로 통하는 석유화학, 정유기업에 대한 기초 지식 글입니다. 목차는 아래와 같습니다. I. 석유화학은 소재섹터 산업, 그리고 소재산업의 특징  석유화학주는 소재산업에 속합니다. 소재산업은 제품의 원료가 되는 사업으로, 정유, 화학, 철강, 제지, 유리 등을 생산하는 산업이 이에 해당합니다. 소재산업은 실적 장세에 가장 먼저 상승하는 경향이 있습니다. 이는 경기 침체에서 벗어나기 위한 중앙은행이 유동성 공급이 일어나는 금융장세가 끝나고, 기업의 실적과 성장성이 중요해지는 시기에 소재산업의 실적이 개선된다는 의미입니다.  소재산업은 소비자에게 직접적으로 눈에 띄지 않지만, 다양한 제품의 원료를 제공하는 중요한 역할을 합니다. 따라서 경기가 회복되면 소재에 대한 수요가 자연스럽게 증가하며, 이에 따라 실적도 개선됩니다. 요약하자면, 중앙은행의 완화적인 통화정책으로 경기 회복이 시작되는 시점에 소재 섹터는 아웃퍼폼(Outperform)하며 상승하는 경향이 있습니다. 이후 경기 확장 국면에서도 원자재 가격이 오르며 소재산업은 호황을 누리지만, 경기 둔화 국면에서는 상대적으로 언더퍼폼(Underperform)하는 특징이 있습니다. 물론, 원자재의 특성에 따라 소재 섹터의 움직임은 다를 수 있습니다. 소재 산업의 특징 3가지 (석유화학 중심으로 기술) 1) B to B(Business to Business)  소재 산업은 B to B (Business to Business)의 성격을 지닙니다. B to B는 기업 간의 거래를 의미하는데, 그 예로 소프트웨어 기업이 회계 S/W를 타 기업에게 납품하는 경우, 제조업체가 부품을 타 기업에게 납품하는 경우, 도매업체가 소매업체에게 상품을 납품하는 경우 등을 들 수 있습니다. 석유화학산업도  B to B를 하는 기업으로, 원자재를 가공하여 다양한 산업에 필요한 소재를 공급합니다. 석유 화학은 석유를 정제하여 플라스틱, 섬유, 고무, 도료 등 다양한 산업의 원료를 생산합니다. 구체적인 예로 폴리에틸렌(PE), 폴리프로릴렌(PP)과 같은 석유화학 제품은 포장재, 자동차 부품, 전자제품 등의 제조에 활용됩니다.  한편 B to C(businiess to Consumer) 비즈니스 기업은 제품 홍보를 위한 마케팅에 따라 판매량 차이가 생깁니다. 반면, 석유화학기업과 같은 B to B 비즈니스는 경제 상화과 산업의 업황에 따라 판매량이 변화하는 특징을 가집니다. 따라서 마케팅 요인보다 경기와 산업 전체의 실적에 따라 기업의 성과가 결정되는 측면이 있습니다. 2) 수급 (수요 + 공급)  소재 산업의 실적이 업황에 따라 결정된다는 점은 수급의 중요성과도 밀접하게 연관됩니다. 수급의 변화에 따라 소재 산업의 업황이 크게 좌우되기 때문입니다. 수요(Suppley) 측면에서 중요한 변수로는 글로벌 경제 성장률, 특정 산업의 성장률, 계절적 요인 등이 있습니다. 특히 서구 선진국보다 인도, 중국과 같은 아시아 시장의 경제 성장률이 석유화학 제품 수요에 큰 영향을 미칩니다. 공급(Demand) 측면에서 신규 석유화학 공장의 가동, 기존 설비의 증설, 원유 및 천연가스의 가격 변동 등이 중요한 변수로 작용합니다. 예를 들어, 새로운 대형 석유화학 설비가 가동되면 공급이 과잉되어 제품 가격이 하락할 수 있습니다. 또한, 중동전쟁이나 국제 정세와 같은 지정학적 문제로 인해 원유 수급에 차질이 생긴다면, 공급측면에서 가격 상승이 발생할 수 있습니다. 3) 스프레드(Spread) = 납품 가격  -  원자재 가격  어느 기업이든 이익마진은 중요합니다. 하지만 석유화학 같은 소재 산업에서는 마진이 비교적 명확하게 예측되는 편입니다. 따라서 제품의 가격보다는 스프레드(Spread)가 더욱 중요합니다. 여기서 말하는 스프레드(Spread)는 석유화학 제품 판매가격에서 원자재(나프타, 천연가스 등)의 비용을 뺀 차이, 즉 마진을 의미합니다. 이를테면 석유 산업에서 정유마진이 클수록 해당 기업의 수익성이 높아진다고 해석할 수 있습니다. 스프레드의 변화를 살펴보자면, 원유 가격이 하락하면 나프타, 천연가스 등의 원재료 비용이 낮아져 스프레드가 확대될 수 있습니다. 반면 원유 가격 상승이나, 최종 제품 가격 하락 시 스프레드는 줄어들게 됩니다.  종합하지면 석유화학 산업의 업황에서 가장 중요한 요소는 스프레드(≒마진) 이며, 이는 B to B 거래의 특성(주된 고객 산업의 경기 상황), 수급(제품의 공급과 수요) 등에 따라 결정됩니다. II. 석유화학산업 공부하기 전, 2024년 산업 동향 파악하기. ※ 민주당(해리스)  vs 공화당(트럼프)의 당선에 따라 석유화학 산업의 수급/스프레드 변화를 우려하는 이유  석유산업은 크게 NCC(Naphtha Cracking Center)와 ECC(Ethylene ...