<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by DevOZ on Medium]]></title>
        <description><![CDATA[Stories by DevOZ on Medium]]></description>
        <link>https://medium.com/@DevOZ?source=rss-3fe458c98862------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*ow9mclYqsUzLvCSN</url>
            <title>Stories by DevOZ on Medium</title>
            <link>https://medium.com/@DevOZ?source=rss-3fe458c98862------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 09:07:43 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@DevOZ/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[리스크는 더해지지 않는다]]></title>
            <link>https://medium.com/inha-qlab/%EB%A6%AC%EC%8A%A4%ED%81%AC%EB%8A%94-%EB%8D%94%ED%95%B4%EC%A7%80%EC%A7%80-%EC%95%8A%EB%8A%94%EB%8B%A4-6a9eef6592cb?source=rss-3fe458c98862------2</link>
            <guid isPermaLink="false">https://medium.com/p/6a9eef6592cb</guid>
            <category><![CDATA[factor-investing]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[quantitative-finance]]></category>
            <category><![CDATA[portfolio-management]]></category>
            <category><![CDATA[risk-management]]></category>
            <dc:creator><![CDATA[DevOZ]]></dc:creator>
            <pubDate>Wed, 12 Aug 2026 13:33:26 GMT</pubDate>
            <atom:updated>2026-08-12T13:33:26.390Z</atom:updated>
            <content:encoded><![CDATA[<h4>표준편차, 추적오차, 구조적 다중요인 모형, MCAR로 이해하는 액티브 포트폴리오의 위험 엔진</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uuNIDCkRduu4Yx544WJIcg.png" /></figure><p>포트폴리오에서 가장 큰 비중을 차지하는 종목이 반드시 가장 큰 리스크를 만드는 것은 아니다.</p><p>두 포트폴리오의 연간 변동성이 각각 20.5%와 20.1%로 거의 같더라도, 두 포트폴리오 사이의 추적오차는 4.2%가 될 수 있다. 상관계수가 97.9%에 달하더라도 상대수익률은 충분히 크게 흔들릴 수 있다는 뜻이다.</p><p>위기 때 종목 간 상관계수가 높아지는 현상도 반드시 “상관구조가 붕괴했다”는 의미는 아니다. 잔차위험이 그대로인 상황에서 시장 변동성만 커져도 상관계수는 산술적으로 상승한다.</p><p>이 두 사례는 퀀트 운용에서 리스크가 단순한 변동성 숫자 하나가 아니라는 점을 보여준다.</p><p>리스크는 다음 질문에 답하기 위한 계산 체계다.</p><blockquote><em>포트폴리오가 얼마나 흔들리는가?<br>무엇이 그 흔들림을 만들고 있는가?<br>그 위험은 매니저가 의도한 것인가, 아니면 의도하지 않은 부산물인가?</em></blockquote><p>《Active Portfolio Management》의 3장은 이 질문을 통해 액티브 운용의 분모를 완성한다.</p><p>2장이 CAPM을 이용해 기대수익률의 기준점을 만들었다면, 3장은 잔차위험을 정의하고 예측한다. 이후 Information Ratio는 두 요소를 결합한다.</p><pre>IR = 기대 잔차수익 α / 잔차위험 ω</pre><p>즉, 기대수익이 액티브 운용의 주인공이라면 리스크는 그 수익을 제한하고 검증하는 적대자다.</p><h3>1. 왜 리스크를 표준편차로 정의하는가</h3><p>리스크를 “돈을 잃을 가능성”이라고 정의하는 것은 직관적으로 자연스럽다.</p><p>하지만 기관투자자의 세계에서는 이 정의가 충분하지 않다. 최종 수익자, 기업, 연기금 수탁자, 자산운용사로 이어지는 대리인 사슬에서 누구의 손실회피 성향을 기준으로 삼아야 하는지 결정하기 어렵기 때문이다.</p><p>따라서 이 장은 개인의 선호가 개입된 risk보다 결과가 얼마나 흩어져 있는지를 뜻하는 uncertainty에 가까운 정의를 요구한다. 특히 벤치마크 상대평가에서는 상승한 종목을 보유하지 않은 것과 하락한 종목을 과대보유한 것이 모두 성과 훼손으로 이어지므로, 위와 아래를 대칭적으로 다룰 필요가 있다.</p><h4>좋은 리스크 척도의 5가지 조건</h4><p>자료는 리스크 척도가 만족해야 하는 조건을 다섯 가지로 정리한다.</p><ol><li><strong>보편성·비인격성</strong>: 특정 투자자의 선호에 의존하지 않아야 한다.</li><li><strong>대칭성</strong>: 상승과 하락을 동일하게 다뤄야 한다.</li><li><strong>유연성</strong>: 종목, 포트폴리오, 과거 측정, 미래 예측에 모두 적용할 수 있어야 한다.</li><li><strong>예측 가능성</strong>: 과거를 설명하는 데 그치지 않고 미래 위험을 예측할 수 있어야 한다.</li><li><strong>합성 가능성</strong>: 개별 자산의 정보만으로 모든 포트폴리오 조합의 위험을 계산할 수 있어야 한다.</li></ol><p>마지막 조건인 <strong>합성 가능성</strong>이 특히 중요하다.</p><p>포트폴리오 최적화기는 수백 개 또는 수천 개의 후보 포트폴리오를 반복적으로 평가한다. 각 후보를 실제로 운용해보지 않고도 자산별 변동성과 공분산만으로 위험을 즉시 계산할 수 있어야 한다.</p><h4>표준편차, 세미분산, 시프폴 확률, VaR</h4><p>자료에서는 네 가지 후보를 비교한다.</p><ul><li>표준편차</li><li>세미분산 또는 하방위험</li><li>시프폴 확률</li><li>Value at Risk</li></ul><p>세미분산은 평균보다 낮은 결과만 이용하므로 손실에 집중한다는 장점이 있다. 하지만 자산 수준의 세미분산으로 포트폴리오 수준의 하방위험을 정확하게 합성하기 어렵다. 비대칭성이 시간에 따라 불안정하고, 데이터의 절반만 사용하므로 추정 정확도도 낮아진다.</p><p>시프폴 확률과 VaR는 꼬리위험을 직관적으로 보여주지만, 소수의 극단 관측치에 매우 민감하다. 특정 포트폴리오의 꼬리 특성이 미래에도 지속될지 예측하기도 어렵다.</p><p>표준편차가 선택되는 이유는 완벽하기 때문이 아니다.</p><p>수익률 분포 전체를 하나의 숫자로 압축하는 순간 어떤 척도든 정보 손실이 발생한다. 핵심은 “어떤 척도가 결함이 없는가”가 아니라 “어떤 결함을 감수할 수 있는가”다. 자료는 표준편차의 결함이 포트폴리오 운용에서 가장 감당하기 쉽다고 본다.</p><h4>리스크를 정의하는 것과 보고하는 것은 다르다</h4><p>여기서 중요한 구분이 하나 나온다.</p><blockquote><em>리스크를 계산하는 방식과 리스크를 투자자에게 보고하는 방식은 같을 필요가 없다.</em></blockquote><p>자산 수준에서는 표준편차와 공분산을 이용해 리스크를 계산한다. 이를 포트폴리오 수준으로 합성한 다음, 최종 보고 단계에서 필요하다면 VaR나 Shortfall Probability로 변환할 수 있다.</p><pre>자산별 변동성·공분산<br>→ 포트폴리오 표준편차 계산<br>→ 필요할 경우 VaR 형태로 보고</pre><p>따라서 VaR가 필요 없다는 뜻이 아니다.</p><p>VaR는 유용한 <strong>보고 형식</strong>이지만, 수천 개 포트폴리오 후보를 비교하는 <strong>계산 엔진</strong>으로는 표준편차와 공분산이 더 적합하다는 의미다.</p><h3>2. “Risks Don’t Add”: 리스크는 단순히 더해지지 않는다</h3><p>기대수익률, 베타, 시가총액과 같은 특성은 포트폴리오 비중에 따라 가중평균할 수 있다.</p><p>그러나 표준편차는 그렇지 않다.</p><p>두 종목에 각각 50%씩 투자한 포트폴리오의 리스크는 다음과 같다.</p><pre>σ_P = √(0.25σ₁² + 0.5ρ₁₂σ₁σ₂ + 0.25σ₂²)</pre><p>두 종목의 상관계수 ρ₁₂가 1보다 작다면 포트폴리오 리스크는 개별 리스크의 단순 가중평균보다 작다.</p><pre>σ_P ≤ (σ₁ + σ₂) / 2</pre><p>등호는 두 종목이 완전히 같은 방향으로 움직이는 ρ₁₂ = 1일 때만 성립한다.</p><p>이것이 분산투자의 수학적 핵심이다.</p><blockquote><em>리스크에서는 전체가 부분의 합보다 작다.</em></blockquote><h4>GE와 IBM만 섞어도 리스크가 줄어든다</h4><p>1992년 12월 데이터에서 GE와 IBM의 연간 리스크는 각각 다음과 같았다.</p><pre>GE 리스크  = 27.4%<br>IBM 리스크 = 29.7%<br>상관계수    = 62.9%</pre><p>두 종목의 상관계수가 1보다 작기 때문에 둘을 섞은 포트폴리오의 리스크 곡선은 두 리스크를 단순 연결한 직선보다 아래에 놓인다.</p><p>자료의 계산에서는 GE 비중 약 61%에서 포트폴리오 리스크가 약 25.6%까지 낮아진다. 두 종목 모두의 개별 리스크보다 낮은 값이다.</p><h4>종목을 계속 늘리면 리스크는 0이 될까</h4><p>모든 종목의 변동성이 σ로 같고 서로 완전히 무상관이라면, N개 종목을 동일 비중으로 보유한 포트폴리오 리스크는 다음과 같다.</p><pre>σ_P = σ / √N</pre><p>N이 커질수록 리스크는 0에 가까워진다.</p><p>하지만 현실에서 종목들은 완전히 독립적이지 않다. 모든 종목 쌍의 상관계수가 ρ로 같다고 가정하면 다음 식을 얻는다.</p><pre>σ_P = σ × √(ρ + (1 − ρ)/N)</pre><p>N이 무한히 커지면,</p><pre>σ_P → σ√ρ</pre><p>포트폴리오 리스크는 0이 아니라 σ√ρ라는 바닥에서 멈춘다. 종목 고유위험은 분산시킬 수 있지만, 종목들이 공통으로 노출된 시장·산업·스타일 요인의 위험은 남기 때문이다.</p><p>이 식은 액티브 운용의 Breadth를 이해하는 데도 중요하다.</p><p>종목 수가 100개라고 해서 독립적인 베팅이 100개인 것은 아니다. 동일한 산업과 팩터에 묶여 있다면 실질적인 독립 베팅의 수는 훨씬 작다.</p><h4>시간에 대해서도 리스크는 선형으로 더해지지 않는다</h4><p>수익률의 자기상관이 0에 가깝다면 기간 리스크는 시간의 제곱근에 비례한다.</p><pre>σ_T = σ_1 × √T</pre><p>월간 리스크를 연율화할 때는 다음과 같이 계산한다.</p><pre>σ_연 = σ_월 × √12</pre><p>반면 평균수익률은 기간에 비례한다.</p><pre>평균수익률_연 = 평균수익률_월 × 12</pre><p>즉 평균과 리스크의 시간 확장은 서로 다르다.</p><pre>평균 → T에 비례<br>리스크 → √T에 비례<br>분산 → T에 비례</pre><p>자료의 마젤란 펀드 사례에서도 월간 표준편차 6.3%를 √12배 하면 연간 표준편차 21.8%가 된다.</p><h3>3. 액티브 리스크와 잔차 리스크는 다르다</h3><p>액티브 운용에서 총변동성보다 중요한 것은 벤치마크와의 상대적 위험이다.</p><p>포트폴리오 수익률을 r_P, 벤치마크 수익률을 r_B라고 하자.</p><h4>액티브 리스크: Tracking Error</h4><p>액티브 수익률은 단순히 포트폴리오 수익률에서 벤치마크 수익률을 뺀 값이다.</p><pre>r_PA = r_P − r_B</pre><p>액티브 리스크 또는 Tracking Error는 이 상대수익률의 표준편차다.</p><pre>ψ_P = Std(r_P − r_B)</pre><p>액티브 리스크에는 두 종류의 베팅이 함께 들어간다.</p><ul><li>벤치마크와 다른 베타를 가진 데서 발생한 시장 타이밍 베팅</li><li>시장으로 설명되지 않는 잔차 베팅</li></ul><h4>잔차 리스크</h4><p>잔차수익은 포트폴리오 수익률에서 베타로 조정한 시장수익률을 제거한 값이다.</p><pre>θ_P = r_P − β_P × r_B</pre><p>잔차 리스크는 다음과 같다.</p><pre>ω_P = Std(θ_P)</pre><p>두 개념의 관계는 다음 식에서 드러난다.</p><pre>r_PA = (β_P − 1) × r_B + θ_P</pre><p>포트폴리오 베타가 1이면 첫 번째 항이 사라진다.</p><pre>β_P = 1  →  ψ_P = ω_P</pre><p>그래서 시장 타이밍 능력을 주장하지 않는 액티브 매니저는 포트폴리오 베타를 1에 가깝게 유지한다. 이렇게 하면 액티브 리스크와 잔차 리스크가 같아지고, 예측하기 어려운 시장 기대수익률까지 맞힐 필요가 없어진다.</p><h4>벤치마크 비중이 크다고 액티브 리스크가 큰 것은 아니다</h4><p>실무에서 흔히 사용하는 포지션 한도는 벤치마크 비중을 기준으로 한다.</p><p>예를 들어 벤치마크 비중이 4%인 IBM에는 ±2%포인트의 이탈을 허용하고, 벤치마크 비중이 0.6%인 소형주에는 ±0.3%포인트의 이탈을 허용할 수 있다.</p><p>두 종목 모두 벤치마크 대비 ±50%이므로 공평해 보인다.</p><p>하지만 위험은 상대비율이 아니라 <strong>액티브 비중과 종목 변동성의 곱</strong>에서 발생한다.</p><p>자료의 예시를 그대로 계산하면 다음과 같다.</p><pre>IBM     : 2.0%p × 30% = 60<br>소형주  : 0.3%p × 45% = 13.5</pre><p>형식적으로는 동일한 ±50% 한도지만 IBM에 네 배가 넘는 액티브 리스크를 허용한다.</p><p>핵심은 다음과 같다.</p><blockquote><em>액티브 리스크는 벤치마크 보유비중이 아니라 액티브 노출과 종목 리스크에 달려 있다.</em></blockquote><p>유동성과 거래비용 때문에 대형주에 더 큰 포지션을 허용할 수는 있다. 다만 그것은 리스크 논리가 아니라 실행비용의 논리다.</p><h4>리스크의 비용은 분산에 비례한다</h4><p>액티브 운용의 Value Added는 다음과 같이 표현할 수 있다.</p><pre>VA = α − λψ²</pre><ul><li>α: 기대 액티브 수익</li><li>ψ: 액티브 리스크</li><li>λ: 위험회피계수</li></ul><p>리스크의 비용은 표준편차가 아니라 분산 ψ²에 비례한다.</p><p>따라서 액티브 리스크를 두 배로 늘리면 비용은 네 배가 된다.</p><pre>ψ → 2ψ<br>λψ² → 4λψ²</pre><p>리스크 예산을 조금 더 사용하는 데 필요한 기대수익은 점점 커진다. 이것이 포트폴리오 최적화에서 과도한 집중을 억제하는 힘이다.</p><h3>4. 공분산행렬을 그대로 추정하면 왜 실패하는가</h3><p>N개의 종목이 있을 때 필요한 상관계수의 수는 다음과 같다.</p><pre>N(N − 1) / 2</pre><p>종목 수가 100개라면 상관계수는 4,950개다.</p><p>S&amp;P 500 규모에서는 124,750개가 필요하다.</p><p>6,000개 종목을 다루면 17,997,000개의 상관계수를 추정해야 한다. 개별 분산까지 포함한 공분산행렬 전체에는 약 18,003,000개의 숫자가 필요하다.</p><p>리스크 모형은 이 공분산행렬을 <strong>정확하고 효율적으로</strong> 예측해야 한다.</p><p>정확하지 않으면 최적화기가 잘못된 방향으로 포지션을 잡는다. 효율적이지 않으면 매일 수천 개의 포트폴리오 후보를 평가할 수 없다.</p><h4>초급 리스크 모형 세 가지와 각각의 실패</h4><h4>1. 단일요인 대각 모형</h4><pre>r_n = β_n r_M + θ_n</pre><p>시장요인을 제거한 뒤 모든 잔차수익이 서로 무상관이라고 가정한다.</p><p>문제는 같은 산업에 속한 종목들의 잔차가 여전히 함께 움직인다는 점이다. 시장 하나만 제거해서는 산업·규모·가치·모멘텀 노출을 충분히 걸러낼 수 없다.</p><h4>2. 상수 상관계수 모형</h4><pre>σ_ij = ρσ_iσ_j</pre><p>모든 종목 쌍의 상관계수가 동일하다고 가정한다.</p><p>추정은 간단하지만 은행 두 종목의 관계와 은행·바이오 종목의 관계를 동일하게 취급하므로 구조적 차이를 놓친다.</p><h4>3. 과거 공분산 모형</h4><p>가정을 최소화하고 과거 수익률에서 공분산행렬을 직접 계산한다.</p><p>가장 현실적으로 보이지만 추정오차가 폭발한다. 자료는 첫 두 모형은 너무 단순해서 실패하고, 과거 공분산 모형은 너무 자유로워서 실패한다고 정리한다.</p><h4>T가 N보다 작으면 ‘위험이 0인 포트폴리오’가 만들어진다</h4><p>표본 공분산행렬을 안정적으로 추정하려면 관측기간 T가 종목 수 N보다 커야 한다.</p><pre>T &gt; N</pre><p>S&amp;P 500을 월간 데이터로 추정한다면 40년이 넘는 관측치가 필요하다.</p><p>T ≤ N이면 표본상 위험이 0으로 보이는 액티브 포지션을 찾을 수 있다. 최적화기는 그 포지션이 실제로 위험이 없는 것이 아니라는 사실을 모른 채, 가장 과도하게 베팅하고 싶은 방향으로 판단한다.</p><p>공분산 125,250개 중 5%만 부실하게 추정되어도 6,000개가 넘는 잘못된 숫자가 생긴다. 그리고 최적화기는 평균적인 추정치를 고르는 것이 아니라, 가장 낙관적으로 잘못 추정된 방향을 찾아내 집중한다.</p><p>여기에 다음 문제도 남는다.</p><ul><li>장기 월간 데이터와 실제 투자기간의 불일치</li><li>기업의 합병·분할·사업구조 변화</li><li>파산·인수된 기업이 표본에서 빠지는 선택편향</li><li>과거 상관구조가 미래에도 유지된다는 가정</li></ul><p>따라서 과거 공분산행렬을 그대로 최적화기에 넣는 것은 강건하지도, 합리적이지도 않다.</p><h3>5. 구조적 다중요인 모형: 종목 대신 요인을 추정한다</h3><p>구조적 다중요인 모형의 핵심 발상은 단순하다.</p><blockquote><em>수천 개 종목의 관계를 직접 추정하지 말고, 종목들이 공유하는 소수의 요인을 추정한다.</em></blockquote><p>6,000개 종목과 68개 요인을 가정하면 필요한 숫자는 다음 정도로 줄어든다.</p><pre>전체 공분산행렬       ≈ 18,003,000개<br>요인 공분산           = 68 × 69 / 2 = 2,346개<br>종목별 특수분산       = 6,000개<br>합계                  ≈ 8,346개</pre><p>약 2,150분의 1 수준으로 차원을 축소하는 셈이다.</p><p>자료는 이 구조를 다음 한 문장으로 요약한다.</p><blockquote><em>종목은 변하지만 요인은 변하지 않는다.</em></blockquote><p>기업이 합병되거나 사업구조가 달라져도 새로운 요인 노출만 측정하면 된다. 개별 종목의 긴 과거 이력에 의존하지 않으므로 선택편향 문제도 줄어든다.</p><h4>수익률 모형</h4><p>종목 n의 수익률은 공통요인 부분과 고유 부분으로 나눈다.</p><pre>r_n = Σ_k X_n,k × b_k + u_n</pre><p>각 기호의 의미는 다음과 같다.</p><ul><li>X_n,k: 종목 n의 요인 k에 대한 노출</li><li>b_k: 해당 기간 요인 k의 수익률</li><li>u_n: 요인으로 설명되지 않는 특수수익</li></ul><p>요인 노출 X는 기간이 시작할 때 관측할 수 있어야 한다.</p><p>산업요인은 0 또는 1로 표현할 수 있고, 규모·가치·모멘텀 같은 연속형 요인은 평균 0, 표준편차 1이 되도록 표준화한다.</p><p>반면 요인수익 b는 해당 기간이 끝나야 알 수 있다.</p><pre>기간 시작: X는 관측 가능<br>기간 종료: b와 u가 실현</pre><p>이 시간 구조를 지켜야 미래 정보를 과거 시점에 사용하는 Look-ahead Bias를 피할 수 있다.</p><h4>공분산행렬의 분해</h4><p>구조적 리스크 모형은 전체 공분산행렬을 다음과 같이 표현한다.</p><pre>V = XFXᵀ + Δ</pre><ul><li>V: 종목 수익률 공분산행렬</li><li>X: 종목별 요인 노출행렬</li><li>F: 요인수익 공분산행렬</li><li>Δ: 종목별 특수분산을 담은 대각행렬</li></ul><p>첫 번째 항 XFXᵀ는 종목들이 공통요인을 통해 함께 움직이는 부분이다.</p><p>두 번째 항 Δ는 각 종목에 고유한 변동이다. 특수수익끼리는 무상관이라고 가정하므로 대각선 밖의 값은 모두 0이다.</p><pre>공통요인 리스크 = XFXᵀ<br>특수 리스크     = Δ</pre><p>단일요인 모형도 잔차 무상관을 가정하지만, 시장요인 하나만 제거한 뒤의 잔차에 그 가정을 적용한다. 구조적 모형은 산업·규모·가치·모멘텀 등 여러 공통요인을 제거한 뒤 특수수익에 무상관 가정을 적용하므로 훨씬 현실적이다.</p><h4>포트폴리오 리스크의 분해</h4><p>포트폴리오 비중을 h_P라고 하고, 포트폴리오의 요인 노출을 다음과 같이 정의하자.</p><pre>x_P = Xᵀh_P</pre><p>포트폴리오 분산은 다음 두 부분으로 분해된다.</p><pre>σ_P² = x_PᵀF x_P + h_PᵀΔh_P</pre><p>액티브 비중 h_PA = h_P − h_B에도 같은 구조를 적용할 수 있다.</p><pre>x_PA = Xᵀh_PA</pre><pre>ψ_P² = x_PAᵀF x_PA + h_PAᵀΔh_PA</pre><p>따라서 액티브 리스크가 높은 이유를 “변동성이 높다”에서 끝내지 않고 다음처럼 구체적으로 설명할 수 있다.</p><pre>산업요인 때문에 높은가?<br>Size 노출 때문에 높은가?<br>Momentum 노출 때문에 높은가?<br>몇 개 종목의 특수위험 때문에 높은가?</pre><h3>6. 리스크 요인은 수익의 원인이 아니라 분석의 좌표축이다</h3><p>요인 모형을 사용할 때 가장 흔한 오해는 요인을 수익률의 원인으로 해석하는 것이다.</p><p>구조적 리스크 모형은 “소형주 요인이 올랐기 때문에 이 종목이 올랐다”고 주장하지 않는다.</p><p>대신 다음과 같이 해석한다.</p><blockquote><em>소형주라는 특성을 공유한 종목들이 같은 방향으로 움직이는 경향이 있으므로, 소형주 노출을 하나의 리스크 축으로 관리한다.</em></blockquote><p>요인은 인과법칙이 아니라 공통 움직임을 분해하기 위한 좌표계다. 또한 모든 요인 노출은 기간 시작 전에 알 수 있는 a priori factor여야 한다. “이번 달 많이 오른 종목”처럼 사후적으로만 알 수 있는 특성은 리스크 요인으로 사용할 수 없다.</p><h4>모멘텀 리스크 요인은 상승 지속을 예측하지 않는다</h4><p>모멘텀 요인이 있다고 해서 “최근 오른 종목이 앞으로도 계속 오른다”고 예측하는 것은 아니다.</p><p>반대로 평균회귀를 예측하는 것도 아니다.</p><p>리스크 모형이 주장하는 것은 더 제한적이다.</p><pre>최근 성과가 좋았던 종목들이 서로 비슷하게 움직일 수 있다.</pre><p>그 움직임이 상승일지 하락일지는 알 수 없다.</p><p>그러나 리스크를 계산하는 데는 방향을 알 필요가 없다. 모멘텀 종목 20개를 함께 담았을 때 모두 같이 오르든 같이 내리든 포트폴리오가 크게 흔들린다는 사실만 알면 된다. 리스크는 방향이 아니라 분산의 문제이기 때문이다.</p><h4>어떤 요인을 선택해야 하는가</h4><p>자료는 좋은 요인의 조건을 세 단어로 정리한다.</p><h4>Incisive: 예리한가</h4><p>해당 특성이 종목 수익률의 차이를 실제로 구분해야 한다.</p><h4>Intuitive: 직관적인가</h4><p>투자자가 이해할 수 있는 경제적·투자적 이야기가 있어야 한다. 통계적으로만 발견되고 의미를 설명할 수 없는 요인은 모니터링과 검증이 어렵다.</p><h4>Interesting: 흥미로운가</h4><p>실제 포트폴리오 성과와 위험의 일부를 설명해야 한다. “이 기간에는 대형주 노출이 성과를 만들었다”와 같은 귀속분석이 가능해야 한다.</p><h4>거시요인, 횡단면 요인, 통계적 요인</h4><p>자료는 요인을 찾는 방법을 세 가지로 구분한다.</p><p>거시요인은 유가, 환율, 인플레이션, 산업생산처럼 외부 변수에 대한 종목의 반응을 회귀로 추정한다. 하지만 노출 추정오차가 크고, 기업의 헤지정책이 바뀌면 반응계수가 불안정해질 수 있다.</p><p>통계적 요인은 PCA와 같은 방법으로 데이터에서 직접 요인을 추출한다. 설명력은 있을 수 있지만 “제3주성분”이 어떤 위험을 의미하는지 해석하기 어렵고, 노출이 시간에 따라 바뀌는 모멘텀 같은 특성을 다루기 어렵다.</p><p>자료가 선호하는 것은 횡단면 요인이다.</p><ul><li>산업</li><li>규모</li><li>가치</li><li>모멘텀</li><li>유동성</li><li>변동성</li><li>성장성</li><li>재무레버리지</li></ul><p>이러한 특성은 기업 정보에서 직접 관측할 수 있고, 매니저가 이해할 수 있으며, 포트폴리오 의사결정과 연결하기 쉽다.</p><p>요인마다 단위가 다르므로 표준화도 필수다.</p><pre>z = (x_raw − 평균) / 표준편차</pre><p>이 과정을 거치면 시가총액, 배당수익률, 변동성처럼 단위가 다른 특성을 모두 “평균에서 몇 표준편차 떨어져 있는가”라는 공통 언어로 표현할 수 있다.</p><h3>7. 리스크 모형의 가치는 숫자 하나가 아니라 분해에 있다</h3><p>리스크 모형의 용도는 시점에 따라 세 가지로 구분할 수 있다.</p><h4>현재: 포트폴리오 분석</h4><p>현재 포트폴리오의 총위험과 액티브 리스크를 계산하고, 이를 시장·산업·스타일·특수위험으로 분해한다.</p><h4>미래: 포트폴리오 구성</h4><p>기대수익과 위험 사이의 균형을 고려해 최적 비중을 계산한다.</p><pre>VA = α − λψ²</pre><h4>과거: 성과 귀속</h4><p>실현된 액티브 수익이 어떤 산업, 요인, 종목 선택에서 발생했는지 분석하고, 같은 축으로 리스크도 귀속한다.</p><p>리스크 모형의 핵심 가치는 “포트폴리오 리스크가 6%다”라는 숫자 하나보다, 그 6%가 어디에서 발생했는지를 설명하는 데 있다.</p><h4>액티브 베팅의 세 가지 유형</h4><h4>Inherent: 내재적 베팅</h4><p>벤치마크 자체가 가진 위험이다. 매니저가 통제하기 어려우며, 벤치마크를 운용하는 이상 일정 부분 받아들여야 한다.</p><h4>Intentional: 의도적 베팅</h4><p>매니저가 높은 기대수익을 확신해 의도적으로 잡은 포지션이다.</p><p>높은 기대수익을 가진 종목이 높은 리스크 기여도를 보인다면 반드시 나쁜 것은 아니다. 포트폴리오가 매니저의 투자 판단과 일관되게 구성되었다는 뜻일 수 있다.</p><h4>Incidental: 부수적 베팅</h4><p>매니저가 의도하지 않았지만 종목 선택 과정에서 함께 따라온 위험이다.</p><p>예를 들어 고배당주를 선별했는데 금융주 비중이 지나치게 높아질 수 있다. 개별적으로는 타당한 종목 선택이 반복되면서 아무도 의사결정하지 않은 산업 베팅이 누적될 수도 있다.</p><p>리스크 모형은 어떤 베팅이 존재하는지 알려준다. 하지만 그것이 의도적인지 부수적인지는 매니저가 판단해야 한다.</p><h3>8. 총위험이 비슷해도 액티브 리스크는 클 수 있다</h3><p>1992년 12월 MMI 20종목 포트폴리오와 S&amp;P 500을 비교해 보자.</p><pre>MMI 변동성       = 20.5%<br>S&amp;P 500 변동성   = 20.1%<br>MMI 베타         = 0.96<br>추적오차         = 4.2%</pre><p>총변동성 차이는 0.4%포인트에 불과하다.</p><p>하지만 추적오차는 4.2%다.</p><p>액티브 리스크는 두 총위험의 차가 아니라 두 포트폴리오 상대수익률의 표준편차이기 때문이다.</p><pre>ψ² = σ_P² + σ_B² − 2ρσ_Pσ_B</pre><p>위 수치로 역산하면 두 포트폴리오의 상관계수는 약 97.9%다. 거의 같은 방향으로 움직이지만, 상대성과는 충분히 크게 달라질 수 있다.</p><p>MMI는 S&amp;P 500보다 대형주 노출이 컸고, 변동성은 낮았으며, 재무레버리지와 해외매출 노출은 더 컸다. 여러 산업 베팅도 포함하고 있었다.</p><p>따라서 추적오차 4.2%는 단순한 숫자가 아니라 다음과 같은 구조적 차이의 결과다.</p><pre>포트폴리오 − 벤치마크<br>= 산업 노출 차이<br>+ 스타일 노출 차이<br>+ 종목 고유 베팅</pre><h3>9. MCAR: 어떤 종목이 실제로 리스크를 만드는가</h3><p>포트폴리오 비중이 크다고 리스크 기여도도 큰 것은 아니다.</p><p>리스크 기여도는 해당 종목의 변동성뿐 아니라 다른 모든 종목과의 공분산에 의해 결정된다.</p><p>액티브 포지션 벡터를 h_PA라고 하면 액티브 리스크는 다음과 같다.</p><pre>ψ_P = √(h_PAᵀVh_PA)</pre><p>종목별 한계 액티브 리스크 기여도인 MCAR는 다음과 같다.</p><pre>MCAR = Vh_PA / ψ_P</pre><p>MCAR의 n번째 원소는 해당 종목의 액티브 비중을 1단위 증가시켰을 때 전체 액티브 리스크가 얼마나 변하는지를 뜻한다.</p><p>종목별 실제 리스크 기여도는 다음과 같다.</p><pre>Risk Contribution_n = h_PA(n) × MCAR(n)</pre><p>오일러 정리에 따라 종목별 기여도를 모두 더하면 전체 액티브 리스크와 정확히 일치한다.</p><pre>ψ_P = Σ_n h_PA(n) × MCAR(n)</pre><p>따라서 리스크 리포트의 기여도 합계가 100%가 되도록 분해할 수 있다. 같은 원리를 산업요인, 스타일요인, 특수위험에도 적용하면 FMCAR 기반의 요인별 리스크 귀속이 가능하다.</p><h3>비중과 MCAR는 다르다</h3><p>자료의 MMI 사례에서 3M은 9.23%로 가장 큰 비중을 차지했지만 MCAR는 중상위 수준이었다.</p><p>IBM은 비중이 4.62%로 중간 수준이었지만 MCAR는 가장 높았다.</p><p>AT&amp;T의 MCAR는 음수였다. AT&amp;T 비중을 조금 늘리면 오히려 포트폴리오의 액티브 리스크가 감소한다는 뜻이다.</p><p>American Express 비중을 2.28%에서 3.28%로 1%포인트 늘리면 액티브 리스크가 0.6bp 증가했다.</p><p>이 사례는 리스크를 비중 순서로 판단해서는 안 된다는 점을 보여준다. fileciteturn1file0L776-L792</p><p>실무에서는 MCAR 상위 종목을 확인한 뒤 다음 질문을 던질 수 있다.</p><blockquote><em>이 종목들이 내가 가장 확신하는 종목인가?</em></blockquote><p>그렇다면 높은 리스크 기여도는 의도적인 베팅일 수 있다.</p><p>그렇지 않다면 포트폴리오가 투자 아이디어와 무관한 부수적 위험을 보유하고 있을 가능성이 있다.</p><h3>10. 요인 포트폴리오: 요인 하나만 분리해서 움직이는 방법</h3><p>횡단면 회귀로 요인수익을 추정하면 다음과 같은 형태를 얻는다.</p><pre>b̂ = (XᵀΔ⁻¹X)⁻¹XᵀΔ⁻¹r</pre><p>이를 간단히 쓰면 다음과 같다.</p><pre>b̂ = C × r</pre><p>요인수익은 종목 수익률의 가중합이다.</p><pre>b_k = Σ_n c_k,n × r_n</pre><p>가중치 c_k,n을 포트폴리오 비중으로 해석하면, 요인수익은 특정 포트폴리오의 수익률과 같다.</p><p>이것이 요인 포트폴리오다.</p><p>2장의 Characteristic Portfolio는 대상 특성에 대한 노출을 1로 만들면서 리스크를 최소화했다. 그러나 다른 요인 노출은 통제하지 않았다.</p><p>3장의 Factor Portfolio는 다음 조건을 가진다.</p><pre>목표 요인 노출       = 1<br>다른 모든 요인 노출 = 0<br>리스크               = 최소</pre><p>예를 들어 Value 요인 포트폴리오라면 Value 노출만 1이고 산업·규모·모멘텀 노출은 모두 0이 되도록 구성한다.</p><p>이렇게 해야 특정 요인을 1단위 증가시켰을 때 포트폴리오 리스크가 어떻게 변하는지 순수하게 측정할 수 있다. 또한 종목 스크리닝 과정에서 함께 따라온 Incidental Bet을 구조적으로 제거할 수 있다.</p><p>다만 요인 포트폴리오는 모든 자산을 조금씩 포함할 수 있으므로 실제 투자용이라기보다 분석용 도구에 가깝다.</p><h3>11. 구조적 리스크 모형은 실제로 더 잘 작동하는가</h3><p>좋은 모형은 과거 데이터를 설명하는 것이 아니라 미래의 놀라움을 줄여야 한다.</p><p>자료는 구조적 리스크 모형과 과거 수익률 기반 모형을 비교한 실증을 소개한다.</p><p>1993~1994년 주식·채권 뮤추얼펀드 29개를 대상으로, 실현수익률이 예측 평균에서 2표준편차 이상 벗어난 사례를 확인했다.</p><p>정규분포와 정확한 리스크 예측을 가정하면 2σ 밖의 사건은 약 5% 정도 발생해야 한다.</p><pre>구조적 리스크 모형: 2σ 사건 1건, 약 3%<br>과거 3년 표준편차: 2σ 사건 5건, 약 17%<br>이론적 기대치: 약 5%</pre><p>과거 기반 모형은 2σ 사건이 이론값의 세 배 이상 발생했다. 실제 위험을 체계적으로 과소평가한 것이다.</p><p>다만 표본이 29개 펀드로 작다는 한계도 자료에서 명시한다. 또한 구조적 모형이 단순히 위험을 과대예측해서 놀라움을 줄인 것은 아닌지 별도의 편향 검정도 수행했다.</p><h4>분산 너머의 꼬리 특성은 지속되는가</h4><p>세미분산이 과거와 미래 사이에 상관관계를 보인다고 해서 분산보다 우월하다고 결론 내릴 수는 없다.</p><p>대칭적인 분포에서 세미분산은 분산의 절반과 밀접하게 연결되어 있기 때문이다.</p><p>따라서 자료에서 소개한 연구는 다음과 같은 비정상 하방위험을 따로 계산한다.</p><pre>비정상 세미분산 = 세미분산 − 분산/2</pre><p>검정 결과는 다음과 같다.</p><pre>분산·표준편차          → 높은 지속성<br>비정상 세미분산        → 지속성 없음<br>비정상 목표세미분산    → 지속성 없음<br>비정상 시프폴 확률     → 지속성 없음</pre><p>시장 전체 수익률에 Fat Tail이 존재할 수 있다는 사실과, 특정 포트폴리오가 미래에도 지속적으로 더 두꺼운 꼬리를 가질 것이라는 주장은 다르다.</p><p>포트폴리오 선택에 필요한 것은 후자다. 자료에서 소개된 실증에서는 분산을 넘어서는 꼬리 특성의 지속성이 확인되지 않았다.</p><h3>12. NumPy로 구조적 액티브 리스크와 MCAR 계산하기</h3><p>아래 코드는 자료의 구조적 리스크 모형과 MCAR 공식을 직접 구현한 예시다.</p><p>공분산행렬 V 전체를 만들지 않고도 다음 관계를 이용해 리스크를 계산한다.</p><pre>Vh = XF(Xᵀh) + Δh</pre><pre>from __future__ import annotations<br>from dataclasses import dataclass<br>import numpy as np<br>from numpy.typing import NDArray<br><br>FloatArray = NDArray[np.float64]<br><br>@dataclass(frozen=True)<br>class ActiveRiskResult:<br>    active_risk: float<br>    total_variance: float<br>    factor_variance: float<br>    specific_variance: float<br>    factor_exposure: FloatArray<br>    mcar: FloatArray<br>    component_contribution: FloatArray<br><br>def calculate_active_factor_risk(<br>    active_weights: FloatArray,<br>    exposures: FloatArray,<br>    factor_covariance: FloatArray,<br>    specific_variances: FloatArray,<br>) -&gt; ActiveRiskResult:<br>    &quot;&quot;&quot;<br>    Calculate active risk under:<br>        V = X F X.T + Delta<br>    without explicitly constructing the full N x N covariance matrix.<br>    Parameters<br>    ----------<br>    active_weights:<br>        N-dimensional active weights, h_portfolio - h_benchmark.<br>    exposures:<br>        N x K factor exposure matrix X.<br>    factor_covariance:<br>        K x K factor covariance matrix F.<br>    specific_variances:<br>        N-dimensional diagonal entries of Delta.<br>    Returns<br>    -------<br>    ActiveRiskResult<br>        Active risk, variance decomposition, MCAR, and component contributions.<br>    &quot;&quot;&quot;<br>    h = np.asarray(active_weights, dtype=np.float64).reshape(-1)<br>    X = np.asarray(exposures, dtype=np.float64)<br>    F = np.asarray(factor_covariance, dtype=np.float64)<br>    delta = np.asarray(specific_variances, dtype=np.float64).reshape(-1)<br>    if X.ndim != 2:<br>        raise ValueError(&quot;exposures must be a two-dimensional N x K matrix.&quot;)<br>    n_assets, n_factors = X.shape<br>    if h.shape != (n_assets,):<br>        raise ValueError(<br>            f&quot;active_weights must have shape {(n_assets,)}, &quot;<br>            f&quot;but received {h.shape}.&quot;<br>        )<br>    if F.shape != (n_factors, n_factors):<br>        raise ValueError(<br>            f&quot;factor_covariance must have shape &quot;<br>            f&quot;{(n_factors, n_factors)}, but received {F.shape}.&quot;<br>        )<br>    if delta.shape != (n_assets,):<br>        raise ValueError(<br>            f&quot;specific_variances must have shape {(n_assets,)}, &quot;<br>            f&quot;but received {delta.shape}.&quot;<br>        )<br>    arrays = (h, X, F, delta)<br>    if not all(np.all(np.isfinite(array)) for array in arrays):<br>        raise ValueError(&quot;Inputs must not contain NaN or infinite values.&quot;)<br>    if np.any(delta &lt; 0):<br>        raise ValueError(&quot;specific_variances must be non-negative.&quot;)<br>    # Numerical symmetry<br>    F = 0.5 * (F + F.T)<br>    # x_active = X.T @ h_active<br>    factor_exposure = X.T @ h<br>    factor_variance = float(<br>        factor_exposure @ F @ factor_exposure<br>    )<br>    specific_variance = float(<br>        np.dot(delta, h * h)<br>    )<br>    total_variance = factor_variance + specific_variance<br>    if total_variance &lt;= 0:<br>        raise ValueError(<br>            &quot;Total active variance must be positive. &quot;<br>            &quot;Inspect the covariance inputs and active weights.&quot;<br>        )<br>    active_risk = float(np.sqrt(total_variance))<br>    # Vh = X F X.T h + Delta h<br>    covariance_times_weights = (<br>        X @ (F @ factor_exposure) + delta * h<br>    )<br>    # Marginal Contribution to Active Risk<br>    mcar = covariance_times_weights / active_risk<br>    # Euler component contribution<br>    component_contribution = h * mcar<br>    # Contributions should sum to active risk<br>    if not np.isclose(<br>        component_contribution.sum(),<br>        active_risk,<br>        rtol=1e-7,<br>        atol=1e-10,<br>    ):<br>        raise RuntimeError(<br>            &quot;Risk contributions do not sum to total active risk.&quot;<br>        )<br>    return ActiveRiskResult(<br>        active_risk=active_risk,<br>        total_variance=total_variance,<br>        factor_variance=factor_variance,<br>        specific_variance=specific_variance,<br>        factor_exposure=factor_exposure,<br>        mcar=mcar,<br>        component_contribution=component_contribution,<br>    )</pre><p>사용 방식은 다음과 같다.</p><pre>result = calculate_active_factor_risk(<br>    active_weights=h_portfolio - h_benchmark,<br>    exposures=X,<br>    factor_covariance=F,<br>    specific_variances=specific_var,<br>)<br><br>print(&quot;Active risk:&quot;, result.active_risk)<br>print(&quot;Factor variance:&quot;, result.factor_variance)<br>print(&quot;Specific variance:&quot;, result.specific_variance)<br># 리스크 기여도가 큰 종목 순서<br>ranking = np.argsort(result.component_contribution)[::-1]<br>for index in ranking[:10]:<br>    print(<br>        index,<br>        result.component_contribution[index],<br>        result.mcar[index],<br>    )</pre><p>이 코드에서 주목할 점은 리스크를 계산하기 위해 N × N 전체 공분산행렬을 명시적으로 만들 필요가 없다는 것이다.</p><pre>전체 V 계산 비용<br>→ N × N 행렬<br><br>요인 모형 계산<br>→ N × K 노출행렬 + K × K 요인 공분산 + N개 특수분산</pre><p>종목 수 N이 크고 요인 수 K가 상대적으로 작을수록 구조적 모형의 계산상 이점이 커진다.</p><h3>13. 위기 때 상관계수가 상승하는 이유</h3><p>두 종목의 베타가 모두 1이고 잔차위험이 동일한 단일요인 모형을 생각해 보자.</p><p>두 종목의 상관계수는 다음과 같이 표현된다.</p><pre>ρ = σ_M² / (σ_M² + ω²)</pre><ul><li>σ_M: 시장 변동성</li><li>ω: 종목 잔차위험</li></ul><p>잔차위험이 그대로인 상태에서 시장 변동성만 상승하면 분자의 σ_M²가 커진다. 분모도 커지지만 시장 분산이 차지하는 비중이 높아지므로 상관계수는 상승한다.</p><p>예를 들어 모든 종목이 동일한 시장 충격에 크게 반응하는 위기 국면에서는 종목 고유정보보다 시장요인이 수익률을 지배한다.</p><pre>평상시:<br>시장요인 비중 ↓<br>종목 고유요인 비중 ↑<br>상관계수 ↓<br><br>위기:<br>시장요인 비중 ↑<br>종목 고유요인 비중 상대적 ↓<br>상관계수 ↑</pre><p>따라서 위기 때 상관이 상승하는 현상을 반드시 새로운 상관구조가 갑자기 만들어진 결과로 볼 필요는 없다. 가장 단순한 1요인 모형만으로도 상당 부분 설명할 수 있다.</p><p>이 통찰은 스트레스 상황에서 분산효과가 약해지는 이유를 보여준다.</p><p>평상시에는 종목별 특수위험이 상대적으로 크게 보이기 때문에 여러 종목을 보유하면 위험이 잘 분산된다. 위기에는 공통 시장요인이 전체 변동성을 지배하므로 모든 종목이 동시에 움직이고, 앞에서 확인한 σ√ρ의 리스크 바닥이 높아진다.</p><h3>맺음말: 리스크 모형은 포트폴리오의 설명서다</h3><p>액티브 운용에서 리스크 관리는 단순히 변동성을 낮추는 작업이 아니다.</p><p>위험을 무조건 줄이면 Alpha를 표현할 수 없다. 반대로 기대수익만 보고 포지션을 키우면 의도하지 않은 산업·스타일·종목 집중이 포트폴리오를 지배할 수 있다.</p><p>따라서 리스크 모형은 다음의 흐름을 만들어야 한다.</p><pre>종목별 요인 노출 X<br>→ 요인 공분산 F와 특수분산 Δ<br>→ 종목 공분산 구조 V<br>→ 액티브 비중 h_PA<br>→ 추적오차 ψ<br>→ 종목·산업·요인별 리스크 기여도<br>→ Intentional / Incidental 판정<br>→ 포트폴리오 재구성</pre><p>3장의 핵심 명제는 다음과 같이 정리할 수 있다.</p><pre>리스크 = 수익률의 표준편차<br><br>Risks don&#39;t add.<br>리스크는 단순히 더해지지 않는다.<br><br>액티브 리스크는<br>벤치마크 비중이 아니라<br>액티브 노출과 종목 리스크에 달려 있다.<br><br>리스크 비용은 분산에 비례한다.<br><br>리스크 모형은<br>리스크의 원천을 식별하고<br>이를 구성요소로 분해한다.</pre><p>결국 퀀트 리스크 관리의 질문은 “이 포트폴리오는 위험한가?”에서 끝나지 않는다.</p><p>더 중요한 질문은 다음이다.</p><blockquote><strong><em>어떤 위험을 보유하고 있으며, 그 위험이 내가 가진 투자 판단과 일치하는가?</em></strong></blockquote><p>Alpha는 매니저의 예측이다.</p><p>리스크 모형은 그 예측이 실제 포트폴리오 안에서 어떤 베팅으로 구현되었는지를 보여주는 설명서다.</p><p>그리고 좋은 리스크 모형은 위험을 없애지 않는다. 의도한 위험은 남기고, 의도하지 않은 위험을 찾아낸다.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6a9eef6592cb" width="1" height="1" alt=""><hr><p><a href="https://medium.com/inha-qlab/%EB%A6%AC%EC%8A%A4%ED%81%AC%EB%8A%94-%EB%8D%94%ED%95%B4%EC%A7%80%EC%A7%80-%EC%95%8A%EB%8A%94%EB%8B%A4-6a9eef6592cb">리스크는 더해지지 않는다</a> was originally published in <a href="https://medium.com/inha-qlab">inha Qlab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[액티브 운용의 핵심은 ‘수익률’이 아니라 정보비율이다]]></title>
            <link>https://medium.com/inha-qlab/%EC%95%A1%ED%8B%B0%EB%B8%8C-%EC%9A%B4%EC%9A%A9%EC%9D%98-%ED%95%B5%EC%8B%AC%EC%9D%80-%EC%88%98%EC%9D%B5%EB%A5%A0%EC%9D%B4-%EC%95%84%EB%8B%88%EB%9D%BC-%EC%A0%95%EB%B3%B4%EB%B9%84%EC%9C%A8%EC%9D%B4%EB%8B%A4-781b7e27f3ae?source=rss-3fe458c98862------2</link>
            <guid isPermaLink="false">https://medium.com/p/781b7e27f3ae</guid>
            <category><![CDATA[quantitative-finance]]></category>
            <category><![CDATA[capm]]></category>
            <category><![CDATA[portfolio-management]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[alpha]]></category>
            <dc:creator><![CDATA[DevOZ]]></dc:creator>
            <pubDate>Wed, 12 Aug 2026 12:55:16 GMT</pubDate>
            <atom:updated>2026-08-12T13:08:29.767Z</atom:updated>
            <content:encoded><![CDATA[<h4>Information Ratio, CAPM, Characteristic Portfolio와 Efficient Frontier로 이해하는 액티브 포트폴리오 관리의 수학</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cJ4ipz_LnB3g7WFbtYpiJA.png" /></figure><h3>0. 잔차수익, CAPM, Characteristic Portfolio, Efficient Frontier로 이해하는 퀀트 포트폴리오 관리</h3><p>포트폴리오가 1년 동안 12%의 수익률을 기록했고, 같은 기간 벤치마크가 8% 상승했다고 가정해 보자.</p><p>단순히 계산하면 포트폴리오는 벤치마크보다 4% 더 높은 수익을 냈다.</p><pre>12% − 8% = 4%</pre><p>그렇다면 이 운용자는 좋은 운용자일까?</p><p>아직은 알 수 없다.</p><p>이 4%를 얻기 위해 벤치마크에서 얼마나 크게 벗어났는지, 얼마나 불안정한 포지션을 감수했는지, 거래비용을 얼마나 지불했는지 알 수 없기 때문이다. 동일한 4%의 초과성과라도 2%의 Tracking Error로 만들어낸 경우와 10%의 Tracking Error로 만들어낸 경우는 전혀 다른 운용 성과다.</p><p>이 지점에서 액티브 포트폴리오 관리의 핵심 질문이 등장한다.</p><blockquote>얼마나 벌었는가가 아니라, 벤치마크 대비 어느 정도의 위험을 감수하고 벌었는가?</blockquote><p>패시브 운용은 벤치마크를 최대한 정확히 복제하면서 Tracking Error를 줄이는 것을 목표로 한다. 반면 액티브 운용은 벤치마크와 의도적으로 다른 포지션을 취하고, 그 차이에서 잔차수익 또는 Alpha를 만들어내려 한다.</p><h3>1. 액티브 운용은 절대수익률이 아니라 상대수익률의 문제다</h3><p>포트폴리오 수익률을 r_p, 벤치마크 수익률을 r_b라고 하자.</p><p>관측된 액티브 수익률은 다음과 같이 정의할 수 있다.</p><pre>a_t = r_p(t) − r_b(t)</pre><p>여기서 중요한 점은 a_t가 곧바로 운용자의 실력을 의미하지는 않는다는 것이다.</p><p>액티브 수익률에는 다음과 같은 요소가 섞여 있을 수 있다.</p><ul><li>의도적으로 선택한 종목이나 팩터의 효과</li><li>시장 Beta 노출의 차이</li><li>우연한 가격 변동</li><li>거래 시점과 체결 효과</li><li>거래비용과 시장 충격</li><li>데이터 및 모델 추정오차</li></ul><p>따라서 액티브 운용에서는 절대 포트폴리오 수익률보다 <strong>벤치마크 상대 수익률의 평균과 변동성</strong>을 함께 보아야 한다.</p><p>평균 액티브 수익률을 μ_A, 액티브 수익률의 변동성을 σ_A라고 하자. 이때 σ_A를 일반적으로 Tracking Error라고 부른다.</p><pre>μ_A = E[r_p − r_b]</pre><pre>σ_A = Std(r_p − r_b)</pre><p>이 두 값을 결합한 지표가 Information Ratio다.</p><pre>IR = μ_A / σ_A</pre><p>즉 Information Ratio는 다음 질문에 답한다.</p><blockquote>액티브 위험 한 단위를 감수할 때, 평균적으로 얼마의 벤치마크 대비 수익을 만들었는가?</blockquote><p>자료에서도 액티브 운용의 핵심을 명목수익률이 아니라 <strong>벤치마크 대비 잔차수익과 그 변동성의 관계</strong>로 설명한다.</p><h4>같은 4%라도 전혀 다른 전략이다</h4><p>두 전략이 모두 연 4%의 액티브 수익률을 기록했다고 가정하자.</p><p>전략 A의 Tracking Error가 2%라면,</p><pre>IR_A = 4% / 2% = 2.0</pre><p>전략 B의 Tracking Error가 8%라면,</p><pre>IR_B = 4% / 8% = 0.5</pre><p>두 전략의 최종 액티브 수익률은 같지만, 수익을 만들어낸 과정은 다르다.</p><p>전략 A는 비교적 작은 벤치마크 이탈을 반복적으로 활용한 전략일 수 있다. 반면 전략 B는 훨씬 큰 위험을 감수한 뒤 운 좋게 같은 수익을 얻었을 가능성이 있다.</p><p>따라서 액티브 성과는 반드시 다음과 같이 읽어야 한다.</p><pre>Active Performance = Active Return + Active Risk</pre><h4>Sharpe Ratio와 Information Ratio의 차이</h4><p>둘은 비슷한 형태를 가지고 있지만 기준점이 다르다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cYZNTElYgk76xDEfHGyvgQ.png" /></figure><p>Sharpe Ratio가 “현금보다 얼마나 효율적으로 벌었는가”를 묻는다면, Information Ratio는 “벤치마크보다 얼마나 효율적으로 벌었는가”를 묻는다.</p><h3>2. 왜 Information Ratio가 높아지면 운용의 가치가 제곱으로 커질까</h3><p>액티브 운용자는 기대수익만 극대화해서는 안 된다.</p><p>기대수익을 높이기 위해 무제한으로 위험을 늘린다면, 높은 기대수익을 가진 전략은 항상 더 많은 레버리지를 사용하게 된다. 따라서 기대수익과 위험을 동시에 고려하는 목적함수가 필요하다.</p><p>자료에서는 액티브 포트폴리오의 가치를 다음과 같이 표현한다.</p><pre>VA = μ_A − λσ_A²</pre><p>여기서 각 항은 다음을 의미한다.</p><ul><li>μ_A: 기대 액티브 수익률</li><li>σ_A: Tracking Error</li><li>λ: 위험회피계수</li><li>VA: 위험을 반영한 Value Added</li></ul><p>λ가 크면 운용자는 위험에 민감하다. 같은 기대수익이라도 더 작은 Tracking Error를 선택한다.</p><p>반대로 λ가 작으면 더 많은 액티브 위험을 감수할 수 있다.</p><p>Information Ratio의 정의에 따라,</p><pre>μ_A = IR × σ_A</pre><p>이므로 Value Added 식은 다음과 같이 바뀐다.</p><pre>VA = IR × σ_A − λσ_A²</pre><p>Tracking Error에 대해 미분하면,</p><pre>∂VA / ∂σ_A = IR − 2λσ_A</pre><p>최적점에서는 미분값이 0이므로,</p><pre>σ_A* = IR / (2λ)</pre><p>이를 원래 식에 대입하면 최대 Value Added는 다음과 같다.</p><pre>VA* = IR² / (4λ)</pre><p>이 결과는 액티브 운용에서 매우 중요하다.</p><pre>VA* ∝ IR²</pre><p>Information Ratio가 두 배가 되면 최대 Value Added는 네 배가 된다.</p><p>예측력이 조금 좋아지거나 거래비용이 조금 줄어드는 것이 단순한 선형 개선에 그치지 않을 수 있다는 뜻이다. 높은 IR을 가진 전략은 더 큰 액티브 위험 예산을 배정받을 수 있고, 그 결과 운용 규모에서도 더 큰 가치를 만들어낼 수 있다.</p><p>자료에서는 이를 “IR이 두 배가 되면 최대 가치가 네 배가 된다”는 직관으로 설명한다.</p><p>다만 이 식은 IR이 위험 규모와 무관하게 유지된다는 단순화 위에서 성립한다. 실제 시장에서는 규모가 커질수록 시장 충격, Capacity, 거래비용이 증가하기 때문에 IR이 일정하게 유지되지 않을 수 있다.</p><h3>3. 좋은 액티브 전략은 어디에서 나오는가</h3><p>높은 Information Ratio는 우연히 만들어지지 않는다.</p><p>자료에서는 액티브 운용 능력을 다음의 두 요소로 분해한다.</p><pre>IR ≈ IC × √Breadth</pre><p>여기서,</p><ul><li><strong>Information Coefficient, IC</strong>는 예측과 실제 결과가 얼마나 일치하는지를 나타낸다.</li><li><strong>Breadth</strong>는 독립적으로 수행할 수 있는 투자 판단의 수를 의미한다.</li></ul><h4>IC: 얼마나 정확하게 순위를 예측하는가</h4><p>IC는 일반적으로 예측 신호와 이후 실현된 잔차수익 사이의 상관계수로 측정한다.</p><p>예를 들어 모델이 종목별 향후 수익률 순위를 예측했다고 하자.</p><p>모델이 높은 점수를 준 종목이 이후 상대적으로 높은 잔차수익을 기록한다면 IC는 양수다. 반대로 높은 점수를 받은 종목이 오히려 부진했다면 IC는 음수가 된다.</p><p>중요한 것은 IC가 반드시 높은 절대수익률을 예측하는 능력을 뜻하지는 않는다는 점이다.</p><p>액티브 전략에서는 종목들의 절대 방향보다 <strong>상대적인 순위</strong>가 더 중요할 수 있다.</p><h4>Breadth: 거래 횟수가 아니라 독립적인 기회의 수</h4><p>Breadth를 단순히 종목 수나 거래 횟수로 이해해서는 안 된다.</p><p>반도체 종목 30개에 비슷한 모멘텀 신호를 적용했다고 해서 30개의 독립적인 판단을 수행한 것은 아니다. 종목 간 상관관계가 높고 동일한 팩터에 노출되어 있다면 사실상 하나의 투자 판단을 여러 번 반복한 것일 수 있다.</p><p>따라서 실질적인 Breadth는 다음에 의해 감소한다.</p><ul><li>종목 간 상관관계</li><li>중복된 팩터 노출</li><li>유사한 데이터 소스</li><li>동일한 시장 Regime에 대한 의존</li><li>리밸런싱 시점의 중복</li></ul><p>액티브 모델을 여러 개 만드는 것보다, 서로 다른 실패 조건을 가진 독립적인 모델을 만드는 것이 더 중요할 수 있다.</p><h3>4. Raw Signal은 어떻게 기대 Alpha가 되는가</h3><p>머신러닝 모델이나 팩터 모델이 출력한 점수는 그 자체로 포트폴리오 최적화에 바로 사용할 수 없다.</p><p>예를 들어 모델이 다음과 같은 점수를 출력했다고 하자.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JaOigXRCcHFhe5blDbRoOA.png" /></figure><p>이 점수는 수익률 단위가 아니다.</p><p>A의 점수가 2.1이라고 해서 기대수익률이 2.1%라는 뜻은 아니다. 따라서 점수를 기대 잔차수익률로 변환하는 Calibration 과정이 필요하다.</p><p>자료에서는 다음과 같은 구조를 제시한다.</p><pre>α_i = σ(ε_i) × IC × score_i</pre><ul><li>score_i: 표준화된 예측 점수</li><li>IC: 예측 신호의 검증된 정확도</li><li>σ(ε_i): 종목의 잔차위험</li><li>α_i: 기대 잔차수익률</li></ul><p>Raw Signal에서 Alpha로 가는 과정은 다음과 같다.</p><pre>Raw Signal → Standardized Score → IC Calibration → Expected Residual Return</pre><p>자료에서도 모델의 신호를 표준화하고, 검증된 IC와 잔차위험을 결합해 기대 Alpha를 산출하는 구조를 설명한다.</p><p>이 과정이 중요한 이유는 예측 모델과 포트폴리오 모델이 서로 다른 언어를 사용하기 때문이다.</p><p>예측 모델은 점수, 확률, 순위 또는 Class를 출력할 수 있다. 하지만 포트폴리오 최적화기는 다음을 필요로 한다.</p><ul><li>기대수익률 벡터</li><li>공분산행렬</li><li>거래비용</li><li>제약조건</li><li>현재 보유 포지션</li></ul><p>따라서 퀀트 시스템에는 반드시 <strong>신호를 기대수익률로 번역하는 계층</strong>이 존재해야 한다.</p><h3>5. CAPM은 정답이라기보다 액티브 운용의 기준선이다</h3><p>CAPM은 자산 i의 기대수익률을 다음과 같이 설명한다.</p><pre>E[R_i] = R_f + β_i(E[R_M] − R_f)</pre><ul><li>R_f: 무위험수익률</li><li>E[R_M] − R_f: 시장 위험 프리미엄</li><li>β_i: 시장 움직임에 대한 자산의 민감도</li></ul><p>Beta는 다음과 같이 정의한다.</p><pre>β_i = Cov(R_i, R_M) / Var(R_M)</pre><p>Beta는 자산의 전체 변동성이 아니다.</p><p>시장과 함께 움직이는 <strong>체계적 위험의 민감도</strong>다. 변동성이 높은 종목이라도 시장과의 상관관계가 낮다면 Beta는 작을 수 있다. 반대로 변동성 자체는 낮지만 시장과 강하게 동조한다면 Beta가 높게 나타날 수 있다.</p><h4>간단한 CAPM 계산</h4><p>다음 조건을 가정하자.</p><pre>R_f = 3%</pre><pre>E[R_M] = 10%</pre><pre>β_i = 1.2</pre><p>시장 위험 프리미엄은,</p><pre>E[R_M] − R_f = 10% − 3% = 7%</pre><p>따라서 CAPM 기대수익률은,</p><pre>E[R_i] = 3% + 1.2 × 7% = 11.4%</pre><p>Beta가 1.2라는 것은 이 자산의 시장 관련 기대 초과수익이 시장 위험 프리미엄의 1.2배라는 뜻이다. 실제 수익률이 항상 시장 수익률의 정확히 1.2배가 된다는 뜻은 아니다. 자료에서도 같은 수치 예시를 통해 Beta와 기대수익률의 관계를 설명한다.</p><h3>6. 잔차수익과 Alpha는 엄밀히 구분해야 한다</h3><p>CAPM 관점에서 자산의 수익률은 시장에 의해 설명되는 부분과 설명되지 않는 부분으로 나눌 수 있다.</p><pre>R_i − R_f = β_i(R_M − R_f) + θ_i</pre><p>여기서 θ_i는 특정 기간에 실제로 관측된 잔차수익이다.</p><p>Alpha는 이 잔차수익의 기대값이다.</p><pre>α_i = E[θ_i]</pre><p>CAPM이 성립한다면,</p><pre>E[θ_i] = 0</pre><p>즉 CAPM이 말하는 것은 매 기간 잔차수익이 0이라는 뜻이 아니다.</p><p>실현된 θ_i는 양수일 수도 있고 음수일 수도 있다. 다만 장기적인 조건부 기대값이 0이라는 주장이다.</p><p>이 구분은 액티브 전략을 평가할 때 매우 중요하다.</p><p>어떤 전략이 한 달 동안 큰 잔차수익을 기록했다고 해서 즉시 Alpha가 존재한다고 결론 내릴 수 없다. 그것이 반복 가능한 기대수익인지, 단순한 실현 오차인지 검증해야 한다.</p><p>따라서 액티브 매니저가 주장해야 하는 것은 다음과 같다.</p><pre>α̂_i ≠ 0</pre><p>그리고 그 주장을 뒷받침하기 위해 Out-of-Sample IC, 경제적 논리, 거래비용 차감 성과, Regime 안정성 등을 제시해야 한다.</p><p>CAPM은 반드시 믿어야 하는 진리가 아니라, 액티브 예측이 없을 때 사용할 수 있는 <strong>중립적인 사전 기대수익률</strong>에 가깝다. 자료 역시 CAPM을 맹목적으로 따르기보다, 시장의 합의 기대수익률을 출발점으로 삼은 뒤 사적 정보에 근거한 Alpha를 추가하는 구조로 설명한다.</p><h3>7. Beta를 통제해야 진짜 액티브 성과가 보인다</h3><p>포트폴리오 수익률을 다음과 같이 분해해 보자.</p><pre>r_p = β_p r_M + θ_p</pre><p>포트폴리오가 높은 수익을 기록하더라도 β_p가 높다면, 그 성과는 단순히 시장 위험을 더 많이 감수한 결과일 수 있다.</p><p>시장 벤치마크의 Beta가 1이고 포트폴리오의 Beta도 1로 맞추면,</p><pre>β_p = β_M = 1</pre><p>따라서,</p><pre>r_p − r_M = θ_p</pre><p>시장의 체계적 움직임을 통제하고 나면 포트폴리오와 시장 간 차이가 잔차수익으로 남는다.</p><p>이것이 액티브 운용에서 Beta Neutralization이 중요한 이유다.</p><blockquote><em>포트폴리오의 성과가 시장 노출에서 나왔는지, 종목 선택에서 나왔는지를 구분해야 한다.</em></blockquote><p>자료에서는 이를 다음의 세 단계로 정리한다.</p><pre>Control → Research → Attribute</pre><ol><li>포트폴리오 Beta를 벤치마크와 맞춘다.</li><li>잔차수익을 예측한다.</li><li>실제 성과가 예측된 잔차수익에서 발생했는지 확인한다.</li></ol><p>실무에서는 과거 회귀분석으로 계산한 Historical Beta를 그대로 사용하기보다 평균 방향으로 축소한 Shrunk Beta나 Bayesian Beta를 사용하는 경우가 많다. Beta 역시 시간에 따라 변하는 추정치이므로, 단일 표본 추정값을 확정된 값처럼 사용하면 포트폴리오의 체계적 노출이 예상과 다르게 나타날 수 있다.</p><h3>8. 성과분석은 결과표가 아니라 프로세스의 진단 장치다</h3><p>퀀트 전략의 최종 수익률이 낮았다고 해서 반드시 예측 모델이 실패한 것은 아니다.</p><p>성과는 다음 과정을 거쳐 만들어진다.</p><pre>Forecast → Portfolio → Trading → Net Return</pre><p>예측은 정확했지만 포트폴리오 최적화 과정에서 과도한 중립화가 발생했을 수 있다. 최적 포트폴리오는 잘 만들어졌지만 Turnover가 지나치게 높아 거래비용으로 성과가 사라졌을 수도 있다. 또는 백테스트의 체결가격이 비현실적이었을 수도 있다.</p><p>따라서 전략 손익은 최소한 다음과 같이 분해해야 한다.</p><pre>Gross Active Return − Transaction Cost − Market Impact − Borrowing Cost<br>= Net Active Return</pre><p>그리고 각 단계에서 다음을 확인해야 한다.</p><ul><li><strong>Forecast Attribution:</strong> 예측 점수가 실제 잔차수익과 연결되었는가?</li><li><strong>Portfolio Attribution:</strong> 예상 Alpha가 포트폴리오 비중에 제대로 반영되었는가?</li><li><strong>Risk Attribution:</strong> 성과가 의도하지 않은 Beta나 팩터 노출에서 발생하지 않았는가?</li><li><strong>Trading Attribution:</strong> 거래비용과 체결 오차가 어느 정도였는가?</li></ul><p>좋은 성과분석은 “전략이 돈을 벌었는가”보다 “예측된 경로를 통해 돈을 벌었는가”를 확인한다.</p><h3>9. Characteristic Portfolio: 하나의 속성을 가장 효율적으로 담는 방법</h3><p>이제 예측된 Alpha를 실제 포트폴리오로 변환해야 한다.</p><p>종목이 N개 있다고 하자.</p><ul><li>h: 포트폴리오 보유비중 벡터</li><li>V: 자산 수익률의 공분산행렬</li><li>a: 종목별 특성값을 담은 Characteristic 벡터</li></ul><p>예를 들어 a는 다음 중 하나가 될 수 있다.</p><ul><li>Value Score</li><li>Momentum Score</li><li>Beta</li><li>기대 초과수익률</li><li>예상 Alpha</li><li>모든 원소가 1인 Budget 벡터</li></ul><p>Characteristic Portfolio는 원하는 특성에 대한 노출을 1로 만들면서 위험을 최소화하는 포트폴리오다.</p><pre>min_h hᵀVh</pre><p>subject to</p><pre>aᵀh = 1</pre><p>라그랑주 승수법을 적용하면 폐쇄형 해를 얻을 수 있다.</p><pre>h_a = V⁻¹a / (aᵀV⁻¹a)</pre><p>이 식의 의미는 단순히 특성값이 높은 자산을 많이 사는 것이 아니다.</p><pre>aᵀh_a = 1</pre><p>는 특성 노출을 공분산 구조에 맞게 조정한다. 동일한 신호를 가진 종목들이 서로 강하게 상관되어 있다면 모든 종목을 동시에 크게 담지 않는다. 반대로 다른 자산들과 상관관계가 낮은 종목은 분산효과 때문에 더 높은 비중을 받을 수 있다.</p><p>즉 Characteristic Portfolio는 <strong>신호를 위험 효율적인 보유비중으로 번역하는 연산자</strong>다.</p><h4>반드시 Fully Invested일 필요는 없다</h4><p>aᵀh = 1만 제약하고 있기 때문에,</p><pre>𝟙ᵀh_a ≠ 1</pre><p>이 보장되지는 않는다.</p><p>따라서 Characteristic Portfolio는 Long-Short 구조이거나 레버리지를 포함할 수 있다. 그 자체가 최종 투자 포트폴리오라기보다, 포트폴리오를 구성하는 수학적 Building Block에 가깝다.</p><h3>10. C, B, Q, A: 네 개의 핵심 Characteristic Portfolio</h3><p>자료의 기술적 부록은 평균-분산 포트폴리오를 네 개의 대표적인 Characteristic Portfolio로 정리한다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2igpchlIU8F5vR2gzR5rXA.png" /></figure><h4>Portfolio C: Global Minimum Variance</h4><p>모든 자산의 비중 합을 1로 만들면서 위험을 최소화한다.</p><pre>min_h hᵀVh</pre><p>subject to</p><pre>𝟙ᵀh = 1</pre><p>해는 다음과 같다.</p><pre>h_C = V⁻¹𝟙 / (𝟙ᵀV⁻¹𝟙)</pre><p>Portfolio C는 기대수익률 정보를 전혀 사용하지 않는다. 오직 공분산행렬을 사용해 Fully Invested 포트폴리오 중 최소분산점을 찾는다.</p><h4>Portfolio B: Benchmark Characteristic Portfolio</h4><p>Beta 벡터를 Characteristic으로 사용하면,</p><pre>h_B = V⁻¹β / (βᵀV⁻¹β)</pre><p>가 된다.</p><p>Beta가 특정 벤치마크를 기준으로 일관되게 정의되었다면, 해당 Beta 특성 포트폴리오는 벤치마크와 연결된다. 자료에서는 benchmark Beta를 하나의 Characteristic으로 해석하여 Portfolio B를 구성한다.</p><h4>Portfolio q와 Q: Maximum Sharpe Portfolio</h4><p>기대 초과수익률 벡터를 f라고 하자.</p><p>단위 기대수익을 가지면서 위험을 최소화하는 포트폴리오는,</p><pre>h_q = V⁻¹f / (fᵀV⁻¹f)</pre><p>이다.</p><p>이는 Maximum Sharpe 방향을 나타낸다.</p><p>다만 h_q의 비중 합은 반드시 1이 아니다. 따라서 Fully Invested 포트폴리오로 정규화한다.</p><pre>e_q = 𝟙ᵀh_q</pre><pre>h_Q = h_q / e_q</pre><p>Q는 Fully Invested Maximum Sharpe Portfolio다.</p><h4>Portfolio A: Pure Active Portfolio</h4><p>CAPM 또는 선택한 위험모형으로 설명되는 기대수익을 제거한 뒤, 순수 Alpha 벡터를 만든다.</p><pre>α = f − βf_B</pre><p>이를 Characteristic으로 사용하면,</p><pre>h_A = V⁻¹α / (αᵀV⁻¹α)</pre><p>를 얻는다.</p><p>Portfolio A는 시장 Beta가 아니라 Alpha 노출을 가장 위험 효율적으로 담는 포트폴리오다.</p><p>실무적으로 액티브 운용자가 원하는 것은 단순한 Maximum Sharpe Portfolio가 아니라, 기존 벤치마크 또는 Strategic Portfolio 위에 Portfolio A를 얼마나 결합할 것인가에 가깝다.</p><h3>11. Efficient Frontier는 C와 Q 사이에서 만들어진다</h3><p>평균-분산 최적화 문제를 생각해 보자.</p><pre>min_h hᵀVh</pre><p>subject to</p><pre>𝟙ᵀh = 1</pre><pre>fᵀh = f_p</pre><p>즉 Fully Invested 조건과 목표 기대수익률을 만족하면서 분산을 최소화한다.</p><p>이 문제의 해는 다음 두 방향의 선형결합 안에 존재한다.</p><pre>V⁻¹𝟙</pre><pre>V⁻¹f</pre><p>따라서 모든 효율적 포트폴리오는 Portfolio C와 Portfolio Q의 결합으로 표현할 수 있다.</p><pre>h_p = w h_C + (1 − w)h_Q</pre><p>목표 기대수익률 f_p가 주어지면 w는 다음과 같이 결정된다.</p><pre>f_p = w f_C + (1 − w)f_Q</pre><pre>w = (f_Q − f_p) / (f_Q − f_C)</pre><p>Portfolio C는 위험을 최소화하는 Anchor이고, Portfolio Q는 Sharpe Ratio를 최대화하는 Anchor다.</p><p>투자자가 원하는 기대수익률에 따라 두 포트폴리오 사이의 비중만 조정하면 된다.</p><p>이것이 Two-Fund Separation의 핵심이다.</p><blockquote><em>복잡한 수의 개별 종목을 매번 다시 최적화하는 것처럼 보이지만, 제약이 없는 평균-분산 세계에서는 효율적 포트폴리오가 사실상 두 개의 기본 포트폴리오 조합으로 축약된다.</em></blockquote><p>다만 이 결과는 Short Selling과 레버리지가 허용되고, 거래비용과 보유 한도 등의 현실적 제약이 없는 경우의 결과다. Long-Only, 종목별 최대비중, Turnover, 섹터 중립 제약이 추가되면 폐쇄형 Two-Fund 구조는 일반적으로 깨진다.</p><h3>12. 무위험자산이 추가되면 Q가 유일한 위험자산 포트폴리오가 된다</h3><p>위험자산만 존재할 때 효율적 포트폴리오는 C와 Q의 조합이다.</p><p>여기에 무위험자산 F가 추가되면 상황이 달라진다.</p><p>투자자는 무위험자산과 Maximum Sharpe Portfolio Q만 조합하면 된다.</p><pre>h_investor = xh_Q + (1 − x)h_F</pre><ul><li>0&lt;x&lt;1: 일부를 무위험자산에 투자</li><li>x=1: Q에 전액 투자</li><li>x&gt;1: 무위험수익률로 차입한 뒤 Q에 레버리지 투자</li></ul><p>따라서 효율적 투자기회집합은 곡선이 아니라 무위험자산과 Q를 연결하는 직선이 된다. Q는 효율적 프런티어와 무위험수익률에서 출발한 직선이 접하는 Tangency Portfolio다.</p><h3>13. CAPM의 진짜 의미: 왜 Q가 시장 포트폴리오 M이 되는가</h3><p>CAPM은 갑자기 등장한 기대수익률 공식이 아니다.</p><p>평균-분산 최적화와 시장균형을 연결한 결과다.</p><p>모든 투자자가 다음 조건을 공유한다고 가정하자.</p><ul><li>위험을 싫어하지만 양의 위험자산 비중을 선택한다.</li><li>동일한 기대수익률과 공분산을 사용한다.</li><li>같은 무위험수익률로 대출과 차입이 가능하다.</li><li>세금과 거래비용이 없다.</li><li>모든 위험자산에 투자할 수 있다.</li><li>시장에서 모든 자산의 수요와 공급이 일치한다.</li></ul><p>그러면 모든 투자자는 동일한 위험자산 포트폴리오 Q와 무위험자산만 보유하게 된다.</p><p>시장 전체의 위험자산 보유량을 합치면 시장 포트폴리오 M이 된다. 그런데 모든 투자자가 Q만 위험자산으로 보유하고 있으므로,</p><pre>Q = M</pre><p>이 된다.</p><p>Q가 Maximum Sharpe Portfolio이므로, 시장 포트폴리오 M 역시 Maximum Sharpe Portfolio다.</p><p>그리고 기대 초과수익률 벡터는 시장 Beta에 비례하게 된다.</p><pre>f_i = β_iM × f_M</pre><p>총수익률 형태로 표현하면 익숙한 CAPM 식을 얻는다.</p><pre>E[R_i] = R_f + β_iM(E[R_M] − R_f)</pre><p>즉 CAPM의 논리적 흐름은 다음과 같다.</p><pre>Characteristic Portfolio → C, Q → Efficient Frontier → F, Q → Q = M → CAPM</pre><p>CAPM은 단순한 회귀식이 아니라, 최적화와 균형조건이 결합된 결론이다.</p><h3>14. 수식을 Python으로 구현해 보기</h3><p>아래 코드는 자료의 Characteristic Portfolio 폐쇄형 해와 Information Ratio를 NumPy로 구현한 예시다.</p><p>공분산행렬이 특이행렬에 가까워지는 문제를 줄이기 위해 작은 Ridge 항을 추가했다. Ridge 정규화와 예외처리는 실무적 안정화를 위해 덧붙인 부분이다.</p><pre>from __future__ import annotations<br><br>import numpy as np<br>from numpy.typing import NDArray<br><br><br>FloatArray = NDArray[np.float64]<br><br><br>def characteristic_portfolio(<br>    covariance: FloatArray,<br>    characteristic: FloatArray,<br>    *,<br>    ridge: float = 1e-8,<br>) -&gt; FloatArray:<br>    &quot;&quot;&quot;<br>    Solve:<br><br>        minimize    h.T @ V @ h<br>        subject to  a.T @ h = 1<br><br>    Closed-form solution:<br><br>        h = V^-1 a / (a.T V^-1 a)<br><br>    Parameters<br>    ----------<br>    covariance:<br>        N x N covariance matrix.<br>    characteristic:<br>        N-dimensional characteristic vector.<br>    ridge:<br>        Small diagonal regularization term for numerical stability.<br><br>    Returns<br>    -------<br>    np.ndarray<br>        Portfolio holdings satisfying a.T @ h ≈ 1.<br>    &quot;&quot;&quot;<br>    V = np.asarray(covariance, dtype=np.float64)<br>    a = np.asarray(characteristic, dtype=np.float64).reshape(-1)<br><br>    n_assets = a.size<br><br>    if V.shape != (n_assets, n_assets):<br>        raise ValueError(<br>            f&quot;covariance must have shape {(n_assets, n_assets)}, &quot;<br>            f&quot;but received {V.shape}&quot;<br>        )<br><br>    if ridge &lt; 0:<br>        raise ValueError(&quot;ridge must be non-negative.&quot;)<br><br>    if not np.all(np.isfinite(V)) or not np.all(np.isfinite(a)):<br>        raise ValueError(&quot;Inputs contain NaN or infinite values.&quot;)<br><br>    # Numerical symmetry and ridge regularization<br>    V_regularized = 0.5 * (V + V.T) + ridge * np.eye(n_assets)<br><br>    try:<br>        inverse_times_a = np.linalg.solve(V_regularized, a)<br>    except np.linalg.LinAlgError as exc:<br>        raise ValueError(<br>            &quot;The covariance matrix could not be solved. &quot;<br>            &quot;Increase ridge or inspect the covariance estimate.&quot;<br>        ) from exc<br><br>    denominator = float(a @ inverse_times_a)<br><br>    if not np.isfinite(denominator) or abs(denominator) &lt; 1e-12:<br>        raise ValueError(<br>            &quot;The characteristic portfolio is not identifiable &quot;<br>            &quot;under the supplied covariance matrix.&quot;<br>        )<br><br>    return inverse_times_a / denominator<br><br><br>def annualized_information_ratio(<br>    portfolio_returns: FloatArray,<br>    benchmark_returns: FloatArray,<br>    *,<br>    periods_per_year: int = 252,<br>) -&gt; float:<br>    &quot;&quot;&quot;<br>    Annualized Information Ratio:<br><br>        IR = mean(active return) / std(active return)<br><br>    Daily data:   periods_per_year=252<br>    Monthly data: periods_per_year=12<br>    &quot;&quot;&quot;<br>    portfolio = np.asarray(portfolio_returns, dtype=np.float64).reshape(-1)<br>    benchmark = np.asarray(benchmark_returns, dtype=np.float64).reshape(-1)<br><br>    if portfolio.shape != benchmark.shape:<br>        raise ValueError(<br>            &quot;portfolio_returns and benchmark_returns &quot;<br>            &quot;must have the same shape.&quot;<br>        )<br><br>    if periods_per_year &lt;= 0:<br>        raise ValueError(&quot;periods_per_year must be positive.&quot;)<br><br>    active_returns = portfolio - benchmark<br>    active_returns = active_returns[np.isfinite(active_returns)]<br><br>    if active_returns.size &lt; 2:<br>        raise ValueError(&quot;At least two valid observations are required.&quot;)<br><br>    tracking_error = float(np.std(active_returns, ddof=1))<br><br>    if tracking_error &lt;= 1e-12:<br>        raise ValueError(<br>            &quot;Tracking error is zero or numerically indistinguishable from zero.&quot;<br>        )<br><br>    periodic_ir = float(np.mean(active_returns) / tracking_error)<br><br>    return float(np.sqrt(periods_per_year) * periodic_ir)</pre><p>Characteristic Portfolio는 다음과 같이 사용할 수 있다.</p><pre>n_assets = covariance.shape[0]<br>ones = np.ones(n_assets)<br><br># Portfolio C: Global Minimum Variance<br>h_C = characteristic_portfolio(<br>    covariance=covariance,<br>    characteristic=ones,<br>)<br><br># Portfolio B: Unit-beta minimum variance portfolio<br>h_B = characteristic_portfolio(<br>    covariance=covariance,<br>    characteristic=beta_vector,<br>)<br><br># Portfolio q: Unit expected-excess-return minimum variance portfolio<br>h_q = characteristic_portfolio(<br>    covariance=covariance,<br>    characteristic=expected_excess_returns,<br>)<br><br># Portfolio Q: Fully invested maximum-Sharpe portfolio<br>budget_exposure = float(ones @ h_q)<br><br>if abs(budget_exposure) &lt; 1e-12:<br>    raise ValueError(&quot;Portfolio q cannot be normalized to fully invested Q.&quot;)<br><br>h_Q = h_q / budget_exposure<br><br># Portfolio A: Pure-alpha characteristic portfolio<br>h_A = characteristic_portfolio(<br>    covariance=covariance,<br>    characteristic=expected_alpha,<br>)</pre><p>구현 후에는 반드시 제약조건을 확인해야 한다.</p><pre>print(&quot;C budget:&quot;, ones @ h_C)<br>print(&quot;B beta exposure:&quot;, beta_vector @ h_B)<br>print(&quot;q expected-return exposure:&quot;, expected_excess_returns @ h_q)<br>print(&quot;Q budget:&quot;, ones @ h_Q)<br>print(&quot;A alpha exposure:&quot;, expected_alpha @ h_A)</pre><p>이 폐쇄형 해는 개념을 이해하고 Baseline을 만드는 데 매우 유용하다. 다만 실제 운용에서는 다음 요소가 추가된 수치 최적화가 필요하다.</p><pre>max_h [αᵀh − λhᵀVh − TC(h − h_current)]</pre><p>subject to</p><pre>𝟙ᵀh = 1</pre><pre>βᵀh = β_target</pre><pre>l_i ≤ h_i ≤ u_i</pre><p>여기에 섹터 중립, 국가 중립, Turnover 제한, 공매도 한도, 유동성 제약 등이 추가될 수 있다.</p><h3>15. 현실에서는 왜 Q와 시장 M이 달라지는가</h3><p>CAPM의 수학은 깔끔하지만 현실의 시장은 가정과 다르다.</p><p>투자자들은 동일한 기대수익률을 사용하지 않는다. 세금과 거래비용이 존재하고, 공매도와 레버리지에는 제약이 있으며, 모든 투자자가 같은 정보에 동시에 접근하지도 않는다.</p><p>공분산과 기대수익률은 알려진 값이 아니라 표본으로부터 추정해야 하는 값이다.</p><p>특히 기대수익률은 공분산보다 훨씬 불안정하게 추정된다. 작은 추정오차도 V⁻¹f를 통해 극단적인 포트폴리오 비중으로 증폭될 수 있다.</p><p>따라서 실무에서는 다음과 같은 보완이 필요하다.</p><ol><li>Historical Mean 대신 구조화된 Alpha Forecast를 사용한다.</li><li>Beta와 공분산에 Shrinkage를 적용한다.</li><li>공분산행렬에 Factor Model 또는 Regularization을 적용한다.</li><li>Turnover와 거래비용을 목적함수에 직접 포함한다.</li><li>Backtest와 Portfolio Construction을 시간적으로 분리한다.</li><li>기대수익률, 위험모형, 체결모형을 각각 독립적으로 검증한다.</li></ol><p>자료의 마지막 장 역시 현실에서 Q = M이 깨지는 이유로 비용, 세금, 정보 차이, 공매도 제약, 추정오차 등의 요소를 제시한다.</p><h4>맺음말: 액티브 운용은 정보의 생산이 아니라 정보의 변환 과정이다</h4><p>액티브 포트폴리오 관리를 단순히 “오를 종목을 맞히는 일”로 이해하면 전체 과정의 절반만 보게 된다.</p><p>실제 퀀트 운용은 다음의 연결 구조로 이루어진다.</p><pre>Data<br>→ Signal<br>→ Score<br>→ α̂<br>→ Portfolio<br>→ Trade<br>→ Net Active Return</pre><p>신호가 좋아도 Alpha Calibration이 잘못되면 포트폴리오에 제대로 반영되지 않는다.</p><p>예상 Alpha가 정확해도 공분산행렬이 불안정하면 과도하게 집중된 포트폴리오가 만들어질 수 있다.</p><p>최적 포트폴리오가 계산되더라도 거래비용과 시장 충격을 고려하지 않으면 실제 수익은 사라질 수 있다.</p><p>결국 액티브 운용의 목적은 단순히 벤치마크를 한 번 이기는 것이 아니다.</p><blockquote><strong><em>검증 가능한 정보를 벤치마크 상대 기대수익률로 변환하고, 그 수익을 제한된 Tracking Error 안에서 반복 가능하게 실현하는 것.</em></strong></blockquote><p>그리고 그 과정의 품질을 가장 압축적으로 보여주는 지표가 Information Ratio다.</p><pre>IR = Expected Active Return / Tracking Error</pre><p>액티브 운용자가 관리해야 하는 것은 수익률 하나가 아니다.</p><p>예측력, 독립적인 기회의 수, 위험 예산, 공분산, Beta, 거래비용, 제약조건, 그리고 이 모든 요소가 연결된 전체 투자 프로세스다.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=781b7e27f3ae" width="1" height="1" alt=""><hr><p><a href="https://medium.com/inha-qlab/%EC%95%A1%ED%8B%B0%EB%B8%8C-%EC%9A%B4%EC%9A%A9%EC%9D%98-%ED%95%B5%EC%8B%AC%EC%9D%80-%EC%88%98%EC%9D%B5%EB%A5%A0%EC%9D%B4-%EC%95%84%EB%8B%88%EB%9D%BC-%EC%A0%95%EB%B3%B4%EB%B9%84%EC%9C%A8%EC%9D%B4%EB%8B%A4-781b7e27f3ae">액티브 운용의 핵심은 ‘수익률’이 아니라 정보비율이다</a> was originally published in <a href="https://medium.com/inha-qlab">inha Qlab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[OpenSearch 없이 만드는 서버리스 AI Agent]]></title>
            <link>https://medium.com/@DevOZ/opensearch-%EC%97%86%EC%9D%B4-%EB%A7%8C%EB%93%9C%EB%8A%94-%EC%84%9C%EB%B2%84%EB%A6%AC%EC%8A%A4-ai-agent-e45d8c44f02c?source=rss-3fe458c98862------2</link>
            <guid isPermaLink="false">https://medium.com/p/e45d8c44f02c</guid>
            <category><![CDATA[ai-agent]]></category>
            <category><![CDATA[serverless]]></category>
            <category><![CDATA[vector-search]]></category>
            <category><![CDATA[amazon-bedrock]]></category>
            <category><![CDATA[dynamodb]]></category>
            <dc:creator><![CDATA[DevOZ]]></dc:creator>
            <pubDate>Sat, 08 Aug 2026 06:25:09 GMT</pubDate>
            <atom:updated>2026-08-08T11:49:38.741Z</atom:updated>
            <content:encoded><![CDATA[<p>Amazon Bedrock·Lambda·DynamoDB만으로 RAG와 장기 기억 통합하기</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/0*R_9mz5b_9vI4xdA_.png" /></figure><p>2026년 8월 5일, AWS는 <strong>Amazon DynamoDB의 네이티브 벡터 검색 기능을 정식 출시</strong>했다. 이제 임베딩을 DynamoDB 아이템의 일반 속성으로 저장하고, 별도의 OpenSearch·Pinecone·Aurora PostgreSQL 기반 벡터 저장소 없이 SearchVectors API로 유사도 검색을 수행할 수 있다. AWS는 이 기능이 단일 자릿수 밀리초 지연시간, 99% 이상의 재현율, 수조 개 벡터까지의 확장을 목표로 설계됐다고 설명한다. [1]</p><p>이 변화는 단순히 “DynamoDB에서도 벡터를 검색할 수 있다”는 기능 추가가 아니다.</p><blockquote><strong><em>Bedrock은 에이전트의 추론과 임베딩을, Lambda는 오케스트레이션과 도구 실행을, DynamoDB는 운영 데이터·상태·장기 기억·벡터 검색을 담당하는 구조가 완성됐다.</em></strong></blockquote><p>즉, AI Agent 백엔드의 핵심을 <strong>Bedrock + Lambda + DynamoDB</strong>라는 세 가지 서버리스 서비스로 압축할 수 있게 됐다.</p><h3>1. 지금까지 서버리스 Agent가 완전히 단순하지 않았던 이유</h3><p>기존에 AWS에서 RAG나 장기 기억을 가진 에이전트를 만들려면 보통 다음과 같은 구조가 필요했다.</p><pre>사용자<br>  │<br>API Gateway<br>  │<br>Lambda ────────────── Amazon Bedrock<br>  │<br>  ├── DynamoDB<br>  │     ├── 사용자 정보<br>  │     ├── 세션 상태<br>  │     └── 작업 결과<br>  │<br>  └── 별도 Vector DB<br>        ├── OpenSearch Serverless<br>        ├── Aurora PostgreSQL + pgvector<br>        └── Pinecone 등<br>              ▲<br>              │<br>      DynamoDB Streams / Lambda / ETL</pre><p>운영 데이터는 DynamoDB에 있지만, 의미 검색에 필요한 임베딩은 별도의 벡터 데이터베이스에 복제해야 했다. [2]</p><p>그 결과 다음과 같은 운영 문제가 발생했다. [2]</p><ul><li>DynamoDB와 Vector DB 사이의 동기화 파이프라인이 필요하다.</li><li>원본 데이터가 수정되었지만 임베딩은 갱신되지 않는 데이터 드리프트가 발생할 수 있다.</li><li>벡터 검색 후 실제 데이터를 다시 DynamoDB에서 읽어야 할 수 있다.</li><li>두 개의 데이터 저장소에 IAM, 네트워크, 모니터링, 비용 정책을 따로 적용해야 한다.</li><li>장애 지점과 운영 복잡도가 증가한다.</li></ul><p>AWS도 기존 구조의 문제로 데이터 동기화, 추가 네트워크 왕복, 두 데이터베이스의 운영 비용 및 복잡성 증가를 지적한다. [2]</p><p>DynamoDB 네이티브 벡터 검색은 검색 결과와 함께 인덱스에 projection된 운영 속성을 반환할 수 있기 때문에, 벡터 데이터베이스에서 ID를 찾은 뒤 원본 데이터베이스를 다시 조회하는 과정도 줄일 수 있다.[2]</p><h3>2. DynamoDB Vector Search 이후의 구조</h3><p>새로운 구조에서는 운영 데이터와 벡터 데이터를 같은 DynamoDB 테이블에서 관리할 수 있다. [1][2][3]</p><pre>사용자<br>  │<br>API Gateway 또는 Lambda Function URL<br>  │<br>Agent Lambda<br>  │<br>  ├── Amazon Bedrock<br>  │     ├── Foundation Model<br>  │     ├── Tool Use<br>  │     └── Embedding Model<br>  │<br>  ├── Lambda Tool Functions<br>  │     ├── 사내 API<br>  │     ├── 외부 서비스<br>  │     └── 업무 로직<br>  │<br>  └── Amazon DynamoDB<br>        ├── 사용자·업무 데이터<br>        ├── 세션과 체크포인트<br>        ├── 대화 기록<br>        ├── Agent Memory<br>        ├── 임베딩<br>        └── Vector Index</pre><p>프로덕션 환경에서는 인증을 위한 Cognito, 진입점인 API Gateway, 관측성을 위한 CloudWatch나 Bedrock AgentCore 등을 추가할 수 있다. 그러나 <strong>에이전트 백엔드의 코어 데이터 경로</strong>는 Bedrock·Lambda·DynamoDB 세 서비스만으로 구성할 수 있다.</p><h3>3. 세 서비스의 역할</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/756/1*BlKXMtzQ-1FlDO7RfCaiWg.png" /></figure><p>이 구조에서 DynamoDB는 단순한 채팅 로그 저장소가 아니다.</p><p>하나의 테이블에 다음 데이터를 함께 보관할 수 있다.</p><ul><li><strong>Working memory:</strong> 현재 세션과 진행 중인 작업 상태</li><li><strong>Episodic memory:</strong> 이전 실행, 성공·실패, 사용자 피드백</li><li><strong>Semantic memory:</strong> 문서 청크, FAQ, 제품·업무 지식</li><li><strong>Procedural memory:</strong> 도구 설명, SOP, 성공한 실행 절차</li><li><strong>Operational state:</strong> 주문, 티켓, 사용자 설정, 승인 상태</li><li><strong>Vector embedding:</strong> 위 데이터를 의미적으로 검색하기 위한 표현</li></ul><p>DynamoDB 공식 문서도 AI Agent Memory, RAG, Semantic Search, Recommendation 및 이상 탐지를 벡터 검색의 주요 사용 사례로 제시한다. [3]</p><h3>4. DynamoDB Vector Index는 어떻게 동작하는가</h3><p>DynamoDB에는 기존 GSI나 LSI와 별도로 <strong>Vector Index</strong>라는 벡터 검색용 인덱스 유형이 제공된다. [3]</p><p>일반적인 DynamoDB 인덱스가 키 기반 조회를 지원한다면, Vector Index는 ANN, 즉 Approximate Nearest Neighbor 방식으로 유사한 벡터를 검색한다. [3]</p><pre>사용자 질문<br>   │<br>   ▼<br>Bedrock Embedding Model<br>   │<br>   ▼<br>Query Vector<br>   │<br>   ▼<br>DynamoDB SearchVectors<br>   │<br>   ▼<br>가장 가까운 Top-K 아이템</pre><p>DynamoDB는 현재 다음 세 가지 거리 함수를 지원한다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/740/1*A2zL7Cuu2VmMpdZDf_ntDQ.png" /></figure><p>텍스트 기반 Agent Memory나 RAG에서는 특별한 이유가 없다면 COSINE을 기본값으로 선택하는 것이 안전하다.</p><p>DynamoDB는 최대 4,096차원의 벡터를 지원하며, 한 번의 SearchVectors 요청에서는 최대 100개의 결과를 반환하도록 설정할 수 있다. [1][8]</p><h3>5. Agent용 DynamoDB 단일 테이블 설계</h3><p>에이전트 메모리를 저장하는 테이블을 다음과 같이 설계할 수 있다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/740/1*YNqfY42BEShOzsIaxTC5yw.png" /></figure><p>memoryType은 다음과 같이 나눌 수 있다.</p><pre>SEMANTIC    문서, 규칙, FAQ, 제품 지식<br>EPISODIC    이전 대화, 실행 결과, 사용자 피드백<br>PROCEDURAL  도구 사용법, SOP, 성공한 실행 절차<br>REFLECTION  실패 원인, 개선점, 자기 평가</pre><p>이 구조에서는 하나의 Vector Index에서 유사한 메모리를 검색하면서 memoryType과 같은 Inline Filter 속성을 이용해 검색 범위를 제한할 수 있다. [3]</p><h3>6. Vector Index 생성 예시</h3><p>다음은 1,024차원 임베딩을 저장하는 DynamoDB Vector Index 생성 예시이며, Vector Index의 필드 구성은 DynamoDB 공식 스키마를 따른다. [3][5]</p><pre>aws dynamodb create-table \<br>  --table-name AgentStore \<br>  --attribute-definitions \<br>      AttributeName=pk,AttributeType=S \<br>      AttributeName=sk,AttributeType=S \<br>      AttributeName=tenantScope,AttributeType=S \<br>      AttributeName=memoryType,AttributeType=S \<br>  --key-schema \<br>      AttributeName=pk,KeyType=HASH \<br>      AttributeName=sk,KeyType=RANGE \<br>  --billing-mode PAY_PER_REQUEST \<br>  --vector-indexes &#39;[<br>    {<br>      &quot;IndexName&quot;: &quot;AgentMemoryIndex&quot;,<br>      &quot;VectorAttribute&quot;: {<br>        &quot;AttributeName&quot;: &quot;embedding&quot;<br>      },<br>      &quot;SearchSchema&quot;: [<br>        {<br>          &quot;AttributeName&quot;: &quot;tenantScope&quot;,<br>          &quot;SearchSchemaElementType&quot;: &quot;HASH&quot;<br>        },<br>        {<br>          &quot;AttributeName&quot;: &quot;memoryType&quot;,<br>          &quot;SearchSchemaElementType&quot;: &quot;INLINE_FILTER&quot;<br>        }<br>      ],<br>      &quot;Projection&quot;: {<br>        &quot;ProjectionType&quot;: &quot;INCLUDE&quot;,<br>        &quot;NonKeyAttributes&quot;: [<br>          &quot;chunkText&quot;,<br>          &quot;source&quot;,<br>          &quot;createdAt&quot;,<br>          &quot;sessionId&quot;<br>        ]<br>      },<br>      &quot;Dimensions&quot;: 1024,<br>      &quot;DistanceFunction&quot;: &quot;COSINE&quot;<br>    }<br>  ]&#39;</pre><p>여기에서 중요한 부분은 SearchSchema다.</p><h4>HASH: Vector Index Partition Key</h4><p>tenantScope를 Vector Index의 HASH 요소로 지정하면, SearchVectors 요청은 지정된 파티션 값의 검색 범위 안에서 수행된다. [3][4]</p><pre>TENANT#acme#AGENT#support<br>TENANT#acme#AGENT#finance<br>TENANT#globex#AGENT#support</pre><p>실제 검색 패턴에 맞는 Vector Partition Key를 사용하면 검색 대상 범위를 제한하여 처리량, 지연시간 및 비용을 최적화하는 데 도움이 된다. [4]</p><p>AWS는 검색 패턴과 맞지 않는 고유 ID 수준의 지나치게 높은 카디널리티나, 불리언 값 수준의 지나치게 낮은 카디널리티를 피하고 실제 검색 범위에 맞는 파티션 키를 선택할 것을 권장한다. [4]</p><h4>INLINE_FILTER: 검색 중 필터링</h4><p>memoryType을 Inline Filter로 지정하면 벡터 검색 과정에서 특정 메모리 유형만 검색하도록 제한할 수 있다. [3]</p><pre>tenantScope = &quot;TENANT#acme#AGENT#support&quot;<br>AND memoryType = &quot;EPISODIC&quot;</pre><p>Inline Filter는 벡터 검색 과정에 적용되며, 현재는 equality 조건인 = 연산을 지원한다. 범위 비교나 IN과 같은 조건은 직접 지원하지 않는다. [3]</p><h3>7. Lambda에서 Bedrock 임베딩과 DynamoDB 검색 연결하기</h3><p>DynamoDB Vector Search API를 사용하려면 이를 지원하는 버전의 AWS SDK가 필요하며, 공식 튜토리얼은 boto3 1.43.64, botocore 1.43.64, AWS CLI 2.36.16 이상을 기준으로 안내한다. [5]</p><p>기능 출시 직후에는 Lambda 런타임에 내장된 SDK가 충분히 최신이 아닐 수 있으므로, 실제 배포 환경에서 SDK 버전을 확인하고 필요하면 배포 패키지나 Lambda Layer에 최신 boto3를 포함하는 편이 안전하다.</p><blockquote>다음 코드는 Bedrock Runtime을 이용해 임베딩을 생성하고, DynamoDB의 SearchVectors API를 호출하는 기본 구현 예시다. API 요청 구조와 벡터 데이터 형식은 DynamoDB 공식 문서를 기준으로 작성했다. [5][6]</blockquote><pre>import json<br>import os<br>from typing import Any<br><br>import boto3<br>from boto3.dynamodb.types import TypeDeserializer<br>from botocore.exceptions import ClientError<br>bedrock = boto3.client(&quot;bedrock-runtime&quot;)<br>dynamodb = boto3.client(&quot;dynamodb&quot;)<br>deserializer = TypeDeserializer()<br>TABLE_NAME = os.environ[&quot;TABLE_NAME&quot;]<br>VECTOR_INDEX_NAME = os.environ.get(<br>    &quot;VECTOR_INDEX_NAME&quot;,<br>    &quot;AgentMemoryIndex&quot;,<br>)<br>EMBEDDING_MODEL_ID = os.environ.get(<br>    &quot;EMBEDDING_MODEL_ID&quot;,<br>    &quot;amazon.titan-embed-text-v2:0&quot;,<br>)<br>GENERATION_MODEL_ID = os.environ[&quot;GENERATION_MODEL_ID&quot;]<br><br>def generate_embedding(text: str) -&gt; list[float]:<br>    &quot;&quot;&quot;Generate a normalized 1024-dimensional embedding.&quot;&quot;&quot;<br>    if not text.strip():<br>        raise ValueError(&quot;Embedding input must not be empty.&quot;)<br>    response = bedrock.invoke_model(<br>        modelId=EMBEDDING_MODEL_ID,<br>        contentType=&quot;application/json&quot;,<br>        accept=&quot;application/json&quot;,<br>        body=json.dumps(<br>            {<br>                &quot;inputText&quot;: text[:20000],<br>                &quot;dimensions&quot;: 1024,<br>                &quot;normalize&quot;: True,<br>            }<br>        ),<br>    )<br>    payload = json.loads(response[&quot;body&quot;].read())<br>    return payload[&quot;embedding&quot;]<br><br>def deserialize_item(<br>    item: dict[str, dict[str, Any]]<br>) -&gt; dict[str, Any]:<br>    return {<br>        key: deserializer.deserialize(value)<br>        for key, value in item.items()<br>    }<br><br>def search_agent_memory(<br>    query: str,<br>    tenant_scope: str,<br>    memory_type: str = &quot;EPISODIC&quot;,<br>    top_k: int = 6,<br>) -&gt; list[dict[str, Any]]:<br>    query_embedding = generate_embedding(query)<br>    response = dynamodb.search_vectors(<br>        TableName=TABLE_NAME,<br>        IndexName=VECTOR_INDEX_NAME,<br>        SearchVector=[<br>            {&quot;N&quot;: format(value, &quot;.10g&quot;)}<br>            for value in query_embedding<br>        ],<br>        TopK=max(1, min(top_k, 100)),<br>        SearchConditionExpression=(<br>            &quot;tenantScope = :tenant &quot;<br>            &quot;AND memoryType = :memoryType&quot;<br>        ),<br>        ExpressionAttributeValues={<br>            &quot;:tenant&quot;: {&quot;S&quot;: tenant_scope},<br>            &quot;:memoryType&quot;: {&quot;S&quot;: memory_type},<br>        },<br>        ProjectionExpression=(<br>            &quot;#text, #source, #createdAt, &quot;<br>            &quot;#sessionId, #memoryType&quot;<br>        ),<br>        ExpressionAttributeNames={<br>            &quot;#text&quot;: &quot;chunkText&quot;,<br>            &quot;#source&quot;: &quot;source&quot;,<br>            &quot;#createdAt&quot;: &quot;createdAt&quot;,<br>            &quot;#sessionId&quot;: &quot;sessionId&quot;,<br>            &quot;#memoryType&quot;: &quot;memoryType&quot;,<br>        },<br>        ReturnConsumedCapacity=&quot;INDEXES&quot;,<br>    )<br>    memories = []<br>    for result in response.get(&quot;SearchResults&quot;, []):<br>        memories.append(<br>            {<br>                &quot;score&quot;: result[&quot;Score&quot;],<br>                &quot;item&quot;: deserialize_item(result[&quot;Item&quot;]),<br>            }<br>        )<br>    return memories<br><br>def generate_answer(<br>    question: str,<br>    memories: list[dict[str, Any]],<br>) -&gt; str:<br>    context_blocks = []<br>    for rank, memory in enumerate(memories, start=1):<br>        item = memory[&quot;item&quot;]<br>        context_blocks.append(<br>            f&quot;[Memory {rank}]\n&quot;<br>            f&quot;Score: {memory[&#39;score&#39;]}\n&quot;<br>            f&quot;Source: {item.get(&#39;source&#39;, &#39;unknown&#39;)}\n&quot;<br>            f&quot;Content: {item.get(&#39;chunkText&#39;, &#39;&#39;)}&quot;<br>        )<br>    context = &quot;\n\n&quot;.join(context_blocks)<br>    response = bedrock.converse(<br>        modelId=GENERATION_MODEL_ID,<br>        system=[<br>            {<br>                &quot;text&quot;: (<br>                    &quot;You are a reliable enterprise AI agent. &quot;<br>                    &quot;Use retrieved memory only when relevant. &quot;<br>                    &quot;Clearly distinguish facts from inference.&quot;<br>                )<br>            }<br>        ],<br>        messages=[<br>            {<br>                &quot;role&quot;: &quot;user&quot;,<br>                &quot;content&quot;: [<br>                    {<br>                        &quot;text&quot;: (<br>                            f&quot;Retrieved memories:\n{context}\n\n&quot;<br>                            f&quot;User question:\n{question}&quot;<br>                        )<br>                    }<br>                ],<br>            }<br>        ],<br>        inferenceConfig={<br>            &quot;maxTokens&quot;: 1200,<br>            &quot;temperature&quot;: 0.2,<br>        },<br>    )<br>    return response[&quot;output&quot;][&quot;message&quot;][&quot;content&quot;][0][&quot;text&quot;]<br><br>def lambda_handler(<br>    event: dict[str, Any],<br>    context: Any,<br>) -&gt; dict[str, Any]:<br>    try:<br>        body = event.get(&quot;body&quot;, event)<br>        if isinstance(body, str):<br>            body = json.loads(body)<br>        question = body[&quot;question&quot;]<br>        tenant_id = body[&quot;tenantId&quot;]<br>        agent_id = body.get(&quot;agentId&quot;, &quot;default&quot;)<br>        tenant_scope = (<br>            f&quot;TENANT#{tenant_id}#AGENT#{agent_id}&quot;<br>        )<br>        memories = search_agent_memory(<br>            query=question,<br>            tenant_scope=tenant_scope,<br>            memory_type=&quot;EPISODIC&quot;,<br>            top_k=6,<br>        )<br>        answer = generate_answer(question, memories)<br>        return {<br>            &quot;statusCode&quot;: 200,<br>            &quot;headers&quot;: {<br>                &quot;content-type&quot;: &quot;application/json&quot;<br>            },<br>            &quot;body&quot;: json.dumps(<br>                {<br>                    &quot;answer&quot;: answer,<br>                    &quot;retrievedMemories&quot;: len(memories),<br>                },<br>                ensure_ascii=False,<br>            ),<br>        }<br>    except (KeyError, ValueError, json.JSONDecodeError) as exc:<br>        return {<br>            &quot;statusCode&quot;: 400,<br>            &quot;body&quot;: json.dumps(<br>                {&quot;error&quot;: str(exc)},<br>                ensure_ascii=False,<br>            ),<br>        }<br>    except ClientError as exc:<br>        return {<br>            &quot;statusCode&quot;: 502,<br>            &quot;body&quot;: json.dumps(<br>                {<br>                    &quot;error&quot;: &quot;AWS service request failed&quot;,<br>                    &quot;detail&quot;: exc.response[&quot;Error&quot;][&quot;Code&quot;],<br>                }<br>            ),<br>        }</pre><p>DynamoDB에 임베딩 벡터를 저장할 때는 일반적인 PutItem 또는 UpdateItem API를 사용할 수 있다. [6]</p><p>DynamoDB 아이템에서는 벡터를 숫자 목록 형태의 속성으로 저장하며, SearchVectors 요청의 SearchVector에는 API가 요구하는 숫자 객체 배열 형식으로 전달한다. [6]</p><p>DynamoDB는 저장된 벡터의 인덱싱과 검색을 담당하지만, 원문에서 임베딩을 생성하는 작업은 수행하지 않는다. 따라서 애플리케이션이 Bedrock 등의 임베딩 모델을 별도로 호출해야 한다. [6]</p><h3>8. RAG를 넘어 실제 Agent로 확장하기</h3><p>앞의 코드는 검색과 생성 중심의 RAG 구조다. 실제 Agent가 되려면 모델이 필요에 따라 도구를 선택하고 실행해야 한다.</p><p>두 가지 구현 방법이 있다.</p><h4>방법 A. Lambda에서 Agent Loop 직접 구현</h4><p>Lambda가 Bedrock Converse API를 호출하고, 모델이 toolUse를 반환하면 해당 도구를 실행한 뒤 toolResult를 다시 모델에 전달한다.</p><pre>Lambda → Bedrock Converse<br>             │<br>             └── toolUse: get_order_status<br>                        │<br>                        ▼<br>                 Lambda가 도구 실행<br>                        │<br>                        ▼<br>                 toolResult 반환<br>                        │<br>                        ▼<br>                 Bedrock 최종 답변</pre><p>이 방식은 다음을 직접 통제하기 좋다.</p><ul><li>도구 선택 횟수</li><li>최대 반복 횟수</li><li>비용 한도</li><li>도구별 권한</li><li>실패 재시도</li><li>Human-in-the-loop</li><li>메모리 저장 정책</li><li>실행 전후 검증</li></ul><h4>방법 B. Amazon Bedrock Agents 사용</h4><p>Amazon Bedrock Agents에서는 Action Group에 Lambda 함수를 연결하여, 에이전트가 모델의 판단에 따라 해당 Lambda 함수를 호출하도록 구성할 수 있다. [9]</p><p>Bedrock Agents에서는 Lambda 기반 Action Group을 등록해 에이전트가 외부 업무 로직을 실행하도록 구성할 수 있다. [9]</p><p>어느 방식을 사용하든 역할은 동일하다.</p><pre>Bedrock = 무엇을 해야 하는가<br>Lambda  = 실제로 어떻게 실행할 것인가<br>DynamoDB = 무엇을 알고 있으며 어디까지 진행했는가</pre><h3>9. Agent 요청이 처리되는 전체 과정</h3><p>실제 요청은 다음 순서로 처리할 수 있다.</p><ol><li>사용자가 질문 또는 작업을 요청한다.</li><li>Lambda가 DynamoDB에서 세션 상태를 정확한 키로 조회한다.</li><li>Bedrock Embedding Model이 현재 요청을 벡터로 변환한다.</li><li>DynamoDB SearchVectors가 관련 semantic·episodic·procedural memory를 검색한다.</li><li>Lambda가 검색 결과, 현재 상태, 사용 가능한 도구를 프롬프트에 구성한다.</li><li>Bedrock 모델이 답변하거나 도구 사용을 요청한다.</li><li>Lambda가 도구를 실행하고 결과를 Bedrock에 다시 전달한다.</li><li>최종 답변과 실행 결과를 DynamoDB에 저장한다.</li><li>중요한 실행 결과는 임베딩을 생성해 장기 기억으로 저장한다.</li></ol><p>이 구조에서는 같은 DynamoDB 테이블을 다음 두 방식으로 동시에 사용한다.</p><pre>정확한 조회<br>GetItem / Query<br>→ 사용자 설정, 세션, 작업 상태, 주문 ID<br><br>의미 기반 조회<br>SearchVectors<br>→ 비슷한 과거 사례, 관련 문서, 성공한 절차</pre><p>Agent가 “현재 주문 상태”를 찾을 때는 정확한 키 조회가 적합하고, “과거에 이와 비슷한 장애를 어떻게 해결했는가”를 찾을 때는 벡터 검색이 적합하다.</p><h3>10. Agent Memory 저장 정책</h3><p>모든 대화를 무조건 벡터화해서 저장하면 비용과 검색 노이즈가 증가한다. 따라서 메모리 저장 전 Lambda가 다음과 같은 판단을 수행하는 것이 좋다.</p><pre>현재 대화가 미래에 재사용할 가치가 있는가?<br>               │<br>      ┌────────┴────────┐<br>      │                 │<br>     아니오              예<br>      │                 │<br> 일반 로그만 저장     요약 및 구조화<br>                        │<br>                        ├── memoryType<br>                        ├── importance<br>                        ├── source<br>                        ├── outcome<br>                        └── embedding</pre><p>예를 들어 다음 항목만 장기 기억으로 남길 수 있다.</p><ul><li>사용자의 지속적인 선호</li><li>성공적으로 해결된 문제와 절차</li><li>반복되는 실패 패턴</li><li>도구 실행 결과와 오류 원인</li><li>명시적인 사용자 피드백</li><li>향후 작업에 필요한 결정 사항</li><li>기존 지식과 충돌하는 새로운 사실</li></ul><p>반대로 단순 인사, 일회성 표현, 중복 내용은 TTL이 있는 단기 로그로만 저장할 수 있다.</p><p>이렇게 해야 DynamoDB가 단순한 “대화 벡터 창고”가 아니라 <strong>선별된 Agent Memory Store</strong>가 된다.</p><h3>11. 비용 구조도 단순해진다</h3><p>DynamoDB Vector Index의 비용은 기본 테이블 비용과 별도로 벡터 쓰기, 벡터 검색 및 벡터 인덱스 스토리지로 구분된다. [2]</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1012/1*A5DjNuUHAf8TBWBe4sNTBw.png" /></figure><p>벡터 쓰기와 검색 사용량은 처리된 바이트를 기준으로 계측되며, 각 작업에는 최소 1KB의 과금 단위가 적용된다. [2]</p><p>ReturnConsumedCapacity=&quot;INDEXES&quot;를 사용하면 벡터 쓰기와 검색에 사용된 용량 정보를 확인할 수 있으며, 관련 사용량은 CloudWatch 지표를 통해서도 모니터링할 수 있다. [2]</p><p>DynamoDB Vector Search 비용을 최적화할 때는 다음 원칙을 적용할 수 있다. [2][4]</p><ol><li><strong>필요 이상의 차원을 사용하지 않는다.</strong><br>Titan V2에서 256·512차원으로 충분하다면 1,024차원보다 저장·쓰기·검색 비용을 줄일 수 있다.</li><li><strong>ProjectionType: ALL을 무조건 사용하지 않는다.</strong><br>검색 결과에 필요한 텍스트와 출처만 INCLUDE한다.</li><li><strong>검색 결과에 임베딩을 반환하지 않는다.</strong><br>DynamoDB는 기본적으로 벡터 속성을 결과에서 제외하므로 그대로 유지하는 것이 좋다.</li><li><strong>실제 검색 패턴에 맞는 Vector Partition Key를 사용한다.</strong><br>검색 범위를 줄이면 처리되는 바이트도 줄어든다.</li><li><strong>원문 전체보다 적절한 크기의 청크를 저장한다.</strong><br>검색 결과에 필요한 컨텍스트만 projection한다.</li></ol><p>AWS 역시 낮은 임베딩 차원, 최소한의 projection, 벡터 속성 반환 제외 및 적절한 파티션 키 설계를 주요 비용 최적화 방법으로 제시한다. [2][4]</p><h3>12. 프로덕션 적용 전에 반드시 알아야 할 제약</h3><h4>12.1 On-Demand 테이블만 지원한다</h4><p>DynamoDB Vector Index는 현재 PAY_PER_REQUEST, 즉 On-Demand 용량 모드의 테이블에서 지원되며 Provisioned Capacity 모드에서는 사용할 수 없다. [8]</p><h4>12.2 벡터 검색은 결과적 일관성이다</h4><p>DynamoDB 기본 테이블의 변경 내용은 Vector Index에 비동기적으로 반영되므로, 벡터 검색 결과에는 결과적 일관성이 적용된다. [7]</p><p>기본 테이블에 아이템을 저장하거나 수정한 뒤 해당 변경 내용이 Vector Index에 반영되기까지 지연이 발생할 수 있다. [7]</p><p>따라서 PutItem 직후 SearchVectors를 호출했을 때 방금 저장한 아이템이 즉시 검색된다고 보장할 수 없다. [7]</p><pre>PutItem<br>  ↓ 즉시<br>SearchVectors<br>  ↓<br>방금 저장한 아이템 검색</pre><p>쓰기 직후 반드시 조회해야 하는 데이터는 기본 테이블의 GetItem 또는 Query를 이용하고, Vector Index 검색에는 비동기 반영 가능성을 고려해야 한다. [7]</p><p>DynamoDB Global Tables 환경에서도 Vector Index 관련 변경 내용은 비동기적으로 전파된다. [7]</p><h4>12.3 원문을 수정해도 임베딩은 자동으로 바뀌지 않는다</h4><p>DynamoDB는 원문 속성의 변경을 분석해 임베딩을 자동으로 다시 생성하지 않는다. [6]</p><pre>chunkText 변경<br>     │<br>     ├── embedding도 함께 갱신 → 정상<br>     │<br>     └── embedding 미갱신 → 오래된 의미로 검색</pre><p>따라서 검색 대상 원문이 변경될 때는 애플리케이션이 새로운 임베딩을 생성하고, 원문과 벡터 속성을 함께 갱신하도록 쓰기 경로를 설계해야 한다. [6]</p><h4>12.4 필터 기능은 아직 제한적이다</h4><p>현재 DynamoDB Vector Search의 Inline Filter는 equality 조건인 = 연산을 지원한다. [3]</p><p>다음 검색은 가능하다.</p><pre>tenantScope = &quot;TENANT#acme&quot;<br>memoryType = &quot;EPISODIC&quot;<br>status = &quot;ACTIVE&quot;</pre><p>범위 비교나 IN과 같은 조건은 Inline Filter에서 직접 지원되지 않는다. [3]</p><pre>createdAt &gt;= &quot;2026-08-01&quot;<br>importance &gt; 0.8<br>memoryType IN (&quot;EPISODIC&quot;, &quot;REFLECTION&quot;)</pre><p>시간·중요도 기반 검색이 필요하면 버킷 속성을 별도로 만들거나, 넓게 검색한 뒤 Lambda에서 재정렬해야 한다.</p><h4>12.5 파티션 키는 보안 경계가 아니다</h4><p>가장 중요한 주의사항이다.</p><p>Vector Index의 파티션 키를 tenantId로 설정하더라도 이는 검색 범위와 성능을 위한 데이터 모델일 뿐, 그 자체가 IAM 기반의 테넌트 보안 경계를 형성하지는 않는다. [6]</p><p>SearchVectors 권한 제어에서는 일반적인 테이블 접근에 사용하는 dynamodb:LeadingKeys 조건을 동일한 방식으로 적용할 수 없으며, IAM 권한은 Vector Index 리소스를 기준으로 설계해야 한다. [6]</p><p>따라서 Lambda는 반드시 인증된 사용자로부터 tenantScope를 서버 측에서 구성해야 한다.</p><pre># 위험<br>tenant_scope = request_body[&quot;tenantScope&quot;]<br><br># 권장<br>tenant_scope = build_scope_from_verified_jwt(jwt_claims)</pre><p>규제나 계약상 엄격한 테넌트 격리가 필요하다면 별도 테이블, 별도 인덱스 또는 별도 AWS 계정을 고려해야 한다.</p><h4>12.6 SearchVectors는 페이지네이션을 지원하지 않는다</h4><p>SearchVectors 응답 크기는 최대 16MB로 제한되며 페이지네이션을 지원하지 않는다. [8]</p><p>따라서 TopK와 projection 크기를 제한해야 한다.</p><h4>12.7 검색 전용 엔드포인트를 사용한다</h4><p>SearchVectors 요청은 일반 DynamoDB 데이터 API와 구분되는 벡터 검색용 엔드포인트로 라우팅된다. [5]</p><p>Lambda를 Private Subnet에 배치하거나 Egress Allowlist, 프록시 또는 제한적인 네트워크 정책을 사용하는 경우에는 벡터 검색 엔드포인트에 대한 연결도 허용해야 한다. [5]</p><p>그렇지 않으면 PutItem은 성공하지만 SearchVectors만 연결 오류로 실패할 수 있다.</p><p>지원되는 AWS SDK를 사용하면 SearchVectors 요청에 필요한 엔드포인트 라우팅은 SDK에서 처리한다. [5]</p><h4>12.8 인덱스 설정은 변경할 수 없다</h4><p>Vector Index의 차원 수, 거리 함수, projection, Inline Filter 및 Vector Partition Key와 같은 주요 설정은 인덱스 생성 후 직접 변경할 수 없다. [3]</p><p>임베딩 모델 교체로 벡터 차원이나 검색 설정이 달라지는 경우에는 새로운 벡터 속성과 Vector Index를 생성하는 방식으로 마이그레이션해야 한다. [3]</p><p>DynamoDB는 테이블당 최대 5개의 Vector Index를 지원한다. 따라서 여러 임베딩 버전을 병행하거나 점진적으로 마이그레이션하는 구조를 설계할 수 있다. [3]</p><h3>13. 그렇다면 OpenSearch는 이제 필요 없는가</h3><p><strong>모든 경우에 그렇지는 않다.</strong></p><p>DynamoDB Vector Search는 “운영 데이터에 의미 검색을 추가하는 것”에 특히 강하다. 반면 OpenSearch는 검색 자체가 제품의 핵심인 경우 여전히 적합하다.</p><p>DynamoDB Vector Search의 기능 범위와 OpenSearch의 전문 검색 기능을 비교하면 다음과 같이 정리할 수 있다.[3][8][10]</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/738/1*k5ovma7sYLAmPhvPcivBkw.png" /></figure><p>OpenSearch는 Full-text Search, Fuzzy Matching, Autocomplete, Faceted Search 및 복합 필터와 같이 검색 엔진 수준의 기능이 필요한 서비스에서 여전히 적합하다. [10]</p><p>반면 DynamoDB Vector Search는 운영 데이터와 임베딩을 같은 DynamoDB 데이터 모델에서 관리해야 하는 Agent State, Memory 및 실시간 애플리케이션 워크로드에 특히 적합하다. [2][3]</p><h3>14. 어떤 Agent에 가장 잘 맞는가</h3><h4>고객지원 Agent</h4><pre>DynamoDB<br>├── 고객 프로필<br>├── 현재 티켓<br>├── 이전 상담 이력<br>├── 유사한 해결 사례 벡터<br>└── 상담 결과</pre><p>현재 티켓은 정확한 키로 조회하고, 비슷한 과거 해결 사례는 벡터로 검색한다.</p><h4>개인화 Agent</h4><pre>DynamoDB<br>├── 사용자 선호<br>├── 최근 행동<br>├── 장기 관심사<br>├── 피드백<br>└── 의미적으로 비슷한 과거 선택</pre><p>사용자의 명시적 설정과 암묵적 선호를 같은 저장소에서 관리할 수 있다.</p><h4>업무 자동화 Agent</h4><pre>DynamoDB<br>├── 현재 workflow state<br>├── 승인 상태<br>├── tool execution log<br>├── 실패 원인<br>├── 성공한 SOP<br>└── 관련 과거 실행 벡터</pre><p>이전에 유사한 작업이 어떻게 성공하거나 실패했는지 검색해 다음 도구 선택에 반영할 수 있다.</p><h4>실시간 추천 시스템</h4><p>상품 설명, 사용자 행동, 카테고리, 재고 상태를 하나의 아이템에 저장하고, Vector Index를 통해 유사 상품을 검색할 수 있다.</p><h3>15. 최종 아키텍처 평가</h3><p>“Bedrock, Lambda, DynamoDB면 이제 Agent 구축이 가능한가?”라는 질문에는 다음과 같이 답할 수 있다.</p><h4>코어 백엔드는 가능하다</h4><pre>Amazon Bedrock<br>= LLM + Embedding + Tool Us<br><br>AWS Lambda<br>= Agent Loop + Tool Execution + Validation<br><br>Amazon DynamoDB<br>= State + Operational Data + Vector Memory</pre><p>세 서비스만으로 다음 기능을 구현할 수 있다.</p><ul><li>대화형 Agent</li><li>Tool-using Agent</li><li>RAG</li><li>장기 기억</li><li>사용자 개인화</li><li>작업 체크포인트</li><li>실패·성공 경험 검색</li><li>서버리스 확장</li><li>사용량 기반 과금</li></ul><h4>하지만 프로덕션 전체가 세 서비스만으로 끝나는 것은 아니다</h4><p>실제 서비스에서는 요구사항에 따라 다음을 추가한다.</p><pre>API Gateway / Lambda URL  외부 요청 진입점<br>Cognito                   사용자 인증<br>CloudWatch / X-Ray        로그와 추적<br>Bedrock Guardrails        입력·출력 정책<br>Secrets Manager           외부 API 인증 정보<br>S3                        대용량 원문·파일<br>SQS / EventBridge         비동기 임베딩·메모리 처리</pre><p>그럼에도 가장 큰 변화는 명확하다.</p><blockquote><em>과거에는 Agent의 운영 상태는 DynamoDB에, 장기 기억은 별도의 Vector DB에 저장했다.<br>이제는 </em><strong><em>현재 상태와 과거 기억을 하나의 서버리스 데이터 계층에서 관리할 수 있다.</em></strong></blockquote><h3>결론</h3><p>DynamoDB의 네이티브 Vector Search는 운영 데이터와 벡터 검색 데이터를 별도의 데이터베이스에 나누어 저장하던 AWS 기반 아키텍처의 데이터 계층 분리를 줄일 수 있다. [1][2]</p><p>이제 다음과 같은 구성이 현실적인 기본값이 될 수 있다.</p><pre>Bedrock<br>  └── 추론·계획·임베딩·도구 선택<br><br>Lambda<br>  └── 실행·검증·오케스트레이션·메모리 정책<br><br>DynamoDB<br>  └── 상태·운영 데이터·세션·장기 기억·벡터 검색</pre><p>중요한 것은 DynamoDB가 단순히 별도의 Vector DB를 대체했다는 점만이 아니다.</p><p>운영 데이터와 Agent State, Semantic Memory, Episodic Memory 및 Procedural Memory를 같은 DynamoDB 데이터 모델에 저장하면, 에이전트의 현재 상태와 과거 경험을 하나의 데이터 계층에서 연결할 수 있다. [2][3]</p><p>다만 DynamoDB가 원문 임베딩 생성, 문서 청킹, Agent Memory 선별 또는 도구 오케스트레이션까지 자동으로 수행하는 것은 아니다. 임베딩 생성은 Bedrock 등의 모델 호출로 처리하고, 도구 실행과 Agent 흐름은 Lambda 또는 Bedrock Agents를 통해 구성해야 한다. [6][9]</p><p>결국 이번 기능의 핵심은 “에이전트를 자동으로 만들어 주는 기능”이 아니라, <strong>복잡한 데이터 인프라 없이 에이전트의 상태와 기억을 구축할 수 있는 서버리스 기반이 완성됐다는 것</strong>이다.</p><h3>참고자료</h3><h4>DynamoDB Vector Search 공식 발표 및 개요</h4><p><strong>[1] AWS News Blog, “Amazon DynamoDB now supports real-time vector search at any scale”</strong><br>DynamoDB 네이티브 벡터 검색의 출시 내용, 지원 차원, 거리 함수, 확장성 및 성능 특성을 설명한다.<br><a href="https://aws.amazon.com/blogs/aws/amazon-dynamodb-now-supports-real-time-vector-search-at-any-scale/">공식 발표 보기</a></p><p><strong>[2] AWS Database Blog, “Build semantic search with native vector support in Amazon DynamoDB”</strong><br>DynamoDB 기반 시맨틱 검색 아키텍처, 검색 결과 projection, 비용 구조 및 기존 별도 Vector DB 구조와의 차이를 설명한다.<br><a href="https://aws.amazon.com/blogs/database/build-semantic-search-with-native-vector-support-in-amazon-dynamodb/">기술 블로그 보기</a></p><h4>DynamoDB Vector Search 공식 문서</h4><p><strong>[3] Amazon DynamoDB Developer Guide, “Vector search for Amazon DynamoDB”</strong><br>Vector Index, SearchVectors API, 거리 함수, 검색 조건, 필터 및 주요 활용 사례에 관한 공식 문서다.<br><a href="https://docs.aws.amazon.com/amazondynamodb/latest/developerguide/VectorSearch.html">공식 문서 보기</a></p><p><strong>[4] Amazon DynamoDB Developer Guide, “Best practices for DynamoDB vector search”</strong><br>Vector Partition Key 설계, 카디널리티, projection, 벡터 차원 및 검색 비용 최적화 방법을 설명한다.<br><a href="https://docs.aws.amazon.com/amazondynamodb/latest/developerguide/VectorSearchBestPractices.html">공식 문서 보기</a></p><p><strong>[5] Amazon DynamoDB Developer Guide, “Getting started with vector search”</strong><br>Vector Index 생성, AWS CLI 및 SDK 버전, 검색 엔드포인트, 기본 구현 절차를 설명한다.<br><a href="https://docs.aws.amazon.com/amazondynamodb/latest/developerguide/VectorSearchTutorial.html">공식 튜토리얼 보기</a></p><p><strong>[6] Amazon DynamoDB Developer Guide, “Working with DynamoDB vector search”</strong><br>벡터 데이터 저장 형식, SearchVectors 요청 구조, IAM 권한, 멀티테넌시 및 검색 결과 처리 방식을 설명한다.<br><a href="https://docs.aws.amazon.com/amazondynamodb/latest/developerguide/VectorSearchWorkingWith.html">공식 문서 보기</a></p><p><strong>[7] Amazon DynamoDB Developer Guide, “Data synchronization for vector indexes”</strong><br>기본 테이블과 Vector Index 사이의 비동기 반영, 결과적 일관성 및 Global Tables에서의 동기화 특성을 설명한다.<br><a href="https://docs.aws.amazon.com/amazondynamodb/latest/developerguide/VectorSearchDataSync.html">공식 문서 보기</a></p><p><strong>[8] Amazon DynamoDB Developer Guide, “DynamoDB vector search requirements and quotas”</strong><br>On-Demand 모드 요구사항, 최대 검색 결과, 응답 크기, 페이지네이션 제한 등 서비스 제약사항을 정리한다.<br><a href="https://docs.aws.amazon.com/amazondynamodb/latest/developerguide/VectorSearch.Requirements.html">공식 문서 보기</a></p><h4>Amazon Bedrock Agent 및 Tool Use</h4><p><strong>[9] Amazon Bedrock User Guide, “Configure Lambda functions for Amazon Bedrock Agents”</strong><br>Bedrock Agent의 Action Group과 Lambda 함수를 연결하여 모델이 실제 업무 도구를 호출하도록 구성하는 방법을 설명한다.<br><a href="https://docs.aws.amazon.com/bedrock/latest/userguide/agents-lambda.html">공식 문서 보기</a></p><h4>DynamoDB와 OpenSearch의 역할 비교</h4><p><strong>[10] AWS Database Blog, “Implementing search on Amazon DynamoDB data using zero-ETL integration with Amazon OpenSearch Service”</strong><br>DynamoDB의 운영 데이터를 OpenSearch와 연결하는 구조와 OpenSearch가 필요한 전문 검색 사용 사례를 설명한다.<br><a href="https://aws.amazon.com/blogs/database/implementing-search-on-amazon-dynamodb-data-using-zero-etl-integration-with-amazon-opensearch-service/">기술 블로그 보기</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e45d8c44f02c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[요즘 소문이 자주 나는 카이아 체인, 한 번 정리해봤습니다]]></title>
            <link>https://medium.com/@DevOZ/%EC%9A%94%EC%A6%98-%EC%86%8C%EB%AC%B8%EC%9D%B4-%EC%9E%90%EC%A3%BC-%EB%82%98%EB%8A%94-%EC%B9%B4%EC%9D%B4%EC%95%84-%EC%B2%B4%EC%9D%B8-%ED%95%9C-%EB%B2%88-%EC%A0%95%EB%A6%AC%ED%95%B4%EB%B4%A4%EC%8A%B5%EB%8B%88%EB%8B%A4-bc068d476c70?source=rss-3fe458c98862------2</link>
            <guid isPermaLink="false">https://medium.com/p/bc068d476c70</guid>
            <category><![CDATA[stablecoin-cryptocurrency]]></category>
            <category><![CDATA[google-cloud-platform]]></category>
            <category><![CDATA[blockchain]]></category>
            <category><![CDATA[kaia-chain]]></category>
            <dc:creator><![CDATA[DevOZ]]></dc:creator>
            <pubDate>Tue, 26 May 2026 13:22:34 GMT</pubDate>
            <atom:updated>2026-05-26T13:24:45.168Z</atom:updated>
            <content:encoded><![CDATA[<p>요즘 블록체인 쪽에서 카이아(Kaia) 얘기가 자주 들려서, 관련 정보를 모아 이해하기 쉽게 정리해본 글을 공유합니다. 단순히 코인 하나가 새로 나온 수준이 아니라 카카오·라인·구글, 그리고 KB국민은행까지 얽혀 있는 프로젝트라 한 번쯤 알아둘 만하더라고요. 핵심만 추려봤습니다.</p><h3><strong>1. 카이아(Kaia)란 무엇인가?</strong></h3><p>카이아는 아시아 최대 규모의 블록체인 플랫폼입니다. 기존에 카카오가 만들었던 ‘클레이튼(Klaytn)’이랑 라인이 만들었던 ‘핀시아(Finschia)’가 합병하여 만들어진 것이 바로 카이아 체인인데요. 우리 스마트폰에 깔려 있는 카카오톡이랑 일본·동남아 국민 메신저인 라인(LINE)의 인프라를 그대로 등에 업고 시작하니까, 접근성 면에서는 이미 사기적인 것이죠.</p><p>두 체인이 2024년 8월에 통합되면서 카이아가 출범했는데, 단순히 이름만 합친 게 아닙니다. 이더리움 가상머신(EVM) 호환 레이어1 체인으로 새로 설계됐고, 블록 생성 시간 1초에 최소 4,000 TPS 수준의 성능을 목표로 합니다. 그리고 지금 카이아가 스스로 내세우는 정체성이 꽤 명확한데, 바로 <strong>‘아시아의 스테이블코인 결제·온체인 금융 기반’</strong>입니다. 그냥 범용 체인이 아니라 “스테이블코인으로 결제하고 송금하는 일”에 특화하겠다는 방향을 잡은 거죠.</p><h3>2. 카카오가 그리는 큰 그림 — 대중화, 스테이블코인, 그리고 x402</h3><p>카카오의 목표는 딱 하나입니다. 바로 ‘블록체인의 대중화’인데요. 기존 블록체인에 대한 어렵고 위험한 인식을 카카오는 깨고 싶어 합니다. 사용자가 “어? 내가 지금 블록체인을 쓰고 있는 건가?” 하고 의식조차 하지 못할 정도로, 일상 앱 안에 자연스럽게 녹아드는 그림을 그리고 있는 거죠.</p><p>그 대중화의 핵심 수단이 바로 스테이블코인입니다. 가격이 출렁이는 일반 코인으로는 결제나 송금을 하기 어렵지만, 1달러·1,000원처럼 가치가 고정된 스테이블코인이라면 얘기가 달라지니까요. 카이아는 이 부분을 빠르게 다져왔습니다.</p><ul><li>2025년 5월, 세계 최대 달러 스테이블코인인 테더(USDT)가 카이아 체인에 네이티브로 도입됐습니다. 다른 체인을 거치지 않고 카이아 위에서 바로 USDT를 쓸 수 있게 된 거죠.</li><li>이후 업그레이드를 통해 <strong>수수료(가스비)를 스테이블코인으로 낼 수 있는 ‘가스 추상화(Gas Abstraction)’</strong>까지 적용했습니다. 사용자가 굳이 별도의 코인을 따로 들고 있을 필요 없이, 결제용 스테이블코인 하나로 모든 걸 끝낼 수 있게 만든 겁니다.</li><li>여기에 한국 정부가 원화 스테이블코인 도입에 우호적인 기조를 보이면서, 카이아가 ‘원화 스테이블코인 허브’로 자리 잡으려는 움직임에도 탄력이 붙었습니다.</li></ul><p>그리고 최근 가장 흥미로운 카드가 하나 더 등장했습니다. 바로 x402입니다.</p><p>x402는 코인베이스(Coinbase)가 주도하는 차세대 웹 결제 프로토콜입니다. 사실 ‘HTTP 402 (Payment Required, 결제 필요)’라는 상태 코드는 1990년대부터 인터넷 표준 안에 존재했지만, 정작 한 번도 제대로 쓰인 적이 없던 코드였는데요. x402는 이걸 되살려서, 웹 상호작용 자체에 결제 기능을 직접 내장하는 방식입니다. 쉽게 말해, AI 에이전트가 어떤 API나 콘텐츠에 접근하는 바로 그 순간, 회원가입이나 카드 입력 같은 절차 없이 즉시 스테이블코인으로 정산이 끝나는 구조죠. 사람이 화면을 보며 버튼을 누르던 결제에서, 기계가 기계에게 자동으로 결제하는 새로운 레이어가 열리는 셈입니다.</p><p>여기서 카카오가 등장합니다. 2026년 4월, 카카오페이가 리눅스 재단이 발족한 ‘x402 재단’의 창립 멤버로 합류했거든요. 코인베이스, 서클, 솔라나, 구글, AWS, 마이크로소프트, 비자, 마스터카드, 스트라이프, 쇼피파이 같은 글로벌 블록체인·결제·커머스 기업들이 대거 참여한 이 재단에서, 한국 기업으로는 카카오페이가 유일한 창립 멤버입니다. 카카오페이는 현재 카카오, 카카오뱅크와 함께 TF를 꾸려 디지털 자산 생태계 변화에 대응하고 있고요.</p><p>정리하면, 카카오 진영은 두 갈래로 움직이고 있습니다. 한쪽에서는 카이아 체인이 스테이블코인 결제·송금 인프라를 깔고, 다른 한쪽에서는 카카오페이가 x402를 통해 AI 에이전트 결제 표준 자리를 노리는 거죠. ‘사람이 쓰는 일상 결제’와 ‘기계가 자동으로 하는 결제’를 동시에 준비하고 있다고 보면 됩니다.</p><h3>3. 든든한 협력 파트너, 구글 클라우드</h3><p>이 큰 그림에 글로벌 테크 기업인 구글 클라우드도 함께하고 있습니다. 카이아 재단 측은 구글 클라우드와의 파트너십을 공식적으로 확인했는데요. 특히 대만 시장 확대(대만 모바일과의 협력 등) 같은 글로벌 확장 전략과 맞물려 있는 협력입니다.</p><p>다만 한 가지 짚고 넘어가면, “구글 클라우드가 카이아의 모든 인프라를 떠받친다”는 식의 표현은 다소 과장입니다. 정확히는 글로벌 인프라·확장을 함께 도모하는 협력 파트너 관계로 이해하는 게 맞습니다.</p><p>그리고 카이아는 결제 영역에서 실제로 손에 잡히는 서비스도 내놓고 있습니다. 결제 앱 우빗(Oobit)과 협력해 ‘탭투페이(Tap-to-Pay)’ 서비스를 선보였는데요. 한국·태국·필리핀의 카이아 자산 보유자는 카이아 기반 USDT나 유틸리티 토큰 KAIA로 비자(Visa) 카드를 지원하는 온·오프라인 상점에서 바로 결제할 수 있습니다. 가맹점 입장에서는 별도 POS 장비를 새로 들일 필요 없이, 카이아 자산을 받아 실시간 환전을 통해 법정화폐로 정산받는 구조라 진입 장벽이 낮은 편입니다.</p><h3>4. 이게 진짜 핵심 — KB국민은행과의 현실 협력</h3><p>“그래도 진짜 우리 삶에 쓰일까?”라는 의심이 든다면, 가장 주목할 만한 소식이 바로 이겁니다. 2026년 5월, KB국민은행이 카이아와 함께 진행한 원화 스테이블코인 기술 검증(PoC)을 성공적으로 마쳤다고 발표했거든요.</p><p>KB국민은행은 전자결제 기업 KG이니시스, 카이아, 디지털자산 솔루션 기업 오픈에셋(OpenAsset)과 손잡고, 원화 스테이블코인의 발행 → 오프라인 결제 → 가맹점 정산 → 해외 송금까지 금융 서비스 전 과정을 블록체인 위에서 하나로 연결한 통합 실증을 진행했습니다. 카이아는 이 과정 전체를 묶어주는 ‘오케스트레이션(정산·환전 연결) 레이어’ 역할을 맡았고요. 카이아 재단에 따르면 KB국민은행이 첫 공개 사례이고, 다른 국내 1금융권 기관들과도 비슷한 검증이 진행되고 있다고 합니다.</p><p>실제 테스트가 꽤 구체적이었습니다.</p><ul><li>카페 QR 결제: 커피 전문점 할리스 키오스크에서, 별도 가상자산 지갑이나 앱 설치 없이 평소처럼 QR로 결제만 하면, 뒷단에서 카이아의 스마트컨트랙트가 자동으로 정산을 처리합니다. 사용자가 느끼는 결제 경험은 그대로 두고, 그 아래 정산 구조만 블록체인으로 바꾼 셈이죠.</li><li>해외 송금: 한국에서 베트남으로 보내는 테스트에서는, 원화 스테이블코인이 카이아 온체인 유동성을 통해 달러 스테이블코인(USDT)으로 전환된 뒤 현지 파트너를 거쳐 실제 수취인 계좌로 입금됐습니다. 결과가 인상적인데, 처리 시간 3분 이내, 기존 국제송금망(SWIFT) 대비 수수료 약 87% 절감을 확인했다고 합니다.</li></ul><p>이론에 그친 게 아니라, “실생활에 그대로 적용 가능한 흐름”을 끝까지 검증했다는 점이 핵심입니다. KB국민은행은 향후 가상자산 관련 제도가 정비되는 시점에 곧바로 실제 서비스로 전환할 수 있도록 준비하겠다는 입장이고요.</p><h3>정리하자면</h3><p>기술이 아무리 좋아도 결국 사람들이 안 쓰면 의미가 없죠. 그런 면에서 카이아 진영이 갖춘 조합이 꽤 탄탄합니다.</p><ul><li>카카오톡·라인이라는 압도적인 사용자 기반</li><li>USDT 도입·가스 추상화로 다져온 스테이블코인 인프라, 그리고 카카오페이의 x402(AI 에이전트 결제 표준) 합류</li><li>구글 클라우드·비자 같은 글로벌 파트너</li><li>KB국민은행 PoC로 확인된 제도권 금융과의 현실 접점</li></ul><p>물론 아직은 상당 부분이 ‘검증(PoC)’과 ‘제도 정비 대기’ 단계라, 실제 서비스로 우리 손에 들어오기까지는 시간이 더 필요합니다.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bc068d476c70" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[RWA의 진짜 병목은 발행이 아니라 분배다 — 맨틀이 자본 배분·유통 레이어인 이유]]></title>
            <link>https://medium.com/@DevOZ/rwa%EC%9D%98-%EC%A7%84%EC%A7%9C-%EB%B3%91%EB%AA%A9%EC%9D%80-%EB%B0%9C%ED%96%89%EC%9D%B4-%EC%95%84%EB%8B%88%EB%9D%BC-%EB%B6%84%EB%B0%B0%EB%8B%A4-%EB%A7%A8%ED%8B%80%EC%9D%B4-%EC%9E%90%EB%B3%B8-%EB%B0%B0%EB%B6%84-%EC%9C%A0%ED%86%B5-%EB%A0%88%EC%9D%B4%EC%96%B4%EC%9D%B8-%EC%9D%B4%EC%9C%A0-16ca8873ae55?source=rss-3fe458c98862------2</link>
            <guid isPermaLink="false">https://medium.com/p/16ca8873ae55</guid>
            <category><![CDATA[mantle]]></category>
            <dc:creator><![CDATA[DevOZ]]></dc:creator>
            <pubDate>Fri, 22 May 2026 10:49:43 GMT</pubDate>
            <atom:updated>2026-05-22T10:49:43.293Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>RWA의 진짜 병목은 발행이 아니라 분배다 — 맨틀이 자본 배분·유통 레이어인 이유</strong></p><p><em>토큰화는 끝났다. 이제 누가 자본을 대고, 누가 그 자산을 사용자에게 닿게 하는가.</em></p><h3>발행은 풀렸고, 분배가 남았다</h3><p>RWA(실물자산 토큰화)를 둘러싼 이야기는 대개 “발행”에서 멈춘다. 미국 국채를 온체인에 올리고, 사모펀드 지분을 토큰으로 잘게 쪼개는 일이다. Securitize 한 곳이 RWA 토큰화 시장의 약 4분의 1을 점유할 만큼 발행 인프라는 이미 충분히 자랐다. 그런데 정작 토큰화된 자산은 발행 직후 거래소나 기관 지갑에서 잠드는 경우가 많다. 살 사람도, 굴릴 곳도, 일상에서 쓸 통로도 마땅치 않기 때문이다. RWA의 병목은 자산을 만드는 단계가 아니라, 그 자산에 자본을 대고 최종 사용자에게 닿게 하는 단계에 있다. 맨틀이 주목받는 이유가 여기 있다. 맨틀은 RWA를 새로 찍어내는 체인이 아니라, 발행 이후 남은 두 공백 — 자본 배분과 유통 — 을 한 스택에서 메우는 레이어다.</p><h3>자본 배분: 트레저리가 첫 자본을 댄다</h3><p>신생 RWA 상품의 가장 큰 적은 텅 빈 풀이다. 아무리 잘 만든 토큰화 펀드라도 초기 유동성이 없으면 기관은 들어오지 않고, 기관이 없으면 유동성도 생기지 않는다. 맨틀은 이 닭과 달걀 문제를 트레저리로 직접 끊는다. 약 25억 달러 규모의 커뮤니티 트레저리를 운용하는데, 이는 업계에서 가장 큰 온체인 자본 풀에 속한다. 2025년 출범한 Mantle Index Four(MI4)가 그 증거다. 비트코인·이더리움·솔라나·스테이블코인을 담은 이 기관용 인덱스 펀드에 맨틀 트레저리는 4억 달러를 앵커 투자로 직접 넣었고, MI4는 곧바로 업계 최대 규모의 토큰화 기관 펀드가 됐다. 토큰화 파트너는 미국 SEC에 등록된 브로커딜러 Securitize다. 여기서 핵심은 자금의 크기가 아니라 위치다. 맨틀은 자본을 가진 체인이다. 새 RWA 상품이 올라올 때 초기 유동성을 외부에 구걸하지 않고 트레저리가 먼저 댈 수 있다. 트레저리가 빈약한 다른 범용 L2는 구조적으로 흉내 내기 어려운 자리다.</p><h3>유통: 자산을 사람 손에 닿게 한다</h3><p>자본을 댔으면 자산이 사람 손에 닿아야 한다. 맨틀의 유통 경로는 세 갈래다. 첫째는 바이비트다. 맨틀은 BitDAO 시절부터 바이비트와 한 뿌리이며, 바이비트의 8천만 이용자는 맨틀이 곧바로 가닿을 수 있는 수요 기반이다. 둘째는 UR이다. 2025년 맨틀이 선보인 UR은 블록체인 위에서 통째로 돌아가는 네오뱅크로, 스위스 계좌와 다통화 직불카드, SWIFT·SEPA 송금을 법정화폐와 크립토 한 계좌에 묶는다. MI4나 mETH 같은 맨틀산 투자상품을 일상 금융 앱 안에서 바로 꺼내 쓰게 하는 소비자 접점이다. 셋째는 Fluxion이다. Fluxion의 Atomic RFQ는 토큰화된 미국 주식(xStocks)을 기관 수준의 체결 환경에서 거래하게 만든다. 발행된 RWA가 거래소와 일상 뱅킹, 기관 체결창이라는 세 방향으로 동시에 흘러가는 것이다.</p><h3>모듈러 인프라가 분배를 경제적으로 만든다</h3><p>RWA는 가만히 있는 자산이 아니다. 국채 이자를 분배하고, 인덱스를 리밸런싱하고, 담보 가치를 갱신한다. 이 잦은 정산이 비싸면 분배 자체가 성립하지 않는다. 맨틀은 EigenDA 기반 모듈러 구조로 데이터 가용성 비용을 떼어내 수수료를 낮췄다. 수익 분배와 리밸런싱이 푼돈으로 처리되는 환경, 이것이 유통 레이어가 서기 위한 하부 조건이다. Messari가 2026년 보고서에서 맨틀을 기관 온체인 금융의 ‘distribution layer’로 명명한 것도 같은 맥락이다.</p><p>맨틀은 RWA를 발행하는 체인이 아니다. 발행 이후 자본을 대고, 그 자산을 사람에게 닿게 하는 레이어다. RWA 시장의 다음 승부처가 발행이 아니라 분배라면, 맨틀은 이미 그 자리에 서 있다.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=16ca8873ae55" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Ethernaut01-Fallback]]></title>
            <link>https://medium.com/@DevOZ/ethernaut01-fallback-43e020161da2?source=rss-3fe458c98862------2</link>
            <guid isPermaLink="false">https://medium.com/p/43e020161da2</guid>
            <category><![CDATA[security]]></category>
            <category><![CDATA[fallback]]></category>
            <category><![CDATA[blockchain]]></category>
            <category><![CDATA[ethernaut]]></category>
            <dc:creator><![CDATA[DevOZ]]></dc:creator>
            <pubDate>Tue, 24 Mar 2026 10:05:15 GMT</pubDate>
            <atom:updated>2026-03-24T11:18:16.467Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/586/1*uF4BPKtP92KK3hUu3BDmIQ.png" /></figure><p>이번에는 Ethernaut의 1번째 레벨인 Fallback에 대한 풀이를 작성해보겠습니다.</p><h3>핵심 이론 습득하기</h3><p>Level 1 ‘Fallback’ 문제는 이름에서 알 수 있듯이 이더리움 스마트 컨트랙트의 <strong>특수 함수(Special Functions)</strong> 동작 원리를 이해하는 것이 핵심입니다. 이 문제를 풀기 위해 꼭 알아야 할 3가지 핵심 개념을 정리해보겠습니다.</p><h4>1. receive() 와 fallback() 함수</h4><p>일반적으로 스마트 컨트랙트의 함수를 실행하려면 transfer(...)나 authenticate(...)처럼 함수의 이름을 정확히 지정해서 호출해야 합니다. 하지만 <strong>이름을 지정하지 않고</strong> 컨트랙트에 접근하거나 이더(ETH)를 보낼 때 자동으로 실행되는 특수한 함수들이 있습니다.</p><ul><li><strong>receive() external payable</strong>: <br>누군가 컨트랙트에 특정 함수를 호출하지 않고 <strong>순수하게 이더(ETH)만 보냈을 때</strong> 자동으로 실행되는 함수입니다.</li><li><strong>fallback() external payable</strong>: <br>누군가 컨트랙트에 <strong>존재하지 않는 함수를 호출</strong>하려고 했거나, 이더를 보내면서 동시에 알 수 없는 데이터(msg.data)를 같이 보냈을 때 실행되는 일종의 &#39;최후의 보루(Fallback)&#39; 함수입니다.</li></ul><blockquote><strong><em>보안 관점:</em></strong><em> <br>과거에는 이 두 가지가 </em><em>fallback 하나로 합쳐져 있었지만, 구분이 명확하지 않아 해킹(대표적으로 Reentrancy 공격)이 자주 발생했습니다. 이 함수들 내부에 &#39;소유권을 넘겨주는&#39; 로직이 잘못 들어가 있다면 치명적인 취약점이 됩니다.</em></blockquote><h4>2. 글로벌 변수: msg.sender 와 msg.value</h4><p>솔리디티에는 트랜잭션의 정보를 담고 있는 특별한 전역 변수(Global Variables)들이 있습니다. 이 문제에서는 다음 두 가지가 아주 중요하게 쓰입니다.</p><ul><li><strong>msg.sender</strong>: <br>현재 이 스마트 컨트랙트와 상호작용하고 있는(트랜잭션을 보낸) 사람의 <strong>지갑 주소</strong>입니다.</li><li><strong>msg.value</strong>: <br>이 트랜잭션과 함께 컨트랙트로 전송된 <strong>이더의 양</strong>(Wei 단위)입니다.</li></ul><h4>3. 소유권 (Ownership) 패턴</h4><p>스마트 컨트랙트에는 관리자 권한을 부여하기 위해 보통 owner라는 변수를 둡니다.</p><ul><li>처음 컨트랙트를 배포한 사람(msg.sender)이 최초의 owner가 됩니다.</li><li>owner만 컨트랙트에 쌓인 돈을 출금(withdraw)하거나 중요한 설정을 바꿀 수 있도록 코드를 작성합니다.</li></ul><blockquote><strong><em>해커의 목표:</em></strong><em> <br>결국 많은 스마트 컨트랙트 해킹의 1차 목표는 컨트랙트의 로직상 허점을 찔러 </em><strong><em>owner 변수를 내 지갑 주소(</em></strong><strong><em>msg.sender)로 덮어쓰는 것(Takeover)</em></strong><em>입니다.</em></blockquote><h3>문제 살펴보기</h3><p>아래에 주어진 컨트랙트 코드를 주의 깊게 살펴보세요.</p><p>이 레벨을 클리어하려면 다음 두 가지 조건을 모두 만족해야 합니다:</p><ol><li>해당 컨트랙트의 소유권을 획득하기</li><li>컨트랙트의 잔액을 0으로 줄이기</li></ol><p>도움이 될 만한 것들:</p><ul><li>ABI를 통해 이더를 전송하는 방법</li><li>ABI 외부에서 이더를 전송하는 방법</li><li>wei와 ether 단위 간의 변환 (콘솔에서 help() 명령어 참고)</li><li>Fallback 함수의 작동 방식</li></ul><pre>// SPDX-License-Identifier: MIT<br>pragma solidity ^0.8.0;<br><br>contract Fallback {<br>    mapping(address =&gt; uint256) public contributions;<br>    address public owner;<br>    constructor() {<br>        owner = msg.sender;<br>        contributions[msg.sender] = 1000 * (1 ether);<br>    }<br>    modifier onlyOwner() {<br>        require(msg.sender == owner, &quot;caller is not the owner&quot;);<br>        _;<br>    }<br>    function contribute() public payable {<br>        require(msg.value &lt; 0.001 ether);<br>        contributions[msg.sender] += msg.value;<br>        if (contributions[msg.sender] &gt; contributions[owner]) {<br>            owner = msg.sender;<br>        }<br>    }<br>    function getContribution() public view returns (uint256) {<br>        return contributions[msg.sender];<br>    }<br>    function withdraw() public onlyOwner {<br>        payable(owner).transfer(address(this).balance);<br>    }<br>    receive() external payable {<br>        require(msg.value &gt; 0 &amp;&amp; contributions[msg.sender] &gt; 0);<br>        owner = msg.sender;<br>    }<br>}</pre><h3>문제 풀어보기</h3><p>문제를 살펴봤으니 이제 하나씩 코드의 허점을 파헤쳐 보겠습니다.</p><p>해커의 관점에서 가장 먼저 찾아야 할 것은 <strong>“어떻게 해야 </strong><strong>owner 변수를 내 주소로 바꿀 수 있을까?”</strong>입니다. 코드를 보면 owner가 바뀌는 곳은 딱 두 군데입니다.</p><p><strong>1. </strong><strong>contribute() 함수 안에서 탈취 시도 (함정)</strong></p><pre>if (contributions[msg.sender] &gt; contributions[owner]) {<br>    owner = msg.sender;<br>}</pre><p>내가 보낸 기여도(contributions)가 현재 오너의 기여도보다 높으면 오너가 될 수 있습니다. 하지만 constructor()를 보면 현재 오너는 이미 <strong>1000 이더</strong>를 낸 상태입니다. 우리는 한 번에 0.001 이더 미만만 보낼 수 있으므로(require(msg.value &lt; 0.001 ether)), 이 방법으로 오너가 되려면 수백만 번의 트랜잭션을 보내야 합니다. 이건 불가능에 가깝습니다.</p><p><strong>2. </strong><strong>receive() 함수 안에서 탈취 시도 (취약점)</strong></p><pre>receive() external payable {<br>    require(msg.value &gt; 0 &amp;&amp; contributions[msg.sender] &gt; 0);<br>    owner = msg.sender;<br>}</pre><p>여기가 바로 우리가 공략해야 할 취약점입니다! 특정 함수를 호출하지 않고 그냥 이더만 띡 보냈을 때 실행되는 receive() 함수 안에 오너를 바꿔주는 코드가 있습니다. 이 코드가 실행되려면 require 문의 두 가지 조건을 만족해야 합니다.</p><ul><li>msg.value &gt; 0 : 0보다 큰 이더를 보낼 것.</li><li>contributions[msg.sender] &gt; 0 : 내 지갑 주소로 기여한 금액이 0보다 클 것 (즉, 과거에 한 번이라도 기여한 적이 있을 것).</li></ul><h4>실제 해킹(Exploit) 해보기</h4><p>이제 브라우저 콘솔 창을 열고 아래 순서대로 명령어를 입력해 보세요.</p><p><strong>Step 1: </strong><strong>contributions[msg.sender] &gt; 0 조건 만족시키기</strong> <br>먼저 contribute() 함수를 호출해서 아주 적은 금액을 기여합니다.</p><pre>await contract.contribute({ value: toWei(&quot;0.0001&quot;) })</pre><p><em>(메타마스크 창이 뜨면 승인하고 트랜잭션이 완료될 때까지 기다립니다.)</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Nud8baoikFrR7cdaZWFguA.png" /></figure><p><strong>Step 2: </strong><strong>receive() 함수 트리거하여 소유권(Owner) 탈취하기</strong> <br>이제 컨트랙트에 직접 이더를 전송하여 receive() 함수를 발동시킵니다. 함수를 지정하지 않고 sendTransaction을 사용합니다.</p><pre>await contract.sendTransaction({ value: toWei(&quot;0.0001&quot;) })</pre><p><em>(트랜잭션이 완료되면 </em><em>await contract.owner()를 쳐서 내 지갑 주소(</em><em>player)와 일치하는지 확인해 보세요! 성공적으로 오너가 되셨을 겁니다.)</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qVa55jz35mi8ijf9eveGzw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/606/1*QZdFdE_IkIDNDhGYXuWHXQ.png" /></figure><p><strong>Step 3: 컨트랙트의 잔액을 0으로 만들기 (Drain)</strong> <br>우리가 오너가 되었으므로, onlyOwner 접근 제어자가 붙어있는 withdraw() 함수를 실행할 수 있습니다. 이 함수는 컨트랙트에 쌓인 모든 돈을 오너(우리)에게 보냅니다.</p><pre>await contract.withdraw()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FTIcAyq264zJce3fm43OTA.png" /></figure><p>이후 “인스턴스 제출” 버튼을 누르면 해당 레벨이 클리어가 됩니다!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/948/1*5Sqa7pHU8Uy4LbHlzvOG8A.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=43e020161da2" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Ethernaut00-Hello Ethernaut]]></title>
            <link>https://medium.com/@DevOZ/ethernaut00-hello-ethernaut-9160a1a8f9ea?source=rss-3fe458c98862------2</link>
            <guid isPermaLink="false">https://medium.com/p/9160a1a8f9ea</guid>
            <category><![CDATA[security]]></category>
            <category><![CDATA[ethernaut]]></category>
            <category><![CDATA[blockchain]]></category>
            <dc:creator><![CDATA[DevOZ]]></dc:creator>
            <pubDate>Tue, 24 Mar 2026 09:26:15 GMT</pubDate>
            <atom:updated>2026-03-24T10:45:24.123Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/595/1*_j1phmA7Yc1clhFZWOUJVw.png" /></figure><p>Ethernaut과 Ethernaut의 0번째 레벨인 Hello Ethernaut에 대한 풀이를 작성해보겠습니다.</p><h3>Ethernaut이란?</h3><p><strong>Ethernaut</strong>은 블록체인 보안 기업인 <strong>OpenZeppelin</strong>에서 만든 <strong>Web3 및 솔리디티(Solidity) 기반의 모의 해킹 워게임(Wargame)</strong>입니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*aC32-88ZXajDvzjjoHqRDA.png" /></figure><p>링크: <a href="https://ethernaut.openzeppelin.com/">https://ethernaut.openzeppelin.com/</a></p><p>스마트 컨트랙트의 취약점을 직접 찾아내고 해킹(Exploit)해 보면서 이더리움 네트워크와 스마트 컨트랙트 보안을 깊이 있게 학습할 수 있도록 설계되었습니다.</p><h4>Ethernaut의 주요 특징</h4><ul><li><strong>실전 중심의 학습: </strong><br> 과거 이더리움 생태계에서 실제로 발생했던 유명한 해킹 사례(예: DAO 해킹, Reentrancy 공격 등)나 흔히 실수하기 쉬운 취약점들을 레벨 형태로 구현해 놓았습니다.</li><li><strong>게임 진행 방식:</strong><br> 각 레벨마다 특정 스마트 컨트랙트가 주어집니다. 플레이어는 해당 컨트랙트의 코드를 분석하여 취약점을 찾아낸 뒤, 권한을 탈취하거나 자금을 빼내는 등의 주어진 목표를 달성하면 레벨을 클리어하게 됩니다.</li><li><strong>실제 네트워크 환경:</strong><br> 단순한 시뮬레이션이 아니라, 실제 이더리움 테스트넷(현재 주로 Sepolia 테스트넷 사용) 환경에서 메타마스크(MetaMask) 지갑과 상호작용하며 게임을 진행합니다.</li></ul><h4>게임을 위해 필요한 사전 지식</h4><p><strong>Ethernaut</strong>을 플레이하려면 다음과 같은 기본적인 블록체인 및 개발 지식이 필요합니다.</p><ul><li><strong>Solidity (솔리디티):</strong> <br> 이더리움 스마트 컨트랙트를 작성하는 언어에 대한 기본적인 이해</li><li><strong>JavaScript &amp; 브라우저 콘솔:</strong> <br> 게임 조작과 상호작용은 주로 브라우저의 개발자 도구 콘솔에서 Web3.js 또는 Ethers.js 라이브러리를 통해 이루어집니다.</li><li><strong>EVM (이더리움 가상 머신):</strong> <br> 스마트 컨트랙트가 어떻게 동작하고 저장되는지에 대한 구조적 이해</li></ul><h3>Hello Ethernaut</h3><p>Ethernaut에 대해서 간단하게 알아봤으니, 이제 이번에는 게임 플레이 방법의 기본을 안내하는 문제인 Hello Ethernaut 문제를 풀어보도록 하겠습니다!</p><h4>1. 메타마스크 설정하기</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/634/1*HQcfIOpKpZRvj3JXoKcW5g.png" /></figure><p>아직 설치하지 않은 경우, 데스크톱 컴퓨터의 Chrome, Firefox, Brave 또는 Opera 브라우저에서 MetaMask 확장 프로그램을 설치합니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*SuSGiPd_CBeve3Hw4f42bw.png" /></figure><p>지갑을 설정하고, 왼쪽 상단의 네트워크 선택기를 이용해 원하는 테스트넷(예: Sepolia)을 선택하세요. 또는 UI 버튼을 통해 네트워크를 전환할 수 있습니다.</p><p>지원되지 않는 네트워크를 선택하면. 게임에서 알림을 띄우고 기본 세폴리아 테스트넷으로 자동 전환됩니다.</p><h4>2. 브라우저 콘솔 열기</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XiF7t7ZM1tBxtgTvK5HDhQ.png" /></figure><p>브라우저의 콘솔을 엽니다: 도구 &gt; 개발자 도구 (Developer Tools)</p><p>콘솔에 게임에서 출력한 메시지들이 표시됩니다. 그 중 하나는 현재 플레이어의 주소를 알려줍니다. 이 주소는 게임을 진행하는데 매우 중요합니다! 아래 명령어로 내 주소를 항상 확인할 수 있습니다 .</p><pre>player</pre><p>경고나 오류 메시지도 주의해서 살펴보세요. 중요한 힌트가 될 수 있습니다.</p><h4>3. 콘솔 도우미 사용하기</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/405/1*xQE7jDBBK34bOhB0CFrKOg.png" /></figure><p>현재 이더 잔액을 확인하려면 다음 명령어를 입력하세요:</p><pre>await getBalance(player)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/996/1*7AH480MH0xbaHtyYxPQmSg.png" /></figure><p>다른 유용한 도우미 함수들을 확인하려면 help()를 사용해보세요. 게임을 진행하면서 매우 유용하게 사용됩니다.</p><h4>4. ethernaut 컨트랙트</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1021/1*J-N7SsrexR1HIhZ_SykShQ.png" /></figure><p>다음 명령어를 콘솔에 입력해 보세요:</p><pre>ethernaut</pre><p>이 객체는 게임의 메인 스마트 컨트랙트입니다. 대부분의 경우 앱에서 자동으로 이 컨트랙트를 다루기 때문에 직접 사용할 일은 거의 없지만, 연습 삼아 살펴보는 것도 좋습니다.</p><p>Ethernaut 객체를 확장해서 내부에 어떤 기능들이 있는지 확인해 보세요.</p><h4>5. ABI를 통한 상호작용</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1021/1*pnXRbPS77OM9eIBcPxrZGw.png" /></figure><p>ethernaut는 TruffleContract 객체이며, 블록체인에 배포된 Ethernaut.sol 컨트랙트를 래핑합니다. 이 컨트랙트의 ABI는 owner와 같은 Ethernaut.sol의 공개 메서드를 포함하고 있으며, 이 외에도 여러 기능들을 제공합니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/604/1*qKAsKGjSSOmOkphTGB5Aqw.png" /></figure><p>예를 들어 await ethernaut.owner()를 입력하면 이 컨트랙트의 owner가 누구인지 확인할 수 있습니다.</p><h4>6. 테스트 이더 받기</h4><p>게임을 진행하려면 테스트용 이더(Ether)가 필요합니다. 현재 선택한 테스트넷(Sepolia 등)에 맞는 이더 수령 사이트(faucet)를 통해 받을 수 있습니다. 일정량의 이더가 내 지갑에 들어오면, 다음 단계로 넘어가면 됩니다.</p><p>저는 <strong>Google</strong>에서 지원하는 <a href="https://cloud.google.com/application/web3/faucet">https://cloud.google.com/application/web3/faucet</a> 에서 수령하겠습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Yri1Z8CdrTFei153Q9xiPw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0opExmXxXW-6ZUx7qvag1Q.png" /></figure><h4>7. 레벨 인스턴스 생성하기</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/355/1*eMN3lQo-un4GbUN0cXmh4A.png" /></figure><p>각 레벨을 플레이할 때는 ethernaut 메인 컨트랙트와 직접 상호작용하지 않습니다. 대신, ethernaut 컨트랙트에 레벨 인스턴스를 생성해달라고 요청합니다. 이를 위해 페이지 하단의 “새 인스턴스 받기” 버튼을 클릭하세요.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*G2Rbo9UNdqYvph1AWT0jig.png" /></figure><p>그러면 MetaMask에서 트랜잭션을 승인을 요청할 것입니다. 승인한 뒤 잠시 기다리세요. 이 과정에서 새로운 스마트 컨트랙트가 블록체인에 배포되므로, 몇 초 정도 시간이 걸릴 수 있습니다. 인스턴스를 요청할 때는 잠시만 기다려 주세요.</p><h4>8. 컨트랙트 검사하기</h4><p>Ethernaut 메인 컨트랙트에서 했던 것처럼, 생성된 인스턴스 컨트랙트도 콘솔에서 확인할 수 있습니다. contract라는 변수로 접근할 수 있으며, 이 객체의 ABI를 살펴보면 어떤 함수들이 정의되어 있는지 확인할 수 있습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1017/1*zFRN7tDdqUqiYwOtMNNlOw.png" /></figure><p>contract를 잘 관찰하면, 레벨을 해결하는 데 어떤 기능을 사용해야 할지 쉽게 파악할 수 있습니다.</p><h4>9. 컨트랙트와 상호작용하여 레벨 완료하기</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/586/1*ZXmxlYzhayU4KJZd44X9jQ.png" /></figure><p>레벨 컨트랙트에는 info( )함수가 정의되어 있을 수 있습니다. await contract.info() 으로 실행해보면, 컨트랙트 내부에 레벨을 해결하기 위한 힌트나 로직이 포함되어 있을 것입니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/982/1*suClLkMPVUR2LB9CPVAs_w.png" /></figure><p>레벨을 클리어 했다고 판단되면, 페이지 하단의 “인스턴스 제출” 버튼을 눌러 제출하세요. 그러면 내 인스턴스가 ethernaut 메인 컨트랙트로 전달되어, 자동으로 정답 여부를 판단하게 됩니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1002/1*5ZCzpaU1hXI9urawNq87WQ.png" /></figure><blockquote>팁: 언제든지 contract변수의 ABI를 확인해 어떤 함수들이 정의되어 있는지 살펴보세요. 그게 실마리가 될 수도 있습니다!</blockquote><p>아래는 방금 상호작용한 컨트랙트의 Solidity 코드입니다.</p><pre>// SPDX-License-Identifier: MIT<br>pragma solidity ^0.8.0;<br><br>contract Instance {<br>    string public password;<br>    uint8 public infoNum = 42;<br>    string public theMethodName = &quot;The method name is method7123949.&quot;;<br>    bool private cleared = false;<br><br>    // constructor<br>    constructor(string memory _password) {<br>        password = _password;<br>    }<br><br>    function info() public pure returns (string memory) {<br>        return &quot;You will find what you need in info1().&quot;;<br>    }<br><br>    function info1() public pure returns (string memory) {<br>        return &#39;Try info2(), but with &quot;hello&quot; as a parameter.&#39;;<br>    }<br><br>    function info2(string memory param) public pure returns (string memory) {<br>        if (keccak256(abi.encodePacked(param)) == keccak256(abi.encodePacked(&quot;hello&quot;))) {<br>            return &quot;The property infoNum holds the number of the next info method to call.&quot;;<br>        }<br>        return &quot;Wrong parameter.&quot;;<br>    }<br><br>    function info42() public pure returns (string memory) {<br>        return &quot;theMethodName is the name of the next method.&quot;;<br>    }<br><br>    function method7123949() public pure returns (string memory) {<br>        return &quot;If you know the password, submit it to authenticate().&quot;;<br>    }<br><br>    function authenticate(string memory passkey) public {<br>        if (keccak256(abi.encodePacked(passkey)) == keccak256(abi.encodePacked(password))) {<br>            cleared = true;<br>        }<br>    }<br><br>    function getCleared() public view returns (bool) {<br>        return cleared;<br>    }<br>}</pre><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9160a1a8f9ea" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[RAG 검증하기 — Evaluation]]></title>
            <link>https://medium.com/@DevOZ/rag-%EA%B2%80%EC%A6%9D%ED%95%98%EA%B8%B0-evaluation-3375738c1172?source=rss-3fe458c98862------2</link>
            <guid isPermaLink="false">https://medium.com/p/3375738c1172</guid>
            <category><![CDATA[edd]]></category>
            <category><![CDATA[raga]]></category>
            <category><![CDATA[evaluation]]></category>
            <category><![CDATA[rags]]></category>
            <dc:creator><![CDATA[DevOZ]]></dc:creator>
            <pubDate>Thu, 19 Mar 2026 09:10:08 GMT</pubDate>
            <atom:updated>2026-03-19T09:10:08.461Z</atom:updated>
            <content:encoded><![CDATA[<p>이전 글에서는 수많은 RAG 파이프라인을 단 몇 줄의 코드로 우아하게 연결해 주는 ‘마법의 접착제’, LangChain과 LlamaIndex 프레임워크에 대해 알아보았습니다.</p><p>이제 우리는 문서를 자르고, 검색하고, 최적화하여 답변을 생성하는 그럴싸한 AI 비서를 완성했습니다. 그렇다면 여기서 끝일까요?</p><p>실무에 RAG 시스템을 도입할 때 개발자들이 가장 골머리를 앓는 마지막 질문이 있습니다. <strong>“그래서, 우리가 만든 RAG가 진짜 똑똑한지 어떻게 증명할 건데?”</strong></p><p>이번 글에서는 1+1=2처럼 정답이 딱 떨어지지 않는 AI의 답변을 수치화하여 채점하는 RAG의 마지막 관문, <strong>‘평가(Evaluation)’</strong>에 대해 알아보겠습니다.</p><h3><strong>전통적 소프트웨어 테스트의 한계: AI의 주관식 답변은 어떻게 채점할까?</strong></h3><p>기존의 프로그래밍은 입력값이 같으면 출력값도 항상 같아야 합니다(예: 로그인 성공/실패). 하지만 LLM은 확률을 기반으로 글을 생성하기 때문에, 같은 질문을 던져도 매번 조금씩 다른 뉘앙스의 ‘주관식 답변’을 내놓습니다.</p><p>사람이 수천 개의 질문을 던져보고 일일이 읽어가며 “음, 이건 80점짜리 답변이군” 하고 채점할 수는 없는 노릇입니다.</p><h4><strong>해결책: AI가 AI를 채점한다 (LLM-as-a-Judge)</strong></h4><p>이 문제를 해결하기 위해 등장한 개념이 바로 <strong>‘LLM-as-a-Judge’</strong>입니다. 아주 똑똑한 최고급 언어 모델(예: GPT-4)을 ‘채점관’으로 임명하여, 우리 RAG 시스템이 만든 답변을 평가하게 하는 방식입니다.</p><p>이러한 평가를 체계적으로 할 수 있도록 돕는 대표적인 평가 프레임워크가 바로 <strong>RAGAS(RAG Assessment)</strong>입니다.</p><h3><strong>오픈북 시험으로 이해하는 RAGAS의 4가지 핵심 평가 지표</strong></h3><p>RAGAS 프레임워크는 RAG 시스템을 크게 <strong>‘검색(Retrieval)을 잘했는가?’</strong>와 <strong>‘생성(Generation)을 잘했는가?’</strong> 두 가지 영역으로 나누어 깐깐하게 채점합니다. 앞서 계속 사용했던 ‘전공 오픈북 시험’ 비유를 통해 각 지표를 쉽게 이해해 봅시다.</p><h4><strong>1. 생성(Generation) 파트 채점: 글짓기 실력 평가</strong></h4><p><strong>Faithfulness (사실 부합성 / 환각 여부):</strong></p><ul><li><em>채점 기준:</em> <br>“학생이 가져온 전공책 내용(검색된 컨텍스트)에만 기반해서 답안을 작성했는가?”</li><li><em>비유:</em> <br>오픈북 시험인데, 학생이 책에 없는 자신의 뇌피셜(환각, Hallucination)을 섞어서 거짓말을 지어내지는 않았는지 확인합니다. 답변이 오직 검색된 정보에만 의지할수록 점수가 높습니다.</li></ul><p><strong>Answer Relevance (답변 관련성):</strong></p><ul><li><em>채점 기준:</em> <br>“학생의 답안이 교수님(사용자)의 질문 의도에 정확히 대답하고 있는가?”</li><li><em>비유:</em> <br>“프랑스 혁명의 원인은?”이라고 물었는데, 책에서 프랑스 혁명 파트를 찾긴 했지만 엉뚱하게 ‘단두대의 발명 과정’만 주구장창 써놓았다면 감점입니다. 묻는 말에 동문서답하지 않는지를 평가합니다.</li></ul><h4><strong>2. 검색(Retrieval) 파트 채점: 자료 조사 실력 평가</strong></h4><p><strong>Context Precision (문맥 정밀도):</strong></p><ul><li><em>채점 기준:</em> <br>“검색해 온 문서들 중에 쓸데없는 노이즈(쓰레기) 없이, 진짜 정답이 들어있는 핵심 문서가 최상단에 잘 위치해 있는가?”</li><li><em>비유:</em> <br>학생이 참고하려고 책에 포스트잇을 붙여왔는데, 정작 시험 문제와 관련 없는 페이지들만 잔뜩 찾아왔다면 점수가 깎입니다. 앞서 배운 ‘리랭커(Reranker)’를 잘 썼다면 이 점수가 크게 오릅니다.</li></ul><p><strong>Context Recall (문맥 재현율):</strong></p><ul><li><em>채점 기준:</em> <br>“질문에 답하기 위해 반드시 필요한 배경 지식(문서)들을 하나도 빠짐없이 다 찾아왔는가?”</li><li><em>비유:</em> <br>3가지 원인을 적어야 하는 문제인데, 학생이 책에서 1가지 원인만 적혀있는 페이지만 달랑 찾아왔다면 오답이겠죠. 정답에 필요한 모든 퍼즐 조각을 잘 수집했는지 평가합니다.</li></ul><h3><strong>평가 주도 개발 (Evaluation-Driven Development)</strong></h3><p>실무에서 RAG 시스템을 고도화한다는 것은 결국 이 <strong>4가지 점수판을 띄워놓고 끊임없이 튜닝하는 과정</strong>입니다.</p><p>“우리 챗봇이 자꾸 헛소리를 해(Faithfulness 하락)” -&gt; 프롬프트를 수정해야겠다!</p><p>“챗봇이 ‘모르겠습니다’라고만 해(Context Recall 하락)” -&gt; 청킹 방식을 바꾸거나 하이브리드 서치 비중을 조절해야겠다!</p><p>이처럼 감이나 직관이 아닌, 수치화된 지표(데이터)를 보며 시스템의 약점을 찾아내고 고치는 것이 AI 엔지니어의 진짜 실력입니다.</p><h3><strong>마치며</strong></h3><p>이번 글을 마지막으로, RAG라는 거대한 산맥을 함께 넘어왔습니다.</p><p>단순히 ChatGPT의 API를 호출하는 것을 넘어, 문서를 똑똑하게 자르고(Chunking), 숫자로 변환하여 저장하고(Vector DB/Embedding), 최적의 검색을 수행한 뒤(Hybrid Search/Reranker), 프레임워크(LangChain)를 통해 조립하고, 최종적으로 채점(Evaluation)하는 과정까지.</p><p>AI 시대는 단순히 AI를 ‘사용하는’ 사람과, AI가 어떻게 동작하는지 꿰뚫어 보고 그것을 ‘통제하는’ 사람으로 나뉜다고 생각합니다. 딥 다이브가 이론 위주로 쉽게 설명하며 지금까지 글을 작성했다면, 다음부터는 딥 다이브하는 글을 위주로 작성하겠습니다. 읽어주셔서 감사합니다!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3375738c1172" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[RAG 프레임워크 — LangChain vs LlamaIndex]]></title>
            <link>https://medium.com/@DevOZ/rag-%ED%94%84%EB%A0%88%EC%9E%84%EC%9B%8C%ED%81%AC-langchain-vs-llamaindex-89db6a9562e1?source=rss-3fe458c98862------2</link>
            <guid isPermaLink="false">https://medium.com/p/89db6a9562e1</guid>
            <dc:creator><![CDATA[DevOZ]]></dc:creator>
            <pubDate>Tue, 17 Mar 2026 03:17:41 GMT</pubDate>
            <atom:updated>2026-03-17T03:17:41.480Z</atom:updated>
            <content:encoded><![CDATA[<p>이전 글까지는 텍스트를 자르는 ‘청킹’부터, 검색을 돕는 ‘임베딩과 벡터 DB’, 순위를 다듬는 ‘리랭커’, 그리고 생성 단계의 치명적 결함을 막는 ‘Lost in the Middle’까지 RAG 시스템을 구성하는 필수 개념들을 모두 살펴보았습니다.</p><p><strong>“그런데 이론은 다 이해했는데요… 그럼 이 수많은 과정(API 호출, 청킹, 임베딩, DB 연결)을 파이썬으로 처음부터 끝까지 다 직접 코딩해야 하나요?”</strong></p><p>정답은 <strong>“아니오”</strong>입니다. 우리가 바퀴를 다시 발명할 필요가 없는 것처럼, 이 복잡한 RAG 파이프라인 레고 블록들을 단 몇 줄의 코드로 조립하게 해주는 ‘마법의 접착제’들이 있습니다. 이번 글에서는 현재 AI 개발 생태계를 양분하고 있는 두 가지 핵심 프레임워크, <strong>랭체인(LangChain)</strong>과 <strong>라마인덱스(LlamaIndex)</strong>에 대해 풍부한 예제와 함께 자세히 알아보겠습니다.</p><h3>랭체인 (LangChain)</h3><p>랭체인은 이름에서 알 수 있듯, 언어 모델(LLM)과 다양한 외부 도구들을 <strong>‘사슬(Chain)처럼 엮어서’</strong> 하나의 거대한 애플리케이션을 만들어내는 범용 프레임워크입니다.</p><ul><li><strong>특징: 엄청난 자유도와 확장성<br></strong>랭체인은 RAG만을 위한 도구가 아닙니다. 인터넷 검색, 계산기, 사내 API 호출 등 LLM이 할 수 있는 모든 행동(Agent)을 설계할 수 있는 <strong>‘만능 맥가이버 칼’</strong>입니다.</li><li><strong>비유하자면: <br></strong>식당의 ‘총괄 매니저’와 같습니다. “손님(사용자)이 질문을 하면 -&gt; 1번 직원(벡터 DB)에게 검색을 시키고 -&gt; 결과가 부족하면 2번 직원(구글 검색)을 시킨 뒤 -&gt; 주방장(LLM)에게 요리(답변)를 지시해!”라는 식의 복잡한 업무 흐름(Workflow)을 통제합니다.</li></ul><h3>LangChain 코드 예시</h3><p>만약 프레임워크 없이 RAG를 짠다면, OpenAI API를 부르고, 청킹 코드를 짜고, 유사도 계산 수식을 직접 써야 해서 코드가 수백 줄을 넘어갑니다. 하지만 랭체인을 쓰면 어떨까요?</p><pre>from langchain.chains import RetrievalQA<br>from langchain.llms import OpenAI<br><br># 1. 주방장(LLM)과 참고서(VectorDB) 준비<br>llm = OpenAI(model_name=&quot;gpt-4&quot;)<br>retriever = vector_db.as_retriever() <br><br># 2. 랭체인으로 두 개를 사슬처럼 엮기 (이게 끝입니다!)<br>rag_chain = RetrievalQA.from_chain_type(<br>    llm=llm, <br>    retriever=retriever<br>)<br><br># 3. 질문 던지기<br>answer = rag_chain.run(&quot;우리 학교 24학번 졸업 요건이 뭐야?&quot;)<br>print(answer)</pre><p>놀랍지 않나요? 복잡한 RAG 파이프라인이 RetrievalQA라는 랭체인의 기능 하나로 단 세 줄 만에 완성되었습니다. 이처럼 랭체인은 개발자가 복잡한 수학적 연산이나 API 통신에 신경 쓰지 않고, &#39;서비스의 로직&#39; 자체에 집중할 수 있게 해줍니다.</p><h3>라마인덱스 (LlamaIndex)</h3><p>랭체인이 범용적인 AI 애플리케이션을 만드는 데 집중한다면, <strong>라마인덱스(LlamaIndex)는 오직 ‘데이터(Data)’와 ‘RAG’ 하나에만 미친 듯이 집중하는 특화 프레임워크</strong>입니다.</p><ul><li><strong>특징: 데이터 연결의 끝판왕<br></strong>RAG의 생명은 결국 “우리의 비공개 데이터를 LLM에게 얼마나 잘 먹여주느냐(Data Ingestion)”에 있습니다. 라마인덱스는 PDF, 노션(Notion), 슬랙(Slack), 구글 드라이브 등 세상에 존재하는 거의 모든 형태의 데이터를 단 한 줄의 코드로 빨아들이는 <strong>‘초고성능 데이터 진공청소기’</strong>입니다.</li><li><strong>비유하자면: <br></strong>도서관의 ‘수석 사서’와 같습니다. 아무리 난장판으로 섞인 책(데이터)들이 들어와도, 기가 막히게 목차를 나누고(청킹), 인덱스(색인)를 달아 깔끔하게 서재(VectorDB)에 정리해 두는 작업에 특화되어 있습니다. 앞서 배웠던 ‘하이브리드 서치’나 ‘문서 재배치’ 같은 RAG의 고급 검색 기법들도 라마인덱스에서는 아주 쉽게 구현됩니다.</li></ul><h3>LlamaIndex 코드 예시</h3><p>폴더 안에 있는 수십 개의 전공서적 PDF들을 읽어와서 RAG 시스템을 만든다고 가정해 봅시다.</p><pre>from llama_index import VectorStoreIndex, SimpleDirectoryReader<br><br># 1. 폴더 안의 모든 PDF/텍스트 문서 한 번에 빨아들이기 (진공청소기 작동)<br>documents = SimpleDirectoryReader(&#39;my_major_books_folder&#39;).load_data()<br><br># 2. 청킹 + 임베딩 + 인덱싱(벡터DB 저장)을 한 줄로 끝내기<br>index = VectorStoreIndex.from_documents(documents)<br><br># 3. 검색 엔진(Query Engine) 생성 및 질문하기<br>query_engine = index.as_query_engine()<br>response = query_engine.query(&quot;중간고사 3단원 핵심 내용 요약해줘&quot;)<br>print(response)</pre><p>개발자가 SimpleDirectoryReader를 쓰는 순간, 파이썬이 알아서 폴더를 뒤져 텍스트를 추출하고, VectorStoreIndex를 호출하는 순간 우리가 앞서 배웠던 청킹과 임베딩 과정을 내부에서 &#39;알아서&#39; 전부 처리해 줍니다. 데이터 처리에 있어서는 랭체인보다 훨씬 강력하고 직관적입니다.</p><h3>그래서 제 토이 프로젝트에 뭘 써야 할까요?</h3><p>처음 AI 개발을 시작하는 분들은 두 가지 중 무엇을 골라야 할지 막막할 수 있습니다. 여러분이 만들고자 하는 프로젝트의 성격에 따라 이렇게 선택하시면 됩니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*D0LRqFjomuib80jHtPwgig.png" /></figure><p>사실 실무에서는 이 둘을 경쟁자로 보지 않습니다. 오히려 <strong>두 개를 섞어서 씁니다.</strong> 데이터를 긁어오고 쪼개서 똑똑하게 검색하는 부분(Retrieval)은 전문 사서인 <strong>‘라마인덱스’</strong>에게 맡기고, 그렇게 찾아온 정보를 바탕으로 사용자와 대화를 나누고 외부 API를 호출하는 메인 시스템은 총괄 매니저인 <strong>‘랭체인’</strong>으로 껍데기를 씌우는 식입니다.</p><h3>마치며</h3><p>이번 글에서는 파이썬 코드 수천 줄의 압박에서 우리를 구원해 줄 두 가지 든든한 무기, <strong>LangChain</strong>과 <strong>LlamaIndex</strong>에 대해 알아보았습니다.</p><p>이론만 들었을 때는 “저걸 언제 다 만들지?” 싶었던 청킹, 임베딩, 벡터 검색, 파이프라인 구축이 프레임워크를 만나면 단 몇 줄의 코드로 우아하게 해결됩니다.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=89db6a9562e1" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Generation 단계의 이슈 — Lost in the Middle]]></title>
            <link>https://medium.com/@DevOZ/%EC%83%9D%EC%84%B1-generation-%EB%8B%A8%EA%B3%84%EC%9D%98-%EC%9D%B4%EC%8A%88-lost-in-the-middle-d6de13894b21?source=rss-3fe458c98862------2</link>
            <guid isPermaLink="false">https://medium.com/p/d6de13894b21</guid>
            <category><![CDATA[reranker]]></category>
            <category><![CDATA[lost-in-middle]]></category>
            <category><![CDATA[rags]]></category>
            <dc:creator><![CDATA[DevOZ]]></dc:creator>
            <pubDate>Tue, 17 Mar 2026 03:17:14 GMT</pubDate>
            <atom:updated>2026-03-17T03:17:31.618Z</atom:updated>
            <content:encoded><![CDATA[<p>이전 글에서는 사용자의 모호한 질문을 찰떡같이 바꿔 검색 성공률을 높이는 ‘쿼리 최적화(Query Optimization)’에 대해 알아보았습니다.</p><p>문서도 잘 잘랐고(청킹), 검색도 완벽하게 했고(하이브리드/리랭커), 질문까지 최적화했다면 이제 완벽한 답변이 나올 일만 남았을까요?</p><p>안타깝게도 RAG의 마지막 단계인 <strong>‘생성(Generation)’</strong>에서 LLM이 치명적인 실수를 저지르곤 합니다. 이번 글에서는 LLM이 중간에 있는 정보를 까맣게 잊어버리는 현상, <strong>‘Lost in the Middle’</strong>에 대해 작성해보겠습니다.</p><h3><strong>직관적인 비유: 전공 시험 벼락치기</strong></h3><p>대학생분들이라면 중간고사 전날, 두꺼운 전공책을 밤새워 벼락치기 해본 경험이 있으실 겁니다. 다음 날 시험지를 받아 들면 보통 어떤 현상이 발생하나요?</p><p>가장 먼저 읽었던 ‘1단원(처음)’과 시험 직전에 호다닥 훑어본 ‘5단원(끝)’의 내용은 기억이 생생한데, 새벽 3시쯤 졸면서 넘겼던 ‘3단원(중간)’의 내용은 머릿속에서 감쪽같이 사라져 버립니다.</p><p>놀랍게도 세계 최고 수준의 똑똑한 AI 모델(LLM)들 역시, 한 번에 많은 양의 텍스트를 읽을 때 우리와 똑같은 건망증을 겪습니다.</p><h3><strong>Lost in the Middle 현상이란?</strong></h3><p>스탠퍼드 대학교와 UC 버클리 연구진의 논문에 의해 널리 알려진 이 현상은, <strong>LLM에게 너무 많은 문맥(Context)을 한 번에 주어졌을 때 정보의 위치에 따라 정보 검색(인지) 능력이 뚝 떨어지는 문제</strong>를 말합니다.</p><ul><li><strong>초두 효과와 최신 효과:</strong> <br>LLM은 입력된 프롬프트의 맨 앞(시작 부분)과 맨 뒤(끝부분)에 있는 정보는 기가 막히게 잘 찾아내어 답변에 활용합니다.</li><li><strong>중간의 실종:</strong> <br>반면, 제공된 문서들의 한가운데에 정답이 끼어있을 경우, LLM은 마치 그 문장이 존재하지 않는 것처럼 무시하거나 완전히 엉뚱한 대답(환각)을 내놓습니다. 즉, 정보가 ‘중간에서 길을 잃는(Lost in the Middle)’ 것입니다.</li></ul><h3><strong>왜 이런 문제가 발생할까요? 무작정 컨텍스트를 늘리면 안 되는 이유</strong></h3><p>최근 발표되는 LLM들은 “책 수십 권 분량을 한 번에 읽을 수 있다(컨텍스트 윈도우가 크다)”고 홍보합니다. 그래서 많은 초보 개발자들이 RAG 검색 품질이 떨어지면 “검색된 문서를 3개 주던 걸 20개로 늘려서 다 던져주자! 그럼 알아서 찾겠지!”라고 착각합니다.</p><p>하지만 모델 내부의 어텐션(Attention) 메커니즘 특성상, 데이터가 길어질수록 중간 정보에 대한 집중력은 분산될 수밖에 없습니다. 검색된 문서 20개를 통째로 던져주면 API 호출 비용만 비싸지고, 정작 답변의 지능과 퀄리티는 오히려 떨어지는 역효과가 발생합니다.</p><h3><strong>실무적인 해결책: 문서 재배치 (Document Reordering)</strong></h3><p>그렇다면 이 치명적인 건망증을 어떻게 해결해야 할까요? 실무에서는 검색된 문서들의 ‘순서를 영리하게 섞어주는’ 방식을 사용합니다.</p><p>검색 시스템이 질문과 가장 관련성이 높은 청크 5개를 1위부터 5위까지 찾았다고 가정해 보겠습니다. 이 문서를 1, 2, 3, 4, 5위 순서대로 LLM에게 주면, 정답이 될 확률이 높은 1위 문서와 2위 문서를 잘 기억할까요?</p><p>아닙니다. 2위 문서는 ‘중간’에 끼어버리기 때문에 무시될 확률이 큽니다. 따라서 LLM이 가장 잘 기억하는 <strong>맨 앞과 맨 뒤</strong>에 가장 중요한 문서를 배치해야 합니다.</p><ul><li><strong>일반적인 배치:</strong> <br>[1위] - [2위] - [3위] - [4위] - [5위] (2, 3, 4위 정보 유실 위험)</li><li><strong>재배치(Reordering) 후:</strong> <br>[1위] - [3위] - [5위] - [4위] - [2위]</li></ul><p>이렇게 U자 형태로 문서를 재배치하면, 가장 중요한 1위와 2위 정보가 프롬프트의 양 끝에 위치하게 되어 LLM이 핵심 정보를 절대 놓치지 않고 완벽하게 답변을 생성할 수 있습니다. LangChain 같은 프롬프트 프레임워크에서도 LongContextReorder라는 기능으로 이 방식을 기본 지원하고 있습니다.</p><h3><strong>근본적인 해결책: 영양가 있는 것만 골라주기 (리랭커의 재등장)</strong></h3><p>문서의 순서를 바꾸는 것도 좋지만, 가장 근본적인 해결책은 앞서 우리가 배운 <strong>‘리랭커(Reranker)’</strong>를 적극 활용하는 것입니다.</p><p>애초에 LLM에게 20개의 문서를 주지 않고, 리랭커라는 깐깐한 심층 면접관을 통해 노이즈를 전부 걸러낸 뒤 ‘가장 완벽한 엑기스 문서 3개’만 LLM에게 전달하는 것입니다. 읽을거리(Context) 자체가 짧아지면 LLM은 중간 내용을 잊어버릴 일 없이 모든 정보에 100% 집중할 수 있습니다.</p><h3><strong>마치며</strong></h3><p>이번 글에서는 RAG의 마지막 생성 단계에서 마주하게 되는 복병, ‘Lost in the Middle’ 현상에 대해 알아보았습니다.</p><p>우리가 아무리 훌륭한 파이프라인을 구축해 정답이 담긴 문서를 완벽하게 검색해 왔더라도, 마지막에 LLM에게 문서를 떠먹여 주는 ‘방식’이 틀렸다면 결과물은 망가질 수밖에 없습니다.</p><p>RAG 시스템을 구축한다는 것은 단순히 AI를 가져다 쓰는 것이 아닙니다. AI의 심리학적(?) 결함까지 이해하고, 그들이 가장 소화하기 편한 형태로 밥상을 차려주는 섬세한 ‘프롬프트 엔지니어링’과 ‘데이터 재배치’가 동반되어야만 비로소 신뢰할 수 있는 완벽한 서비스가 탄생합니다.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d6de13894b21" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>