나만의 투자전략 만들기 실전: 나심 탈레브의 바벨전략을 응용한 '골드-테크 바벨 포트폴리오' 검증
백테스팅으로 나만의 전략 만들기
지난 포스팅에서는 복잡한 코딩 없이 브라우저에서 누구나 무료로 돌려볼 수 있는 자산배분 계산기의 기본 인터페이스와 성과 해석법을 상세히 소개해 드렸습니다. 자산배분 계산기(백테스터)의 기본 세팅법이나 용어가 아직 낯선 분들은 아래 지난 가이드 글을 먼저 읽어보시고 오시면 본문의 흐름을 훨씬 쉽게 따라오실 수 있습니다
이론과 도구를 익혔다면, 이제는 "실제 시장에서 내 돈을 안전하게 불려줄 수 있는 나만의 실전 투자 전략"을 직접 수립하고 검증해 볼 차례입니다. 대가들의 인사이트에서 아이디어를 포착하고, 자산군을 선별하며, 과최적화(Overfitting)를 철저히 차단하는 Train/Test Set 분할 백테스팅까지 이어지는 저만의 실전 전략 구축 워크플로우를 아낌없이 공유해 드립니다. 본문을 보며 계산기를 새 창으로 열어두고 자신만의 아이디어를 함께 시뮬레이션해 보시길 권장합니다.
1. 투자전략의 아이디어 얻기: 나심 탈레브의 '바벨 전략(Barbell Strategy)’
저는 새로운 투자 전략을 구상할 때 유명 대가들의 고전, 논문, 투자 격언, 그리고 경제학 인터뷰 속에서 가장 본질적인 아이디어를 얻곤 합니다. 오늘 검증해 볼 아이디어의 출발점은 바로 『블랙 스완』의 저자이자 월가의 사상가인 나심 탈레브(Nassim Taleb)의 '바벨 전략(Barbell Strategy)'입니다.
바벨(역기)의 양 끝처럼, 중간의 애매한 위험을 가진 자산은 철저히 배제하고 '극단적인 초안전 자산'과 '극단적인 고수익 위험 자산'만을 묶어 양극단으로 포트폴리오를 구성하는 방법론입니다. 극단적 안전 자산이 원금의 하방을 단단하게 지지해 주는 사이, 극단적 위험 자산이 시장 폭등기의 상방 수익을 폭발적으로 이끌어내는 원리입니다.
이 논리의 기초적인 유효성을 확인해 보기 위해, 미국 대표 기술주 성장 ETF인 나스닥(QQQ)과 역사상 가장 강력한 실물 안전자산인 금(GLD)을 50:50으로 조합하여 계산기에서 1차 백테스팅을 돌려보았습니다
그 결과, 연평균 복리수익률(CAGR)은 13.71%, 최대 낙폭(MDD)은 -33.82%를 기록했습니다. 이는 동기간 미국 시장 지수 벤치마크인 SPY(CAGR 10.97%, MDD -55.19%) 대비 수익률은 약 2.7%p 이상 앞서면서도 최대 하락폭은 20%p 이상 줄여낸 압도적인 성과였습니다. 단 한 번의 테스트로 바벨 전략의 우수성을 단정할 수는 없겠지만, 본격적으로 정교화해 볼 가치가 충분한 아이디어임을 확인할 수 있었습니다
2. 투자할 자산군 선별과 상관관계 분석
바벨 전략의 뼈대를 세웠다면, 다음 단계는 포트폴리오에 편입할 구체적인 자산군 ETF를 엄선하는 작업입니다.
위험자산 후보군 압축 (QQQ, SMH, IWO, ARKK)
고성장 위험자산 후보군으로 나스닥100(QQQ), 반도체(SMH), 중소형 성장주(IWO), 혁신 테마주(ARKK)를 후보군에 올리고 계산기의 일별 수익률 상관계수를 측정해 보았습니다.
상관관계를 분석해 본 결과, 위험자산 후보군들은 서로 0.70 이상의 매우 높은 양의 상관계수를 나타냈습니다. 자산군끼리 지나치게 똑같이 움직이면 여러 개로 쪼개 담아도 분산 투자 효과가 미미합니다. 이에 따라 운용 규모와 거래량이 작고 하락장 변동성이 과도한 IWO와 ARKK는 제외했습니다. 반도체(SMH) 역시 QQQ와 궤를 같이하지만, 인공지능과 하드웨어 인프라의 장기 성장성에 대한 개인적인 확신을 반영하여 최종적으로 [QQQ + SMH]를 공격수(위험자산)로 채택했습니다.
안전자산 후보군 압축 (IEF, GLD, SCHD, PAVE)
안전자산 후보군으로는 미국 중기국채(IEF), 금(GLD), 배당성장(SCHD), 인프라(PAVE)를 검토했습니다.
얼핏 보면 배당주(SCHD)나 인프라(PAVE)가 주식 시장 방어에 도움을 줄 것처럼 보이지만, 상관계수 데이터 분석 결과 주식형 자산 간의 근본적인 동조화를 벗어나지 못했습니다. 금융위기나 팬데믹 같은 블랙스완 국면에서는 배당주 역시 주식과 함께 하방 압력을 받기 때문에, 바벨의 한 축을 담당할 순수 안전자산으로는 부적합하다고 판단했습니다.
따라서 주식 시장과 완벽히 독립적이거나 음의 상관관계를 보여주는 미국 중기국채(IEF)와 금(GLD)을 수비수로 확정했습니다.
- 최종 포트폴리오 자산군: QQQ(나스닥), SMH(반도체), IEF(미국 중기국채), GLD(금)
이번 전략의 구성의 특징은 기술과 금 이라고 생각했습니다. 그래서 저는
이번전략을 ‘골드-테크 바벨전략’으로 명명했습니다.
3. 백테스팅 환경 세팅: Train/Test Set 분할을 통한 과최적화 방지
본격적인 시뮬레이션에 들어가기 전, 실전 환경과 가장 유사한 파라미터를 설정해야 합니다.
- 거래 수수료 & 세금: 미국 대형 ETF로만 구성되어 유동성이 풍부하지만, 환전 비용과 매매 호가 슬리피지를 보수적으로 반영하여 0.2%로 설정했습니다.
- 리밸런싱 주기: 변동성이 큰 기술주와 반도체 ETF가 포함되어 있어 단순 바이앤홀드(Buy & Hold)는 위험합니다. 변동성을 수익으로 전환하기에 가장 적절한 '월단위' 리밸런싱을 채택했습니다.
- 기간 설정 (Train Set vs Test Set 분할):
- 많은 투자자가 전체 과거 데이터를 통째로 넣고 수익률이 가장 높게 나오는 비율을 쥐어짜내는 실수를 범하는데, 이는 미래에 작동하지 않는 전형적인 과최적화(Overfitting)의 지름길입니다.
- 머신러닝 모델 검증 방식처럼 백테스트 구간을 Train Set(학습/전략 탐색 구간)과 Test Set(최종 검증 구간)으로 엄격히 분리하여 진행합니다.
- Train Set (2000년대 초반 ~ 최근 2년 전): 과거 20여 년간의 데이터를 바탕으로 자산 비중 민감도를 다양하게 테스트하며 최적의 비율을 도출합니다.
- Test Set (최근 2년): Train Set에서 확정된 단 하나의 전략 비율을 최신 2개년 데이터에 단 한 번만 대입하여, 최근의 고금리·인플레이션 시장 구조에서도 정상 작동하는지 최종 판정합니다.
4. 단계별 백테스팅 실행 및 성과 검증
백테스팅은 4단계의 엄격한 프로세스로 진행되었습니다. 비중을 조금만 바꿔도 수익률이 폭락하거나 MDD가 요동친다면 그 전략은 과최적화된 불량 전략으로 간주하고 폐기해야 합니다.
백테스트 단계별 설계
| 단계 | 데이터 구간 | 자산 비중 (QQQ / SMH / GLD / IEF) | 테스트 목적 |
| Test 1 | Train Set | 30% / 30% / 20% / 20% | 기본 바벨 전략의 실효성 1차 검증 |
| Test 2 | Train Set | 35% / 35% / 15% / 15% | 위험자산 확대 시 성과 민감도 확인 |
| Test 3 | Train Set | 40% / 20% / 25% / 15% | QQQ 중심 비중 조절 및 최종 비율 선정 |
| Test 4 | Test Set (최근 2년) | 40% / 20% / 25% / 15% | 최신 시장 환경에서의 과최적화 여부 최종 확정 |
백테스트 결과 데이터
| 구분 | 연평균 복리수익률 (CAGR) | 최대 낙폭 (MDD) | 결과 해석 |
| Test 1 | 12.27% | -35.89% | 균형 잡힌 위험-수익 프로파일 확인 |
| Test 2 | 13.08% | -41.49% | 위험자산 증가에 따른 비례적 수익/낙폭 상승 (정상 궤도) |
| Test 3 | 12.41% | -35.95% | QQQ 비중 강화로 MDD 개선 및 안정적 우상향 확보 |
| Test 4 (Test Set) | 27.94 | -15.08 | 최신 2개년 인플레이션·고금리 장세에서도 벤치마크 압도 |
Test 3 세팅과 결과
Test 4 세팅과 결과
결과 종합 분석:
- Test 1부터 Test 3까지 자산 비중을 변경함에 따라 성과가 급격히 무너지지 않고 예측 가능한 범위 내에서 움직이는 성과 안정성(Robustness)을 확인했습니다.
- 최신 시장 데이터인 Test 4(Test Set)에서도 시장 지수를 상회하며 전략의 유효성이 유지되었습니다.
- 따라서 이번 '골드-테크 바벨 전략'은 특정 과거 시점에만 우연히 들어맞은 과최적화 전략이다 라고 말할수는 없겠습니다.
5. 실전 투자자를 위한 마지막 당부의 말씀
백테스팅 결과는 어디까지나 '과거의 데이터'라는 점을 잊지 말아야 합니다. 과거 수십 년의 통계는 미래 시장을 예측하고 포트폴리오의 뼈대를 잡는 데 가장 강력한 나침반이지만, 미래의 수익을 100% 보장하는 보증수표는 아닙니다.
- 지속적인 과최적화 의심: 숫자가 조금 더 예쁘게 나온다고 해서 특정 자산 비중을 극단적으로 쥐어짜지 마십시오.
- Train/Test Set 분할 검증 습관화: 백테스트를 돌릴 때는 항상 최근 데이터를 남겨두고 최종 검증하는 습관을 들이십시오.
- 나만의 인사이트 결합: 경제 서적과 시장 공부를 통해 얻은 통찰을 계산기에 가볍게 대입해 보며, 하락장에서도 내 마음이 편안하게 버틸 수 있는 '나만의 최적 포트폴리오'를 찾아가시길 바랍니다.
※ 본 포스팅은 개인적인 투자 아이디어 검증 및 백테스트 학습 기록이며, 특정 종목의 매수·매도 추천이 아닙니다. 과거의 백테스트 성과가 미래 수익을 보장하지 않으며, 모든 투자의 최종 판단과 책임은 투자자 본인에게 있습니다.