어떤 주식이 이길까?

DuelStocks의 펀더멘털 심층 분석. 투자 조언이 아니며 — 이 시리즈의 다른 글들과 마찬가지로 — 예측도 아닙니다. 아래의 모든 수치는 DUEL의 Battle, DCF, Resilience(STR) 리포트가 처리한 공개 SEC EDGAR 공시 자료(10-K/10-Q)에서 나온 것입니다.

모든 성장 스토리는 결국 같은 질문을 받게 됩니다: 그 성장이 실제로 현금으로 바뀌고 있는가, 아니면 손익계산서상에서만 현금처럼 보이는 무언가로 바뀌고 있는가? 이 글은 AI에 관한 것이 아니고, 특정 섹터에 관한 것도 아니며, 특정 기업에 관한 것도 아닙니다. 이는 한 번 만들어 미래의 어떤 성장 사이클에도 재사용할 수 있는 범용 스크린으로, 하나의 특정 패턴을 겨냥합니다: 매출이 건전한 속도로 성장하는 동안, 그 성장이 만들어내는 현금이 그것이 대표해야 할 회계상 이익과 괴리되는 패턴입니다.

이는 이 시리즈의 이전 세 글에 대한 직접적인 방법론적 확장입니다. 바스켓 구성 접근법은 [독립 신호는 몇 개인가? 주성분 분석]을 따릅니다. Wilson 구간과 Cochran 최소 표본 규율을 포함한 기저율 프레임은 [아무도 말하지 않는 신호]를 따릅니다. 그리고 근본적인 이익 적립 품질 논리 — 매출 성장이 현금 창출을 앞지르는 것이 교과서적인 조기 경보 패턴이라는 것 — 은 Sloan(1996)에서 나오며, 이는 DUEL 자체의 Sloan 비율 지표를 뒷받침하는 바로 그 논문입니다.

72개 기업으로 구성된 섹터 간 바스켓 전반에서, 3년 매출 성장률이 강세를 유지하는 동안 영업 마진과 FCF 마진이 이미 벌어지는 곳은 어디인가 — 그리고 DUEL 자체의 Sloan 비율이 그 괴리와 일치하는가?

파트 1 — 바스켓 구성하기

바스켓은 5개 섹터에 걸친 72개 기업입니다:

• 기술/반도체/소프트웨어(22개): AAPL, AMD, AVGO, CRM, GOOGL, META, MSFT, INTC, KLAC, LRCX, MCHP, MU, NFLX, NOW, NVDA, PLTR, QCOM, SNDK, SNPS, STX, TXN, XYZ
• 산업재(12개): CAT, DE, F, FDX, GM, LMT, RTX, UPS, LIN, SHW, GE, HON
• 헬스케어(11개): AMGN, BDX, BMY, ISRG, REGN, VRTX, JNJ, PFE, ABT, MDT, DHR
• 소비재/유통/필수소비재/통신(22개): AMZN, CCL, CL, COST, DIS, HD, HSY, KO, LOW, MDLZ, MO, PEP, PG, PM, RCL, ROST, TJX, TMUS, VZ, WMT, MCD, NKE
• 에너지(5개): COP, OXY, XOM, CVX, SLB

모든 기업은 SEC에 10-K/10-Q를 제출하며 DUEL의 표준 파이프라인으로 처리됩니다. 아래의 두 스크린 모두 이 전체 바스켓에 걸쳐 확보 가능한 네 가지 필드 — 매출 성장률, 영업 마진, FCF 마진, Sloan 비율 — 만으로 구축되며, 이것이 애초에 72개 기업의 일관된 비교를 가능하게 만드는 요소입니다.

파트 2 — 두 개의 독립적인 스트레스 스크린

"현금을 앞지르는 성장"은 하나의 현상이 아닙니다 — 보고된 영업이익이 실제 잉여현금흐름을 크게 앞서 나가는 형태로 나타날 수도 있고, Sloan 자체의 이익 적립 품질 측정치를 촉발할 만큼 심각한 이익 적립 축적으로 나타날 수도 있으며, 한 기업이 다른 신호 없이 어느 한쪽 신호만 보일 수도 있습니다. 우리는 3년 매출 CAGR ≥ 5%인 모든 기업에 대해 독립적으로 정의된 두 개의 별도 스크린을 실행했습니다:

스크린 A — 현금 전환 격차: 영업 마진 빼기 FCF 마진 ≥ 10퍼센트포인트. 이는 FCF 마진 자체가 단독으로는 건전해 보이는지 여부와 무관하게, 기업 자체가 보고한 영업 수익성이 그 수익성이 만들어내는 현금을 의미 있게 앞지르고 있는지를 묻습니다.

스크린 B — 상승된 Sloan 비율: Sloan 비율 > 5%, "완만한 이익 적립이 감지됨"에 대한 DUEL 자체의 임계값입니다. 이는 순이익 자체가 영업 현금흐름보다 이익 적립으로 더 많이 구축되고 있는지를 묻습니다 — 스크린 A의 마진 격차와는 다른, 더 이른 단계의 신호입니다.

72개 기업 중 34개(47%)가 5% 이상의 3년 매출 성장률을 보입니다. 두 스크린 모두 이 고성장 그룹 내에서만 실행됩니다 — 매출이 평평하거나 감소하는 기업이 넓은 마진-현금 격차를 보이는 것은, 실제 성장과 함께 같은 격차가 나타나는 것보다 다르고 더 평범한 이야기(종종 그냥 주기적이거나 일회성 항목)입니다.

파트 3 — 스크린 A: 현금으로 전환하는 것보다 더 빨리 성장하는 기업은 누구인가

34개 고성장 기업 중 8개(23.5%, Wilson 95% CI [12.4%, 40.0%])가 10포인트 이상의 현금 전환 격차를 보입니다. 72개 기업 바스켓 전체에서 가장 큰 단일 격차는 MU로, 21.7포인트입니다 — 그리고 MU는 바스켓에서 가장 높은 Sloan 비율(36.86%)도 가지고 있으며, 해당 필드가 확보된 66개 기업 중 두 번째로 느린 수취채권 회전율(1.39x)도 가지고 있습니다(AVGO만 0.36x로 더 느립니다) — 동일한 공시 자료의 세 가지 다른 부분에서 나온 세 가지 독립적인 신호가 모두 같은 방향을 가리키고 있습니다. 표시된 여덟 종목 중 다섯은 기술/반도체/소프트웨어 기업입니다. 나머지 셋은 매우 다른 사업을 가진 소비재 종목들입니다(크루즈 선사, 패스트푸드 프랜차이즈, 담배 회사) — 이 패턴이 불균등하게 군집되어 있음에도 섹터 특정적이지 않다는 것을 상기시켜 줍니다.

파트 4 — 격차가 섹터별로 군집되는가? 기저율 확인

이전 기저율 글과 동일한 규율을 따르면: Cochran(1977)의 경험칙은 안정적인 비율 추정을 위해 최소 5건의 관측된 사건을 요구하며, 이 컷에서는 기술/반도체/소프트웨어만이 이 기준을 명확히 통과하고, 소비재/유통/필수소비재/통신이 바로 그 뒤를 잇습니다. 산업재, 헬스케어, 에너지는 각각 이 바스켓에서 어떤 비율 주장도 뒷받침할 만큼 고성장 종목이 충분하지 않습니다. 이들의 0% 수치는 이 섹터들에서 패턴이 입증된 부재를 나타내는 것이 아니라, 작은 분모(각각 3개, 5개, 1개 기업)를 반영합니다. 모든 섹터에 걸친 넓고 겹치는 신뢰구간이 여기서의 정직한 발견입니다: 이 바스켓 규모로는, 현금 전환 격차가 기술 특정적인 현상이라고 아직 말할 수 없으며, 단지 기술과 소비재에서 측정할 수 있을 만큼 자주 보이고, 다른 곳에서는 아직 측정할 수 없다고만 말할 수 있습니다.

파트 5 — 스크린 B: 고성장 종목 중 상승된 Sloan 비율

34개 고성장 기업 중 6개(17.6%)가 5%를 초과하는 Sloan 비율을 가지고 있습니다. 여섯 중 다섯이 특히 기술/반도체/소프트웨어에 속합니다. 여섯 중 오직 하나 — MSFT — 만이 실제로 DUEL 자체의 ROIC-대-Sloan 일관성 검사를 촉발시킵니다. 전체 바스켓에서 단연 가장 높은 Sloan 비율을 가진 MU를 포함한 나머지 다섯은 이 특정 내부 검사에서 OK로 읽히는데, 이는 DUEL의 ROIC-대-Sloan 표시가 Sloan 비율 단독이 아니라 상승된 Sloan 비율과 나란히 높은 ROIC의 조합에서 촉발되기 때문입니다. MU 자체의 ROIC는 이 스냅샷에서 Sloan 비율과 짝을 이뤄 표시를 촉발할 임계값을 넘지 못합니다 — 하위 표시만이 아니라 Sloan 비율 자체를 직접 읽는 것이, 표시 자체가 드러내지 않는 사례를 드러낸다는 것을 상기시켜 줍니다.

세 기업 — MU, MSFT, GOOGL — 은 스크린 A와 스크린 B 모두에 나타납니다: 동일한 공시 자료의 서로 다른 부분에서 독립적으로 도출된 실제 마진-현금 격차와 상승된 Sloan 비율이 같은 근본적인 스토리를 가리킵니다. 이 겹침은 어느 한 스크린 단독보다 이 바스켓에서 가장 강력한 신호입니다.

파트 6 — 두 가지 검사, 두 가지 질문: 성장-대-FCF 대 마진 격차 스크린

DUEL의 내장 성장-대-FCF 일관성 검사와 스크린 A는 둘 다 동일한 공시 자료에 대한 정당한 해석이며, 이 바스켓에서는 크게 불일치합니다: DUEL 자체의 표시는 스크린 A가 식별한 여덟 기업 중 일곱에서 OK로 읽히는데, 여기에는 전체 바스켓에서 가장 큰 격차와 가장 높은 Sloan 비율을 가진 MU도 포함됩니다. 오직 RCL만이 두 검사를 동시에 촉발시킵니다.

이 불일치는 어느 한쪽의 결함이 아니라 각 검사가 측정하도록 설계된 것의 특성입니다. DUEL의 성장-대-FCF 표시는 자체 충돌 메시지의 문구("매출 성장률 18.6%, FCF 마진 5.7%: 현금 전환 관찰")로 판단하건대, 높은 성장과 함께 FCF 마진이 절대적으로 낮은 기업을 잡아내도록 조정된 것으로 보입니다 — "이 기업은 빠르게 성장함에도 불구하고 현금을 거의 창출하지 못하고 있는가?"를 묻습니다. 스크린 A는 더 좁고 자기 참조적인 질문을 던집니다: "이 기업 자체가 보고한 영업이익이 자체 현금 창출을 의미 있게 앞지르고 있는가?" 한 기업이 충분히 존경할 만한 두 자릿수 FCF 마진을 가질 수 있습니다 — MSFT의 25.42%는 단독으로는 강력한 숫자입니다 — 그러면서도 자체 45.62% 영업 마진 대비 실제 격차를 보일 수 있습니다. 절대적 FCF 마진에 맞춰진 표시는 FCF 마진이 그 자체로 괜찮아 보이는 기업에서 촉발될 이유가 없습니다. 기업을 오직 자기 자신과만 비교하는 스크린은 동일한 근본적 질문의 다르고 보완적인 조각을 잡아냅니다. 이 바스켓은 검사 자체의 정의가 그것이 무엇을 발견하는지를 얼마나 결정하는지에 대한 구체적인 예시입니다 — 순위 가중치에 대해 이전 Fragile Score 글이 보여준 것과 동일한 교훈입니다.

파트 7 — 이것이 실제로 답하는 것과 답하지 않는 것

이 글은 표시된 어떤 기업의 성장이 저품질이라거나, 그 주식이 고평가되었다거나, 현금 전환이 더 악화될 것이라고 말하지 않으며 말할 수도 없습니다. 넓은 영업 마진 대 FCF 마진 격차는 운전자본 타이밍, 진정한 성장 투자 단계 동안의 상승된 CAPEX, 이연 수익 메커니즘, 또는 단순한 회계 구조를 반영할 수 있습니다 — 반드시 문제인 것은 아닙니다. 이 글이 직접적이고 재현 가능하게 보여주는 것은: 5개 섹터에 걸친 72개 기업 전반에서, 구체적이고 측정 가능한 패턴 — 보고된 영업 수익성과 실제 현금 창출 사이의 큰 격차와 결합된 높은 매출 성장, 또는 Sloan 자체의 비율을 움직일 만큼 심각한 이익 적립 축적 — 이 이 바스켓의 고성장 기업 중 약 4분의 1에서 존재하며, 기술/반도체/소프트웨어에 집중되어 있지만 그것만의 것은 아니고, 그 검사가 관련되어 있지만 다른 신호를 잡아내도록 조정되어 있다는 바로 그 이유 때문에 DUEL 자체의 내장 일관성 검사 중 하나에는 대체로 보이지 않는다는 것입니다.

한계

두 스크린 모두 전체 바스켓에서 확보 가능한 균일한 DCF 수준의 횡단면을 사용합니다 — 매출 성장률, 영업 마진, FCF 마진, Sloan 비율입니다. 수취채권 회전율을 포함한 다른 Battle Report 요소는 이 두 스크린의 정의 밖에 있습니다. 수취채권 회전율이 파트 3과 5에 표시된 경우, 이는 표시된 종목 옆에 있는 서술적 맥락이지, 어느 스크린의 통과/실패 기준의 일부가 아닙니다.

10퍼센트포인트 격차와 5% Sloan 임계값은 구성된 관례이지 보편적 상수가 아닙니다. 더 좁거나 더 넓은 격차 임계값은 기업들을 스크린 A 안팎으로 이동시킬 것입니다. 스크린 B의 Sloan 기준점도 마찬가지입니다. 저희는 특정 결과를 만들어내기 위해 임계값을 최적화하기보다 둥글고 방어 가능한 숫자를 선택했지만, 다른 합리적인 선택은 더 넓은 섹터 패턴을 바꾸지 않으면서도 특정 기업 목록을 이동시켰을 것입니다.

5개 섹터 중 3개는 이 바스켓에서 기저율 주장을 뒷받침할 만큼 고성장 기업이 충분하지 않습니다. Cochran(1977)의 최소 표본 지침에 따르면 — 산업재(3개), 헬스케어(5개), 에너지(1개)입니다. 파트 4의 0% 수치는 이 바스켓을 설명하는 것이지, 더 넓은 의미에서 그 섹터들에 패턴이 입증되어 부재한다는 것이 아닙니다.

주어진 기업에 대해 Resilience 리포트가 이 바스켓의 채점 필드에 포함되지 않은 경우 FRI는 표시되지 않습니다. 두 스크린 모두 FRI에 의존하지 않으므로 영향을 받지 않습니다.

이는 여러 주에 걸친 단일 공시 기간의 스냅샷이며, 종단적이거나 시점 일관적인 바스켓이 아닙니다. 기업의 성장-대-현금 프로필은 한 분기 공시에서 다음 공시로 바뀔 수 있으며, 실제로 바뀝니다.

72개 기업은 미국 상장 시장의 무작위 또는 대표 표본이 아니라 진단적 바스켓입니다 — 파트 4의 섹터 기저율을 이 바스켓에 대한 설명적인 것으로 읽으시고, 모집단 수준의 추정치로 읽지 마시기 바랍니다.

결론

5개 섹터, 72개 기업 바스켓 전반에서, 고성장 기업의 약 4분의 1이 보고된 영업 수익성이 실제 현금 창출을 의미 있게 앞지르는 것을 보이며, 약 6분의 1이 자체 Sloan 비율을 움직일 만큼 심각한 이익 적립 축적을 보입니다 — 세 기업이 두 신호를 독립적으로 촉발하며, 이 셋 중 하나(MU)는 수취채권 회전율에서도 전체 바스켓의 최하위권에 위치합니다. 이 패턴은 기술/반도체/소프트웨어에, 그리고 그보다 덜하지만 소비재에 집중되어 있지만, 바스켓은 다른 세 섹터에서는 그 집중이 실재하는지 아니면 이 특정 바스켓의 인위적 결과인지 말하기에는 너무 작습니다. 그리고 결정적으로, 이 스크린이 표시하는 기업 대부분이 DUEL 자체의 내장 성장-대-FCF 검사를 깨끗하게 통과합니다 — 두 검사 중 하나가 고장 났기 때문이 아니라, 서로 다른 것을 잡아내도록 만들어졌기 때문입니다. 이 중 어느 것도 행동에 나설 신호가 아닙니다. 이는 공개 공시 자료와 문서화된 공식으로부터 한 번 만들어진, 다음 성장 사이클을 어떤 섹터가 주장하든 그 위에서 다시 실행되도록 설계된 탐지기입니다.

이 글의 모든 수치는 duelstocks.com에서 직접 확인하고 재검증할 수 있는 듀얼로 거슬러 올라갑니다.

더 읽어보기 — 같은 시리즈, 같은 방법론

이 글은 이 시리즈의 이전 글들에서 확립된 바스켓 구성 및 기저율 방법론을 확장하며, 해당 글들은 아래에서 확인하실 수 있습니다.

참고 문헌

Sloan, R. G. (1996). Do stock prices fully reflect information in accruals and cash flows about future earnings? The Accounting Review, 71(3), 289–315.

Dechow, P. M., Ge, W., Larson, C. R., & Sloan, R. G. (2011). Predicting material accounting misstatements. Contemporary Accounting Research, 28(1), 17–82.

Cochran, W. G. (1977). Sampling Techniques (3rd ed.). Wiley.

Damodaran, A. (2012). Investment Valuation: Tools and Techniques for Determining the Value of Any Asset (3rd ed.). Wiley.

U.S. Securities and Exchange Commission — EDGAR 전체 텍스트 검색 및 구조화된 XBRL 공시 데이터, sec.gov.

DuelStocks의 방법론 심층 분석. 투자 조언이 아닙니다. 모든 데이터는 공개 SEC EDGAR 공시 자료에서 나온 것입니다.

DuelStocks의 펀더멘털 심층 분석. 투자 조언이 아니며 — 이 시리즈의 다른 글들과 마찬가지로 — 예측도 아닙니다. 아래의 모든 수치는 DUEL의 Battle, DCF, Resilience(STR) 리포트가 처리한 공개 SEC EDGAR 공시 자료(10-K/10-Q)에서 나온 것입니다.

AI 구축의 모든 칩은 무언가에 의해 만들어져야 하며, 그 "무언가"는 진정한 과점입니다: 칩 제조업체 자신이 의존하는 기계를 만드는 소수의 기업들입니다. 이 글은 그 과점 안에 머무릅니다 — AMAT, LRCX, KLAC, TER, ONTO — 그리고 이 시리즈의 더 넓은 인프라 글들보다 더 좁고 더 정밀한 질문을 던집니다: 이미 종이 위에서 강해 보이는 다섯 개 기업 그룹 안에서, 체계적으로 비교했을 때 실제로 누가 앞서 나가며, 그 답은 비교를 어떻게 가중치를 두어 평가하느냐에 얼마나 좌우되는가?

상장된 반도체 자본 장비 공급업체의 좁은 범위 안에서, 누가 완전한 라운드로빈 상대 비교에서 승리하고, 이미 높은 마진에도 불구하고 누가 가장 큰 모델링된 상승 여력을 가지며, 회복력이 "명백한" 사이클 선두주자와 일치하는가 — 아니면 점수 산정 방식에 따라 순위 자체가 흔들리는가?

파트 1 — 바스켓 구성하기, 그리고 언급할 가치가 있는 정정 사항

바스켓은 다섯 개 기업으로 구성됩니다: AMAT(Applied Materials), LRCX(Lam Research), KLAC(KLA Corporation), TER(Teradyne), ONTO(Onto Innovation). 다섯 개 모두 SEC에 10-K/10-Q를 제출하며 DUEL의 파이프라인에서 깨끗하게 읽힙니다.

이 글은 원래 열 개의 듀얼로 이루어진 완전한 라운드로빈 토너먼트를 중심으로 계획되었습니다 — 다섯 개 기업 각각이 다른 모든 기업과 비교되는 방식으로, 이전 글 [쌍을 넘어서]에서 사용된 방법을 반영한 것입니다. 이는 실제로 질문이 요구하는 것보다 더 많은 데이터 수집이었던 것으로 드러났습니다. DUEL 자체의 방법론은 채점 공식을 공개적으로 게시합니다: 점수 = Σ(Wᵢ × Nᵢ) × 100, 여기서 Wᵢ는 각 요소의 고정 가중치이고 Nᵢ는 정확히 두 기업 사이에서 그 요소에 대한 단순한 승/패/동점 표시(1, 0, 또는 0.5)입니다. 근본적인 요소 값 자체 — 매출 성장률, 마진, ROIC, Sloan 비율, 회전율 비율 — 가 상대와 무관하기 때문에(첫 번째 글에서 MU로, 그리고 여기서는 LRCX로 확인된 것과 동일한 유효성 검증, 파트 3 참조), 한 기업의 바스켓 내 다른 모든 기업에 대한 완전한 라운드로빈 성적표는 원시 요소 표에서 분석적으로 재구성될 수 있습니다. 우리는 각 기업의 원시 수치를 한 번만 볼 수 있을 만큼의 듀얼만 필요했지, 열 번의 직접 대결은 필요하지 않았습니다. 두 개의 새로운 듀얼 — AMAT 대 TER, ONTO 대 LRCX — 는 2026년 7월 26일의 이전 LRCX 대 KLAC 듀얼로 아직 다루어지지 않은 세 기업을 제공했으며, 이 글의 다른 모든 대결은 DUEL 자체의 공개된 공식을 사용하여 이 네 듀얼의 공개된 입력값에서 직접 계산됩니다.

이런 방식으로 행렬을 재구성하는 데 따른 한 가지 결과는 즉시 표시할 가치가 있습니다: 이는 각 기업에 대해 완전한 8개 요소 Battle Report 표(매출 성장률, 영업 현금 마진, ROIC, Sloan 비율, 자산 회전율, 미수금 회전율, 영업 마진, FCF 마진)를 필요로 하며, 7월 26일의 LRCX 대 KLAC 듀얼은 우리에게 KLAC의 다섯 가지 DCF 모델 입력값만 주었을 뿐, 그 자산 회전율이나 미수금 회전율은 주지 않았습니다. 따라서 KLAC은 이 글의 DCF 및 회복력 부분 전체에 등장하지만, 다섯 개 기업 중 넷에 대해서만 완전한 데이터를 가지고 있었던 파트 3의 재구성된 라운드로빈 행렬에서는 제외됩니다. 우리는 8개 가중 요소 중 2개를 근사치로 채우기보다는 이 공백을 명확히 밝히는 쪽을 택합니다.

미리 언급할 가치가 있는 두 번째 사항: 여기 LRCX의 수치는 2026년 8월 18일 공시 스냅샷에서 나온 것이고, KLAC의 수치는 2026년 7월 26일에서 나온 것입니다 — 그리고 LRCX 자체의 수치는 이 날짜들 사이에 상당히 변동했습니다(매출 성장률 2.29% → 10.06%, ROIC 42.54% → 53.69%, DUEL 자체의 듀얼 기록에서), 가장 그럴듯한 설명은 그 사이에 새로운 분기 공시가 들어왔다는 것입니다. 우리는 글 전체에서 더 최신의 LRCX 스냅샷을 사용하며, 두 개의 다른 공시 기간을 섞기보다는 날짜 차이를 명시합니다.

파트 2 — 8요소 스코어카드

*KLAC 수치는 2026년 7월 26일 듀얼에서 나온 것으로 불완전합니다 — 영업 현금 마진, 자산 회전율, 미수금 회전율은 해당 듀얼의 확보된 출력에 포함되지 않았습니다. KLAC의 영업 마진(6.35%)과 ROIC(5.42%) 역시 이 기업의 일반적인 과거 범위 및 같은 스냅샷에서의 자체 FCF 마진 30.82%에 비해 이례적으로 낮게 보입니다. 이는 진짜 영업 악화라기보다 기간 정렬 불일치 아티팩트의 특징을 지니고 있습니다(사이트 자체의 Battle Report는 분기와 연간 필드를 섞으면 정확히 이런 종류의 불일치가 발생할 수 있다고 경고합니다). 우리는 생성된 대로 수치를 보고하고, 조용히 수정하는 대신 표시합니다.

단 하나의 특정 대결을 제외하면(파트 3 참조) 어느 기업도 모든 요소에서 이기지 못합니다. LRCX는 그룹에서 큰 차이로 가장 강력한 ROIC(53.69%)와 가장 강력한 영업 마진(35.29%)을 기록하지만, 동시에 가장 높은 Sloan 비율(9.90%)도 기록합니다 — 이는 파트 5에서 DUEL 자체의 Resilience Report가 직접 포착하는 회계 적립 품질 신호입니다. ONTO는 가장 작은 매출 기반과 본질적으로 평탄한 후행 성장률(0.00%)을 가지고 있지만, 바스켓에서 두 번째로 높은 FCF 마진(29.82%)과 가장 낮은 자산 회전율(0.27x)을 가지고 있습니다 — 작고 회전율이 낮은 자산 기반을 이례적으로 효율적으로 현금으로 전환하는 기업입니다. AMAT와 TER는 대부분의 요소에서 그 중간에 위치하며, AMAT는 여덟 가지 요소 모두에서 TER보다 앞서 있습니다.

파트 3 — 라운드로빈: 실제로 정면 대결에서 누가 승리하는가

완전한 데이터를 가진 네 기업 간의 모든 대결을, DUEL 자체의 공개된 공식을 사용하여 재구성하면 완전한 여섯 대결 라운드로빈이 산출됩니다:

LRCX는 세 대결 모두에서 승리합니다. AMAT는 셋 중 둘에서 승리합니다(LRCX에만 패배합니다). TER와 ONTO는 유일한 정면 대결을 나누어 가지며, TER의 승리는 전체 표에서 가장 근소한 결과입니다. 각 기업의 세 대결에 대한 점수를 평균하면 종합 순위가 나옵니다:

LRCX는 평균 2점 차이로 AMAT를 제치고 1위를 차지합니다 — 이는 파트 6에서 여덟 가지 요소에 가중치를 두는 방식에 대한 합리적인 변경을 견뎌내는지 테스트할 만큼 얇은 차이입니다.

파트 4 — 이미 가격에 반영된 성장은 얼마나 되는가

DUEL의 DCF 엔진은 각 기업의 공시 자료만을 바탕으로 공정 가치와 3년 가격 전망을 만듭니다: 시장 가격을 입력값으로 사용하지 않고, 애널리스트 성장 추정치도 사용하지 않으며, 고정된 공식을 통해 처리되는 매출 CAGR, FCF, ROIC, Sloan 비율만을 사용합니다(전체 방법론은 이전 [DCF 신뢰구간] 글 참고).

라운드로빈 승자와 DCF 승자는 서로 다른 두 기업입니다. LRCX — 정면 대결 순위에서 가장 강력한 이름 — 는 그룹에서 두 번째로 낮은 모델링된 상승 여력을 가지고 있습니다. 이는 칩/네트워킹 글에서 NVDA가 가장 작은 모델링된 상승 여력을 보였던 것과 동일한 구조적 이유입니다: LRCX 자체의 기업가치는 자체 예상 현금흐름에 비해 이미 커서, 고정된 성장 경로를 미래로 투영하면 더 작은 기반에서 동일한 작업을 수행할 때보다 더 작은 퍼센트 변동으로 공정 가치 추정치가 움직입니다. 라운드로빈에서 가장 약한 이름인 TER(평균 21.7)는 가장 큰 모델링된 상승 여력을 보여줍니다 — 현재 밸류에이션은 자체 과거 궤적을 가장 적게 반영하고 있는데, 정확히 그 궤적(후행 매출 성장률 0.37%)이 바스켓에서 가장 인상적이지 않기 때문입니다. KLAC의 13.3% 상승 여력은 파트 2의 입력 품질 표시와 함께 읽어야 합니다: 만약 그 영업 마진과 ROIC가 이 스냅샷에서 데이터 아티팩트로 인해 저평가되어 있다면, 모델링된 상승 여력도 과대평가보다는 저평가되어 있을 가능성이 더 큽니다. 둘 다 모델의 성장 품질 곱셈기에 투입되기 때문입니다.

파트 5 — 실제로 누가 대차대조표 갑옷을 갖고 있는가

이것이 이 글에서 가장 뚜렷한 괴리입니다. LRCX — 라운드로빈 승자이자 그룹의 ROIC 선두주자 — 는 다섯 개 중 가장 낮은 회복력 점수를 가지고 있는데, 단 하나의 특정 표시 때문입니다: 53.69%의 ROIC가 9.90%의 Sloan 비율과 함께 나타나면서 DUEL의 ROIC 대 Sloan 일관성 검사를 발동시킵니다. 이는 이 정확한 유형의 충돌에 대해 우리의 기저율 글에서 자세히 검토한 것과 동일한 "경미한 회계 적립 축적" 신호입니다. 이것은 부채 대 현금 문제가 아닙니다 — LRCX의 현금-부채 커버리지는 1.0배를 편안하게 넘습니다 — 이는 LRCX가 보고한 수익성의 일부가 현금이 아니라 회계 적립을 통해 들어오고 있다는 참고 사항이며, 그 자체로 위험 신호라기보다는 지켜볼 가치가 있는 것입니다. KLAC은 반대되는 경우입니다: 깨끗한 성장 대 FCF 및 ROIC 대 Sloan 프로필이 진짜 부채 대 현금 표시(총부채의 0.3배만 커버하는 현금과 함께 1.1배의 부채/자기자본 비율)로 훼손되었습니다 — 이는 수익 품질 이야기가 아니라 레버리지 이야기입니다. 매출 기준으로 바스켓에서 가장 작은 기업인 ONTO는 그룹에서 큰 차이로 가장 깨끗한 회복력 프로필을 기록합니다: 무차입 대차대조표(총부채: $0.00)와 완벽한 FRI 100점입니다.

파트 6 — 이 순위는 얼마나 취약한가? 가중치 테스트하기

파트 3의 라운드로빈은 DUEL의 공개된 생산 가중치(매출 성장률 16%, 영업 현금 마진 15%, ROIC 15%, Sloan 비율 12%, 자산 회전율 10%, 미수금 회전율 8%, 영업 마진 12%, FCF 마진 12%)를 사용했습니다. 이 가중치는 합리적이고 공개된 선택이지만 — 유일하게 합리적인 선택은 아닙니다. 이전 [Fragile Score] 글의 방법을 따라, 우리는 동일한 네 기업 대결을 두 가지 대안적이면서 동등하게 방어 가능한 가중치 부여 방식 하에서 다시 실행하고 순위가 이를 견뎌내는지 확인했습니다.

균등 가중치(여덟 가지 요소 모두 12.5%씩): 각 대결의 승자는 생산 가중치와 동일하게 유지되지만, AMAT와 LRCX는 1위를 놓고 정확히 동점으로 끝납니다 — 둘 다 세 대결에서 평균 70.8을 기록합니다.

품질 중심 가중치(ROIC와 Sloan 비율을 각각 25%와 20%로 높여, 회전율 비율보다 자본 효율성과 수익 품질에 더 신경 쓰는 독자를 반영; 자산 회전율과 미수금 회전율을 각각 5%로 낮춤; 성장 및 마진 요소는 원래 가중치에 가깝게 유지): AMAT가 명백하게 1위로 올라섭니다(평균 71.7 대 LRCX의 65.0) — 1위 순위가 뒤바뀝니다. 생산 가중치 하에서 근소한 53-47이었던 TER 대 ONTO 대결은 두 대안 방식 모두에서 정확히 50-50 동점이 됩니다.

하위 두 자리는 테스트된 모든 가중치 부여 방식에서 안정적입니다 — TER와 ONTO는 여덟 가지 요소가 어떻게 가중치를 부여받든 상관없이 선두 그룹보다 훨씬 뒤에 머무릅니다. 다만 그들 자신의 정면 대결 결과는 TER의 근소한 승리와 정확한 동점 사이를 오갑니다. 최상위 자리는 안정적이지 않습니다 — 이는 특정 비교가 자본 효율성 및 수익 품질 요소(ROIC, Sloan)에 회전율 및 성장 요소에 비해 얼마나 많은 가중치를 두는지에 구체적으로 달려 있습니다. 이것은 DUEL의 방법론상의 결함이 아닙니다 — 공개된 모든 가중치는 명시되어 있고 공식은 투명합니다 — 이는 진정으로 근소한 한 쌍에 대해 여덟 개의 서로 다른 펀더멘털 신호를 하나의 숫자로 집계하는 것의 속성입니다. 사회적 선택 이론의 50년 된 결과(Arrow, 1951)는 둘 이상의 대안이 둘 이상의 차원에서 비교될 때, 여러 순위 기준을 단일 순서로 집계하는 것이 본질적으로 선택된 집계 규칙에 민감하다는 것을 보여줍니다. 이 바스켓에서 상위 두 자리가 뒤바뀌는 것은 바로 그 구조적 민감성에 대한 작고 구체적인 예시이며, 이 비교에 특유한 결함이 아닙니다.

파트 7 — 이것이 실제로 답하는 것과 답하지 않는 것

이 글은 반도체 자본 장비 지출이 계속 성장할지, 웨이퍼 fab 장비 주문이 향후 몇 분기 동안 강세를 유지할지, 또는 이 다섯 기업 중 어느 것이 다른 기업들을 운영상으로 능가할지 말하지 않으며, 말할 수도 없습니다. 그것은 미래에 관한 질문이며, 위의 모든 수치는 오직 과거와 현재만을 설명합니다.

데이터가 그 자체의 조건에서 보여주는 것은: 이 다섯 개 기업 과점 안에서, 상대적 강도(라운드로빈 순위), 밸류에이션(DCF 상승 여력), 대차대조표 회복력(FRI)이 어떤 렌즈를 적용하느냐에 따라 세 개의 서로 다른 기업을 "승자"로 가리킨다는 것입니다 — 상대적 강도에서는 LRCX(근소하게, 그리고 오직 하나의 합리적인 가중치 부여 방식 하에서만), 모델링된 상승 여력에서는 TER, 회복력에서는 ONTO입니다. 또한 직접적이고 재현 가능한 방식으로, 치열하게 맞물린 과점에서 "누가 가장 강한가"에 대한 답이 한 번 측정되기를 기다리는 고정된 사실이 아니라는 것을 보여줍니다 — 이는 투명한 방법론이 숨기지 않고 명시적으로 밝혀야 하는 가중치 선택의 함수입니다.

한계

KLAC은 파트 3의 라운드로빈 재구성에서 제외됩니다. KLAC의 데이터를 제공한 2026년 7월 26일 듀얼은 여덟 가지 가중 요소 중 두 가지인 자산 회전율이나 미수금 회전율을 포착하지 못했으므로, AMAT, TER, ONTO에 대한 정면 대결 성적표를 완전한 입력값으로 재구성할 수 없었습니다. KLAC의 FRI 및 DCF 결과(파트 4-5)는 이 두 요소에 의존하지 않으며 영향을 받지 않습니다.

KLAC의 이 스냅샷에서의 영업 마진과 ROIC는 이 기업의 일반적인 과거 범위 및 같은 리포트에서의 자체 FCF 마진에 비해 이례적으로 낮게 보이며, 이는 진짜 악화라기보다 기간 정렬 불일치 아티팩트와 일치합니다. 우리는 가정된 "정상" 값으로 대체하지 않고 생성된 그대로의 수치를 보고합니다.

LRCX와 KLAC은 서로 다른 공시 스냅샷에서 나온 것입니다(각각 8월 18일과 7월 26일, 2026년), 그리고 새로운 분기 공시가 이용 가능해지면서 LRCX 자체의 보고된 수치가 이 두 날짜 사이에 상당히 변동했습니다. 우리는 오래된 LRCX 스냅샷을 KLAC의 것과 섞는 대신 글 전체에서 더 최신의 LRCX 데이터를 사용했습니다.

라운드로빈 재구성은 DUEL이 공개한 가중치 부여 공식이 문서화된 대로 정확히 적용된다고 가정합니다. 우리는 이를 두 개의 알려진 출력값(AMAT 대 TER, ONTO 대 LRCX)에 대해 검증했고 방법을 네 개의 미확인 대결로 확장하기 전에 둘 다 정확히 재현했습니다. 우리는 재구성된 각 점수를 실제 듀얼에 대해 독립적으로 재검증하지는 않았습니다.

다섯 개 기업은 진정한 과점의 진단적 스냅샷이지, 통계적 표본이 아닙니다. 파트 6의 가중치 민감성 발견은 이 특정 스냅샷에서의 이 특정 바스켓을 설명합니다. 이는 DUEL의 순위가 사이트의 수백 개 다른 듀얼 전반에 걸쳐 일반적으로 불안정하다는 주장이 아닙니다 — 그중 대부분은, 이전 Fragile Score 글이 발견했듯이, 이만큼 치열하게 맞물려 있지 않습니다.

의도적으로 시장 가격을 사용하지 않습니다. DUEL의 DCF 엔진은 현재 주가와 애널리스트 추정치를 무시하는데, 이는 "기업 자체의 궤적이 이미 얼마나 많은 성장을 가정하고 있는가"를, 시장이 현재 그 주식을 어디에 가격을 매기고 있는지와의 비교가 아니라, 깨끗하고 검증 가능한 질문으로 만들어주는 바로 그 요소입니다.

결론

칩 제조업체 자신이 의존하는 도구를 만드는 다섯 개 기업 과점 안에서, 모든 척도에서 승리하는 기업은 없습니다. LRCX는 가장 강력한 자본 효율성을 가지고 있고 — 사이트 자체의 생산 가중치 하에서 — 가장 강력한 정면 대결 성적표를 가지고 있지만, 동시에 그룹의 유일한 수익 품질 주의 표시와 가장 낮은 회복력 점수도 가지고 있습니다. TER는 가장 약한 라운드로빈 성적표를 가지고 있지만, DUEL 자체의 밸류에이션 수학에서 가장 많이 남은 여지를 가지고 있습니다. 여기서 가장 작은 기업인 ONTO는 가장 깨끗한 대차대조표와 완벽한 회복력 점수를 가지고 있으면서도, 상대적 강도에서는 중간 정도에 위치합니다. 그리고 라운드로빈 자체의 최상위 자리 — AMAT를 제친 LRCX — 는 고정된 사실이 아닙니다: 동일한 여덟 개 숫자를 다르게 가중치를 부여한, 동등하게 방어 가능한 해석 하에서는 AMAT로 뒤바뀝니다. 이 중 어느 것도 반도체 장비 사이클에 대한 예측이 아닙니다. 이는 다섯 기업 자체의 공시 자료가, 동일한 방식으로 처리되어, 하나 이상의 합리적인 관점에서 이미 말하고 있는 내용입니다.

이 글의 모든 수치는 duelstocks.com에서 직접 확인하고 재검증할 수 있는 듀얼로 거슬러 올라갑니다.

더 읽어보기 — 같은 시리즈, 같은 방법론

이 글은 이 시리즈의 이전 글들에서 확립된 방법론 위에 직접적으로 구축되었으며, 해당 글들은 아래에서 확인하실 수 있습니다.

참고 문헌

Arrow, K. J. (1951). Social Choice and Individual Values. Wiley.

Damodaran, A. (2012). Investment Valuation: Tools and Techniques for Determining the Value of Any Asset (3rd ed.). Wiley.

U.S. Securities and Exchange Commission — EDGAR 전체 텍스트 검색 및 구조화된 XBRL 공시 데이터, sec.gov.

DuelStocks의 방법론 심층 분석. 투자 조언이 아닙니다. 모든 데이터는 공개 SEC EDGAR 공시 자료에서 나온 것입니다.

DuelStocks의 펀더멘털 심층 분석. 투자 조언이 아니며 — 이 시리즈의 다른 글들과 마찬가지로 — 예측도 아닙니다. 아래의 모든 수치는 DUEL의 Battle, DCF, Resilience(STR) 리포트가 처리한 공개 SEC EDGAR 공시 자료(10-K/10-Q)에서 나온 것입니다.

AI 인프라를 위한 "곡괭이와 삽" 프레임에는 사각지대가 있습니다: 대개 랙 단위에서 멈춘다는 것입니다. 칩, 네트워킹, 랙 단위 전력/냉각이 헤드라인을 차지하지만, 그 랙들 각각은 여전히 어딘가에 연결되어야 합니다 — 발전 용량, 송배전, 그리고 그 물리적 연결을 실제로 구축하는 전기 시공업체들 말입니다. 이는 [삽을 실제로 파는 곳은 어디인가?]에서 지도화했던 것과는 다른 체인이며, 다른 자본 구조를 가지고 있고 — 이 글이 보여주듯이 — 상당히 다른 회복력 프로필을 가지고 있습니다.

이것은 반복이 아니라 직접적인 후속편입니다. 그 글에서 두 종목이 이어집니다 — ETN과 VRT — 이 둘은 정확히 "랙 단위 전력"과 "그리드 단위 전력" 사이의 경계에 위치하기 때문이며, 여기서 이들을 빼면 체인에 공백이 생깁니다. 나머지는 모두 새로운 내용입니다. 질문은 이 시리즈 전체에서 던져온 것과 동일합니다: 사이클이 어디로 향하는지가 아니라, 이미 장부에 기록된 숫자들이 지금 실제로 이 구축의 성과를 누가 포착하고 있는지에 대해 무엇을 말하는지 — 그리고 그 포착분 중 얼마가 이미 DUEL 자체의 밸류에이션 수학에 반영되어 있는지입니다.

이미 제출된 10-K/10-Q는 미국 상장 "AI를 위한 전력" 체인에서 현재 누가 성장, 마진, 대차대조표 강도를 포착하고 있는지에 대해 무엇을 말하는가 — 그리고 부하 성장에 대한 예측 없이, 그중 얼마가 이미 DUEL의 DCF 수학에 반영되어 있는가?

파트 1 — 바스켓 구성하기

AI 데이터센터에 전력을 공급하는 것은 단일 사업이 아닙니다. 최소 세 가지 사업입니다: 전기를 생산하거나 조달하는 회사, 그리드와 서버 사이에 위치한 스위치기어, 변압기, 열 관리 장비를 제조하는 회사, 그리고 둘을 연결하는 변전소, 송전선, 전기실을 물리적으로 건설하고 배선하는 회사. 저희는 이 세 계층에 걸쳐 열 개 기업의 바스켓을 구성했고, 여기에 이전 글에서 대조군으로 사용했던 동일한 네 하이퍼스케일 구매자를 추가했습니다:

• 발전 / 전력회사: VST, CEG, NEE, SO
• 전력 / 산업(그리드-건물 간 전기 장비): ETN, VRT, EMR, ROK
• 건설 / 전기 및 송배전 시공업체: PWR, EME
• 구매자(대조군, "수혜자"로 평가되지 않음): MSFT, GOOGL, AMZN, META

이로써 고유한 공급 측 종목 열 개와 구매자 네 개 — 총 14개 기업이 남으며, 각각 사이트의 다른 모든 듀얼과 마찬가지로 DUEL의 Battle Report, DCF Report, Resilience Report를 통해 처리되었습니다. 이 글의 근거가 된 열 개의 새로운 듀얼은 2026년 8월 17일에 생성되었습니다. 네 구매자 프로필은 이전 글에서 사용된 2026년 7월 26일부터 8월 13일까지의 창에서 재사용되었습니다 — DUEL의 기업별 산출물은 상대와 무관하므로 비교 가능성에는 영향이 없지만, 근거가 되는 공시 스냅샷은 몇 주 간격이 있다는 점을 명확히 밝힐 필요가 있습니다.

파트 2 — 성장과 마진: 자본이 실제로 어디에 안착하고 있는가

이 표가 보여주는 첫 번째 사실은 "전력"이 단일한 성장 스토리가 아니라는 것입니다 — 최소한 서로 상관관계가 없는 세 가지 스토리입니다. 발전/전력회사 계층은 후행 기준으로 거의 성장하지 않습니다: VST(4.31%), CEG(1.47%), SO(0.31%), NEE(-3.05%) — 상호연결 대기열에서 얼마나 많은 추가 수요가 나타나든 관계없이 매출이 칩이나 네트워킹 매출처럼 움직이지 않는, 규제되고 계약에 크게 좌우되는 자본 순환 사업입니다. 전력/산업 장비 계층은 그 반대입니다: VRT는 매출을 21.59% 성장시키며 — 자신의 섹터 동종업체보다는 이전 글의 AI 인프라 종목들에 더 가깝습니다 — 반면 ETN(9.77%)과 ROK(2.44%)은 훨씬 느리게 성장하고, EMR은 후행 기준으로 아예 축소(-2.82%)되고 있습니다. 건설/송배전 계층은 그 중간이지만 상방으로 치우쳐 있습니다 — PWR(18.60%)과 EME(15.32%) — 이는 실제로 콘크리트를 붓고 케이블을 까는 체인의 구간에서 물리적 건설 붐이 일어나고 있음을 보여줍니다.

마진은 두 번째 별개의 이야기를 들려줍니다. VRT의 18.51% FCF 마진과 27.99% ROIC는 전력회사가 아니라 인프라 공급업체의 마진 프로필처럼 보입니다 — 구조적으로 자신의 "전력" 라벨보다는 이전 글의 컴퓨팅/네트워킹 계층에 더 가깝습니다. SO의 FCF 마진은 마이너스(-9.93%)입니다: CAPEX가 현재 영업 현금흐름을 앞지르고 있으며, 이는 발전 계층 전체에서 반복되는 패턴으로, 아래 파트 3이 보여주듯 DCF 모델링에 실질적인 결과를 초래합니다. NEE의 58.08% 영업 마진은 액면 그대로 신뢰하기보다는 이상치로 표시할 가치가 있습니다 — 규제된 전력회사 회계(허용 수익률 인식, 이연 규제 자산)는 동일한 공식(영업이익/매출)이 똑같이 적용되더라도 산업재나 소프트웨어 기업의 영업 마진 수치와 요소별로 비교할 수 없는 값을 만들어낼 수 있습니다. 저희는 이를 매끄럽게 다듬기보다는 있는 그대로 드러냅니다.

파트 3 — 이미 가격에 반영된 성장은 얼마나 되는가

이 부분에서 이 바스켓의 두 절반이 뚜렷하게 갈라집니다 — 그리고 모델 자체의 가정이 발견의 일부가 되는 지점이기도 합니다. DUEL의 DCF 엔진은 각 기업의 공시 자료만을 바탕으로 공정 가치와 3년 가격 전망을 만듭니다: 시장 가격을 입력값으로 사용하지 않고, 애널리스트 성장 추정치도 사용하지 않으며, 고정된 공식을 통해 처리되는 매출 CAGR, FCF, ROIC, Sloan 비율만을 사용합니다(전체 방법론은 이전 [DCF 신뢰구간] 글 참고).

열 종목 중 일곱은 평범하고 해석 가능한 상승 여력 수치를 산출합니다. VRT의 11.5%(이전 글과 동일한 수치로, 모델의 기업별 산출물이 실제로 상대와 무관하다는 것을 확인해 줍니다)부터 VST의 41.7%까지입니다. 하지만 세 종목 — 모두 발전/전력회사 계층에 속한 CEG, NEE, SO — 은 그렇지 않습니다. 이것이 이 글의 주요 발견이며, "낮은 상승 여력" 범주로 뭉뚱그리기보다는 정확하게 서술할 가치가 있습니다.

실제로 일어나고 있는 일: DUEL의 DCF는 FCF를 CFO에서 CAPEX를 뺀 값으로 정의합니다. 세 기업 모두 현재 CAPEX가 영업 현금흐름에 비해 충분히 커서(SO의 경우 실제로 이를 초과합니다), 이 FCF 기반을 모델의 고정 공식에 따라 미래로 투영하면 모델링된 기업가치가 총부채 아래로 떨어집니다. 모델은 마이너스 공정 가치를 보고하지 않습니다. 표시되는 자기자본 가치를 0.00달러로 하한 설정하고 이 사례를 명시적으로 표시합니다("총부채가 모델링된 기업가치를 초과함... 이는 정밀한 밸류에이션이 아니라 상당한 대차대조표 위험을 나타냄"). SO의 사례가 가장 극단적입니다: 모델링된 3년 가격 궤적이 마이너스입니다($0.00 → -$2.67 → -$5.34 → -$8.03). 이는 FCF 기반 자체가 마이너스이고, 모델이 "규제 당국의 승인을 받은 구축 사이클 동안 일시적으로 마이너스인 FCF"와 "구조적으로 현금을 소진하는 사업"을 구분할 메커니즘이 없기 때문입니다. 둘 다 같은 결과를 만들어낼 것입니다.

이는 Vistra, Constellation, NextEra, Southern이 과도하게 레버리지되었거나 잘못 운영되고 있다는 주장이 아닙니다 — 규제되거나 준규제된 발전 전력회사들은 순수한 후행 FCF DCF가 전혀 포착하도록 설계되지 않은 요율 기반이나 장기 계약 현금흐름을 담보로 다년간의 자본 프로그램을 부채로 정기적으로 조달합니다. 이는 정직하게 적용된 모델 자체에 대한 발견입니다: CFO에서 CAPEX를 뺀 값을 기준으로 보정된 할인 현금흐름 엔진은 요율 기반, 규제 자산, 배당 할인 처리 없이는 이러한 유형의 대차대조표에 대해 구조적으로 사용 가능한 공정 가치를 산출할 수 없습니다. 저희는 모델이 뒷받침할 수 있는 것보다 더 큰 정밀도를 암시하는 수치를 억지로 만들어내기보다 이 한계를 명확히 보고하는 쪽을 택합니다.

파트 4 — 실제로 누가 대차대조표 갑옷을 갖고 있는가

이 표는 이전 글과 가장 극명한 대비를 보여줍니다. 칩/네트워킹/냉각 바스켓에서는 기업의 55%가 세 가지 내부 일관성 검사를 모두 깨끗한 OK/OK/OK로 통과했습니다. 여기서는 열 개 중 오직 둘만이 그렇습니다 — VRT, 그리고 아래 유보 조건이 있는 EMR입니다. 네 발전/전력회사 종목 각각은 부채-대-현금 신호를 달고 있으며, 넷 중 셋은 주의보다 더 심각한 위험 등급을 달고 있습니다. 이는 파트 3과 직접 일치합니다: CEG, NEE, SO의 DCF 공정 가치를 0.00달러로 하한 설정하는 것과 동일한 부채 조달형 자본 집약도가 여기서도 그들의 부채-대-현금 신호를 유발하고 있습니다. 두 발견은 독립적인 발견이 아닙니다 — DUEL 모델의 서로 다른 두 부분에 나타나는 동일한 기저 대차대조표 구조입니다.

EMR의 표제 FRI 100은 이전 글의 GEV와 같은 정신으로 자체적인 유보 조건을 필요로 합니다. 이 회사의 Resilience Report는 원시 대차대조표 구성 요소 여러 개 — 현금, 총부채, 영업이익, 자기자본 — 를 확인된 공시 기간에 이용 불가능("—")으로 표시하고 있으며, 오직 투자 자립도(FCF/CAPEX) 하위 점수만 계산 가능했습니다. 다른 세 가지 하위 지표(현금-부채 커버리지, 이익 품질, 유동성 지속 기간)는 전혀 점수를 매길 수 없었습니다. 네 개 하위 지표 중 하나만 채워진 100점은 네 개 하위 지표가 모두 완전히 채워지고 깨끗하게 채점된 VRT의 100점과는 다른 종류의 100점입니다. 가장 가능성 있는 설명은 회계연도 캘린더 불일치입니다 — Emerson의 회계연도는 12월이 아니라 9월에 끝나는데, 이는 특정 시점에서 역년 기준 동종업체에 비해 특정 XBRL 태그 필드가 상대적으로 드물게 채워지는 결과를 낳을 수 있습니다 — 하지만 완전한 데이터를 포함한 공시 기간이 확보될 때까지 EMR의 FRI는 확정적이 아니라 잠정적인 것으로 읽혀야 합니다.

PWR과 EME는 둘 다 성장 대 FCF에서 단일 주의 신호를 달고 있습니다: 둘 다 매출을 10%대 중상위권에서 성장시키고 있는 반면(18.60%와 15.32%) FCF 마진은 한 자릿수 중반대입니다(5.69%와 6.77%) — 청구 이전에 인력과 운전자본을 확장하는 시공업체들에게 전형적인, 단순한 현금 전환 지연 신호이지 회계 품질 문제가 아닙니다.

파트 5 — 스코어카드: 상승 여력 대 회복력

파트 3과 파트 4를 나란히 놓으면, 해석 가능한 DCF 산출물을 가진 일곱 종목이 2×2 격자로 정렬됩니다. 각 축의 분기점은 이 일곱 종목만을 대상으로 계산한 중앙값입니다(상승 여력 중앙값 17.0%, FRI 중앙값 68). CEG, NEE, SO는 그들의 모델링된 공정 가치가 실제로 뒷받침하지 않는 사분면으로 강제되기보다 이 격자에서 완전히 제외됩니다. 이들은 아래에서 자체 카테고리를 부여받습니다.

매력적으로 가격이 매겨졌고 동시에 구조적으로 견고함: EMR, PWR(둘 다 중앙값 이상 FRI; PWR의 상승 여력은 17.0% 중앙값 선에 거의 정확히 위치)

모델링된 상승 여력, 더 얇은 완충 여력: VST, ROK(중앙값 이상 상승 여력, 중앙값 이하 회복력)

이미 가격에 반영되었지만 매우 견고함: VRT(중앙값 이하 상승 여력이지만, 바스켓에서 완전히 채워진 FRI 중 가장 높음)

이미 가격에 반영되었고 상대적으로 더 얇은 완충 여력: EME

정확히 교차점에 위치: ETN — 17.0% 상승 여력과 68 FRI가 두 중앙값 선 모두에 거의 정확히 놓여 있어, 어느 사분면의 깔끔한 구성원이라기보다 이 바스켓의 축이 되는 지점입니다.

모델 하한선 사례(격자에서 제외): CEG, NEE, SO — 파트 3 참조. 셋 모두 파트 4에서 부채-대-현금 위험 또는 주의 신호를, 파트 3에서 모델링된 0.00달러 공정 가치를 달고 있습니다. 함께 읽으면 이는 이 바스켓 전체에서 가장 명확한 신호이며, 특히 발전/전력회사 계층에 속하는 것이지 전력/산업이나 건설/송배전에 속하는 것이 아닙니다.

이전 글의 스코어카드와의 대비 자체가 하나의 발견입니다. 삽에서는 열한 종목 중 오직 둘만이 가장 불리한 사분면에 떨어졌고, 열한 종목 중 어느 것도 DCF 모델을 완전히 무너뜨리지 않았습니다. 여기서는 열 종목 중 셋이 사분면 논의가 가능해지기도 전에 모델을 완전히 무너뜨리며, 정확히 체인의 한 계층 — 발전 — 에 집중되어 있습니다. "AI를 위한 전력" 스토리는 펀더멘털 수준에서 단일한 스토리가 아닙니다. 이는 심하게 레버리지된 발전 계층 위에 자리 잡은 회복력 있는 장비/시공업체 계층입니다.

파트 6 — 대조군: 구매자들은 어떤 모습인가

네 하이퍼스케일 구매자 모두 DUEL의 높음 회복력 등급에 속합니다 — 이전 글과 동일한 결과이며, 동일한 수치를 재실행하지 않고 재사용했습니다(재사용된 기간 창에 대한 참고 사항은 파트 1 참조). 이번에 다른 점은 거래의 반대편에서의 대비입니다. 삽에서는 열한 개의 칩/네트워킹/냉각 공급업체가 FRI 11에서 100까지, 중앙값 75로 분포했습니다 — 구매자 자신의 81-100 범위에 가까웠습니다. 여기서는 열 개의 전력 체인 공급업체가 FRI 42에서 100까지, 중앙값 68로 분포하며, 그중 셋은 DUEL의 DCF 모델을 아예 통과하지 못합니다. 이 구축을 자금 조달하는 구매자들은 이 척도에 따르면, 실제로 그것을 위한 전력을 구축하고 있는 발전 측 기업들보다 극적으로 더 강한 대차대조표를 가지고 있습니다.

파트 7 — 이것이 실제로 답하는 것과 답하지 않는 것

여기서 과잉 주장을 하면 이 작업 전체의 취지를 훼손하게 되므로, 이 작업의 한계에 대해 정확히 짚고 넘어가겠습니다: 이 글은 미국 전력망 용량이 AI 주도 부하 성장을 따라잡을 수 있을지, 특정 발전 또는 송전 프로젝트가 일정대로 건설될지, 또는 이 기업들의 자본 계획이 성공할지 말하지 않으며, 말할 수도 없습니다. 그것은 미래에 관한 질문이며, 위의 모든 수치는 오직 과거와 현재만을 설명합니다.

데이터가 그 자체의 조건에서 보여주는 것은: 이 체인에서의 성장과 마진은 진정으로 서로 겹쳐진 세 가지 별개의 스토리라는 것입니다 — 느리고 자본 집약적인 발전 계층, 빠르고 고마진인 장비 계층, 빠르고 얇은 마진인 건설 계층입니다. 또한 이 글과 이전 글의 14개 기업 전반에 걸쳐 동일한 방식으로 측정된 회복력이 이 체인에서 고르게 분포되어 있지 않다는 것을 보여줍니다 — 장비 계층에 집중되어 있고, 네 종목 중 세 종목에 대해 DUEL의 DCF 모델이 완전히 무너지는 발전 계층에서는 대체로 부재합니다. 이는 특정 모델을 통해 처리된, 이 특정 기업들의 오늘 대차대조표 구조에 대한 진술이지, 내일의 전력 시장에 대한 예측이 아닙니다.

한계

열 종목 중 셋은 사용 가능한 DCF 공정 가치를 산출하지 못했습니다. CEG, NEE, SO 모두 DUEL 모델의 하한선에 도달했습니다(표시된 자기자본 가치 0.00달러, 전체 세부 사항은 파트 3 참조). 이는 모델의 고정된 CFO 빼기 CAPEX FCF 정의와 규제되거나 준규제된 발전 전력회사에 전형적인, 부채로 조달되고 요율 기반 중심의 자본 구조 사이의 불일치를 반영하는 것이지, 해당 기업들의 실제 재무 건전성이나 투자 가치에 대한 주장이 아닙니다.

EMR의 회복력 점수는 불완전한 원시 데이터 위에 구축되었습니다. 파트 4에서 직접 표시된 것처럼, 네 개 하위 지표 중 셋이 확인된 공시 기간에 계산될 수 없었으며, 가장 가능성 있는 이유는 회계연도 종료 불일치(대부분 동종업체는 12월인데 Emerson은 9월)입니다. 이 회사의 FRI 100은 완전한 대차대조표 데이터를 포함한 공시 기간이 확보될 때까지 잠정적인 것으로 취급되어야 합니다.

스냅샷이지, 실시간 순위가 아니며, 단일 시간 창도 아닙니다. 열 개의 공급 측 듀얼은 2026년 8월 17일에 생성되었습니다. 네 구매자 프로필은 이 시리즈의 이전 글에서 사용된 2026년 7월 26일부터 8월 13일까지의 창에서 재사용되었습니다. DUEL의 기업별 산출물은 상대에 좌우되지 않지만, 근거가 되는 공시 스냅샷은 몇 주 간격이 있습니다.

의도적으로 시장 가격을 사용하지 않으며, 이는 양방향으로 작용합니다. DUEL의 DCF 엔진은 현재 주가와 애널리스트 추정치를 의도적으로 무시하는데, 이는 "기업 자체의 궤적이 이미 얼마나 많은 성장을 가정하고 있는가"를 깨끗하고 검증 가능한 질문으로 만들어주는 바로 그 요소입니다. 이는 또한 여기서의 "모델링된 상승 여력"이 시장이 암묵적으로 기대하는 값이 아니며 그렇게 읽혀서도 안 된다는 것을 의미합니다.

바스켓 구성은 전수조사가 아니라 판단의 문제입니다. 열 개의 공급 측 종목과 네 개의 구매자는 미국 상장 AI 전력 체인의 합리적인 단면이지 총망라한 것은 아닙니다. 다른 합리적인 바스켓을 구성하면 어떤 종목이 이 분석의 어느 부분에 속하는지가 달라질 수 있습니다.

14개 기업은 통계적 표본이 아니라 진단적 스냅샷입니다. 위의 패턴은 설명적인 것으로 읽으시고, 이 특정 바스켓을 넘어 일반화할 수 있는 증거로 읽지 마시기 바랍니다.

결론

AI 인프라를 위해 전력을 공급하는 열 개 기업과 그 구축을 자금 조달하는 네 개의 하이퍼스케일 구매자 전반에 걸쳐, 성장과 마진은 계층별로 세 가지 별개의 스토리로 깔끔하게 나뉩니다 — 느리고 자본 집약적인 발전, 빠르고 고마진인 장비, 빠르고 얇은 마진인 건설입니다. 회복력은 훨씬 더 뚜렷하게 나뉩니다: 장비 계층은 지금까지 이 시리즈의 두 글에서 검토된 전체 AI 인프라 체인 중 가장 견고한 부분처럼 보이는 반면, 네 발전/전력회사 종목 중 셋은 진짜 레버리지 신호를 달고 있고 그 셋 중 어느 것도 DUEL 모델 하에서 사용 가능한 DCF 공정 가치를 산출하지 못합니다. 이 중 어느 것도 전력망 구축, 부하 성장, 또는 어떤 프로젝트가 자금을 조달받을지에 대한 예측이 아닙니다. 이는 방 안의 모든 기업에 대해 동일한 공식을 통해 처리된, 공시 자료가 이미 말하고 있는 내용입니다 — 그 공식이 어디서 작동을 멈추는지에 대한 정직한 설명을 포함해서 말입니다.

이 글의 모든 수치는 duelstocks.com에서 직접 확인하고 재검증할 수 있는 듀얼로 거슬러 올라갑니다.

더 읽어보기 — 같은 시리즈, 같은 방법론

이 글은 이 시리즈의 이전 글들에서 확립된 방법론 위에 직접적으로 구축된 후속편이며, 해당 글들은 아래에서 확인하실 수 있습니다.

참고 문헌

Damodaran, A. (2012). Investment Valuation: Tools and Techniques for Determining the Value of Any Asset (3rd ed.). Wiley.

Damodaran, A. (2018). Valuing regulated and capital-intensive businesses: why standard DCF assumptions break down for rate-based utilities. NYU Stern School of Business 워킹 노트.

U.S. Securities and Exchange Commission — EDGAR 전체 텍스트 검색 및 구조화된 XBRL 공시 데이터, sec.gov.

DuelStocks의 방법론 심층 분석. 투자 조언이 아닙니다. 모든 데이터는 공개 SEC EDGAR 공시 자료에서 나온 것입니다.

DuelStocks의 펀더멘털 심층 분석. 투자 조언이 아니며 — 대부분의 AI 사이클 논평과 달리 — 예측도 아닙니다. 아래의 모든 수치는 DUEL의 Battle, DCF, Resilience(STR) 리포트가 처리한 공개 SEC EDGAR 공시 자료(10-K/10-Q)에서 나온 것입니다.

열 명에게 AI 인프라 구축이 초기 단계인지, 중반인지, 후반인지 물어보면 열 개의 자신 있는 답변과 공유된 증거는 하나도 얻지 못할 것입니다. 왜냐하면 보통 이런 방식으로 제기되는 질문은 예측에 관한 질문 — "앞으로 얼마나 더 많은 자본지출이 있을 것인가" — 이며, 예측은 이 도구가 하는 일도, 한다고 주장하는 일도 아니기 때문입니다. DUEL은 미래의 AI 지출에 대한 견해도, 애널리스트 추정치도, 거시 모델도 갖고 있지 않습니다.

DUEL이 실제로 가진 것은 더 좁고 더 확인 가능한 무언가입니다: AI 인프라를 구축하는 기업들이 이미 공시한 재무 데이터가 성장, 마진, 자본 효율성, 밸류에이션 수학, 대차대조표 회복력에 대해 무엇을 말하는지에 대한 표준화된 해석 — 모두 동일한 출처(SEC 공시 자료)에서 나오고, 관련된 모든 기업에 대해 동일한 공식을 통해 처리됩니다. 그래서 "우리가 사이클의 어디쯤에 있는가"라고 묻는 대신, 이 글은 DUEL이 의견이 아니라 데이터로 실제로 답할 수 있는 버전의 질문을 던집니다:

이미 장부에 기록된 숫자들은 지금 실제로 AI 인프라 구축의 성과를 누가 포착하고 있는지에 대해 무엇을 말하는가 — 그리고 그 포착분 중 얼마가 이미 DUEL 자체의 밸류에이션 수학에 반영되어 있는가?

파트 1 — 바스켓 구성하기

"곡괭이와 삽"은 AI 인프라 투자에 대한 자연스러운 프레임입니다: 어떤 AI 애플리케이션이 승리할지에 베팅하는 대신, 누가 이기든 상관없이 모든 AI 워크로드에 필요한 컴퓨팅, 네트워킹, 전력, 스토리지를 공급하는 기업을 삽니다. 우리는 공급 측 네 개 계층에 걸쳐 바스켓을 구성했고, 여기에 거래의 반대편에 있는 다섯 번째 그룹 — 하이퍼스케일 구매자 — 을 "수혜자" 그룹이 아니라 대조군으로 추가했습니다:

• 컴퓨팅: NVDA, AMD, AVGO, MU
• 네트워킹 / 인터커넥트: ANET, CIEN
• 전력 및 냉각: VRT, ETN, MOD, GEV
• 메모리 및 스토리지: MU(컴퓨팅과 공유), WDC
• 구매자(대조군, "수혜자"로 평가되지 않음): MSFT, GOOGL, AMZN, META

한 종목이 눈에 띄게 빠져 있습니다. TSM은 완전히 제외되었습니다. 대만에 본사를 둔 외국민간발행인(foreign private issuer)으로서 TSMC는 SEC에 10-K가 아닌 20-F 연차보고서를 제출하며, 10-Q도 제출하지 않습니다. DUEL의 전체 모델은 설계상 오직 10-K/10-Q 데이터에만 기반하고 있으므로, 이러한 서식을 구조적으로 제출하지 않는 기업은 실제 가치 사슬에서 아무리 중심적이라 해도 이 도구가 측정할 수 있는 범위 밖에 있습니다. 다른 곳에서 가져온 숫자로 조용히 그 공백을 메우기보다는 그것을 명확히 밝히는 쪽을 택했습니다.

이로써 고유한 "삽 판매자" 11곳과 구매자 4곳 — 총 15개 기업이 남으며, 각각 사이트의 다른 모든 듀얼과 마찬가지로 DUEL의 Battle Report, DCF Report, Resilience Report를 통해 처리되었습니다. 이 글의 근거가 된 모든 듀얼은 2026년 7월 26일부터 8월 13일 사이에 생성되었습니다. 이는 그 기간의 스냅샷이지 영구적인 순위가 아닙니다 — 방법론은 개별 수치가 낡아진 뒤에도 오랫동안 유효하게 남습니다.

파트 2 — 성장과 마진: 자본이 실제로 어디에 안착하고 있는가

여기 어떤 수치도 "사이클이 끝났다"는 식으로 읽히지 않습니다. 11개 종목 중 9개가 여전히 두 자릿수 매출 성장을 기록하고 있으며, 두 네트워킹 종목 — ANET(27.2%)과 CIEN(9.5%) — 은 같은 계층 안에서 이 범위의 정반대 끝에 위치해 있는데, 이 자체로도 시사하는 바가 있습니다: 인터커넥트 수요가 모든 네트워킹 종목을 균등하게 끌어올리지는 않는다는 것입니다. NVDA의 100% 수치는 자신이 속한 컴퓨팅 계층 동종업체들과 비교해도 자릿수 단위로 튀는 이상치로, "AI 컴퓨팅 수요"와 "NVIDIA의 매출 성장"이 동일한 변수가 아니라는 것을 상기시켜 줍니다. 헤드라인은 종종 이 둘을 하나로 뭉뚱그리지만 말입니다.

마진 그림은 이 바스켓이 눈에 띄게 서로 다른 두 개의 사업으로 갈라지는 지점입니다. 컴퓨팅과 네트워킹 종목(NVDA, AVGO, ANET)은 42~48% 범위의 FCF 마진을 기록하는데, 하드웨어 기업임에도 소프트웨어와 같은 현금 전환율을 보이는 것은 상당 부분 실제 제조가 외주화되어 있기 때문입니다. 전력·냉각 종목(VRT, ETN, MOD, GEV)은 2%에서 19% 사이의 FCF 마진을 기록하는데, 이는 본질적으로 자본 집약적이고 마진이 낮은 사업으로, 칩 설계보다는 전통적인 산업재 기업에 더 가깝습니다. WDC는 전체 바스켓에서 유일하게 매출 성장이 마이너스(-20.3%)인 종목으로, 이는 AI 특유의 수요와는 무관한 NAND/HDD 가격의 주기적 저점을 반영합니다 — "스토리지"라는 카테고리가 동시에 하나 이상의 수요 사이클에 노출되어 있다는 것을 상기시켜 줍니다.

파트 3 — 이미 가격에 반영된 성장은 얼마나 되는가

이 부분은 간접적으로, 그리고 DUEL 자신만의 방식으로 "사이클 단계" 질문을 실제로 다루는 부분입니다. DUEL의 DCF 엔진은 각 기업의 공시 자료만을 바탕으로 공정 가치와 3년 가격 전망을 만듭니다: 시장 가격을 입력값으로 사용하지 않고, 애널리스트 성장 추정치도 사용하지 않으며, 고정된 공식을 통해 처리되는 매출 CAGR, FCF, ROIC, Sloan 비율만을 사용합니다(전체 방법론은 이전 [DCF 신뢰구간] 글 참고). 이렇게 산출된 3년 모델링 상승 여력은 목표 주가가 아닙니다 — 이는 모델의 고정된 규칙에 따라 미래로 투영된 기업 고유의 과거 궤적이 모델 자체의 공정 가치 추정치에 이미 얼마나 반영되어 있는지를, 수학이 아직 보여주는 여지와 대비하여 측정한 값입니다.

NVIDIA는 — 전체 바스켓에서 압도적으로 가장 빠르게 성장하고 ROIC가 가장 높은 종목임에도 — 모델링된 상승 여력에서는 15개 중 12위에 머뭅니다. 이는 모델의 우연이 아니라, NVDA 자체의 기업가치가 자체 예상 현금흐름에 비해 이미 충분히 크기 때문에 고정된 3년 성장 경로를 앞으로 투영하면 더 작은 기반에서 동일한 작업을 수행할 때보다 더 작은 퍼센트 변동이 나오는 직접적인 산술적 결과입니다. 이는 이 시리즈의 첫 번째 글이 8월 초 단일 NVDA-대-AMD 듀얼에서 발견했던 것과 동일한 패턴이며, 이를 단일 쌍이 아니라 11개 기업 인프라 바스켓 전체에 적용해 보면 이것이 그 특정 비교에 국한된 인위적 결과가 아님을 보여줍니다.

명확히 짚어둘 만한 두 가지 타당성 참고 사항이 있습니다. 첫째, MU의 공정 가치($38.29), 3년 가격($43.06), 그리고 그 배후의 모든 입력값은 MU를 AMD와 비교하든 WDC와 비교하든 동일하게 나타나는데, 이는 DUEL의 기업별 DCF 산출물이 상대가 누구인지에 좌우되지 않는다는 것을 실제 데이터로 직접 확인해 주는 것으로, 정확히 모델이 설계된 대로 작동함을 보여줍니다. 둘째, GEV의 모델링된 상승 여력(20.7%)은 이 표의 상위권에 가깝지만, 여기서 단독으로 결론을 내리기 전에 아래 파트 4와 함께 읽어야 합니다.

파트 4 — 실제로 누가 대차대조표 갑옷을 갖고 있는가

바로 이 지점에서 "수혜자" 스토리는 하나의 성장 그래프가 암시하는 것보다 더 복잡해집니다. 전력·냉각 종목 4개 중 2개 — MOD(31)와 GEV(11) — 는 DUEL의 낮음 회복력 등급에 속하는데, 이는 기본이 되는 성장 스토리가 아무리 강력해도 대차대조표 완충 여력이 현금흐름 요구 대비 얇아 보이는 기업들을 위해 모델이 남겨둔 동일한 카테고리입니다. GEV는 특히 판정보다는 데이터 품질에 대한 유보 조건을 받을 자격이 있습니다: 원시 대차대조표 구성 요소 중 몇 가지(현금, 총부채, 영업이익, 자기자본)가 확인된 공시 기간에 이용 불가능했는데, 이는 GE Vernova가 2024년 GE에서 분사된 이후 SEC 공시 이력이 아직 짧기 때문일 가능성이 가장 큽니다. 이 회사의 낮음 등급은 분사 후 더 완전한 공시가 쌓일 때까지 잠정적인 것으로 취급되어야 합니다 — 공시 이력이 짧은 기업은 실제 재무 상태와 무관하게 모델이 아직 보지 못하는 구성 요소에서 기계적으로 더 얇게 보일 수밖에 없습니다.

ETN은 더 명확한 사례입니다: 부채-대-현금 일관성 검사에서 진짜 위험 신호가 발동되었는데, 부채/자기자본 비율이 1.0배를 넘고 현금이 총부채를 사실상 전혀 커버하지 못하는 상태로, 이미 성숙한 산업재 대차대조표에서 나타나는 단순한 레버리지 신호이지 회계 품질 문제가 아닙니다. AVGO의 단일 주의 신호는 더 작은 규모의 같은 이야기입니다.

한편 바스켓에서 가장 높은 회복력 점수는 성장률이 가장 높은 종목이나 상승 여력이 가장 낮은 종목이 아니라, 상당히 다른 성장 프로필과 마진 구조를 가진 세 기업인 AMD, ANET, VRT에 있는데, 이들을 통합하는 유일한 요소는 DUEL의 세 가지 내부 일관성 검사 전반에 걸쳐 깨끗하고 모순 없는 대차대조표입니다.

파트 5 — 스코어카드: 상승 여력 대 회복력

파트 3과 파트 4를 같은 페이지에 놓으면 — 한 축에는 모델링된 3년 상승 여력, 다른 축에는 회복력 등급 — 인프라 종목들이 위 어느 표도 단독으로 보여주지 못하는 네 개 그룹으로 정렬됩니다. 각 축의 분기점은 공급 측 11개 기업만을 대상으로 계산한 중앙값(상승 여력 17.65%, FRI 75)입니다. 네 하이퍼스케일 구매자는 이 계산에서 의도적으로 제외되어 파트 6에서 별도로 표시되는데, 이는 그들의 훨씬 더 크고 다각화된 대차대조표가 공급업체 중앙값을 은근히 왜곡하지 않도록 하기 위해서입니다.

매력적으로 가격이 매겨졌고 동시에 구조적으로 견고함 (중앙값 이상 상승 여력, 중앙값 이상 회복력): AMD, ANET, CIEN

모델링된 상승 여력, 더 얇은 완충 여력 (중앙값 이상 상승 여력, 중앙값 이하 회복력): WDC, GEV, MOD

이미 가격에 반영되었지만 매우 견고함 (중앙값 이하 상승 여력, 중앙값 이상 회복력): AVGO, MU, VRT

이미 가격에 반영되었고 상대적으로 더 얇은 완충 여력 (중앙값 이하 상승 여력, 중앙값 이하 회복력): NVDA, ETN

이 마지막의 가장 불리한 사분면에는 단 두 종목만 속하는데 — NVIDIA가 그중 하나이며, 같은 분석이 파트 4에서 진짜 레버리지 위험 신호로 표시한 성숙한 산업재 기업 ETN과 나란히 있습니다. 이것이 여기서의 진짜 놀라운 지점입니다: 모든 헤드라인이 명백한 "AI 승자"로 취급하는 그 종목이, 이 바스켓 자체의 수학이 남은 모델링 여지가 가장 적고 동시에 회복력 완충 여력이 가장 적은 것으로 연결 짓는 사분면에 자리하고 있다는 것입니다 — 사업에 무언가 문제가 있어서가 아니라, 성장과 기업가치 모두가 이미 충분히 멀리 진행되어 있어서, 모델 자체의 산술이 두 축 모두에서 이 종목이 중심에 있는 사슬 속 다른 열 개 공급업체 중 아홉 개보다 커버해야 할 거리가 더 짧기 때문입니다.

파트 6 — 대조군: 구매자들은 어떤 모습인가

네 하이퍼스케일 구매자 모두 DUEL의 높음 회복력 등급에 속하는데, 이는 회복력이 11에서 100까지 걸쳐 있던 공급업체들과는 다릅니다. 이는 예상되는 결과입니다 — 이들은 전체 시장에서 가장 크고 가장 다각화된 현금 창출 기업 4곳으로, 순수 플레이 공급업체처럼 AI 인프라에 의존하는 것이 아니라 여러 항목 중 하나로 AI 인프라를 구매하고 있습니다. 덜 예상되는 것은: 이들의 모델링된 상승 여력(16.2%~20.6%)이 공급업체 바스켓과 정확히 같은 범위 안에 있다는 점입니다 — 눈에 띄게 더 높지도 더 낮지도 않습니다. 이 거래에서 구매자가 되는 것이 구조적으로 공급업체가 되는 것과 다른 밸류에이션 수학의 특징을 만들어내지는 않습니다 — 적어도 이 스냅샷이 감지할 수 있는 범위 안에서는 그렇습니다.

파트 7 — 이것이 실제로 답하는 것과 답하지 않는 것

여기서 과잉 주장을 하면 이 작업 전체의 취지를 훼손하게 되므로, 이 작업의 한계에 대해 정확히 짚고 넘어가겠습니다: 이 글은 AI 인프라 지출이 앞으로 더 갈 길이 남았는지, 정체기에 접어들고 있는지, 혹은 이미 정점을 찍었는지 말하지 않으며, 말할 수도 없습니다. 그것은 미래에 관한 질문이며, 위의 모든 수치는 오직 과거와 현재만을 설명합니다.

데이터가 그 자체의 조건에서 보여주는 것은: 이 바스켓 전반의 후행 성장률이 여전히 높고 여전히 분산되어 있다는 점입니다 — 여기에는 성장이 동기화되어 평탄해진 섹터를 연상시키는 것이 전혀 없는데, 이는 헤드라인이 아니라 펀더멘털에서 전형적으로 나타나는 "후기의, 성숙해가는" 사이클의 모습입니다. 또한 마치 관련된 모든 이에게 동등하게 적용되는 것처럼 이야기되는 성장 스토리 아래에서 회복력이 실제로는 상당히 불균등하다는 것, 그리고 시장 가격을 사용하지 않는 DUEL 자체의 DCF 수학이 이미 이 분야에서 가장 많이 언급되는 종목에게 주변 사슬의 대부분보다 더 적은 남은 모델링 여지를 부여하고 있다는 것을 보여줍니다 — 이는 그 특정 기업의 오늘 출발점에 대한 진술이지, 내일에 대한 예측이 아닙니다.

한계

TSM은 완전히 제외되었습니다. 이는 데이터 품질 문제가 아니라 구조적인 이유 때문입니다: 외국민간발행인으로서 이 회사는 10-K 대신 20-F를 제출하며, 이는 컴퓨팅 계층에서의 실제 중요성과 무관하게 오직 SEC EDGAR에만 기반한 DUEL의 파이프라인이 읽도록 설계된 범위 밖에 이 회사를 위치시킵니다.

스냅샷이지, 실시간 순위가 아닙니다. 근거가 된 모든 듀얼은 2026년 7월 26일부터 8월 13일 사이에 생성되었습니다. 위의 구체적인 수치들은 매 분기 새로운 공시가 있을 때마다 변동하겠지만, 그 수치들이 도출된 비교 방법론은 변하지 않을 것입니다.

의도적으로 시장 가격을 사용하지 않으며, 이는 양방향으로 작용합니다. DUEL의 DCF 엔진은 현재 주가와 애널리스트 추정치를 의도적으로 무시하는데, 이는 "기업 자체의 궤적이 이미 얼마나 많은 성장을 가정하고 있는가"를 깨끗하고 검증 가능한 질문으로 만들어주는 바로 그 요소입니다. 이는 또한 여기서의 "모델링된 상승 여력"이 시장이 암묵적으로 기대하는 값이 아니며 그렇게 읽혀서도 안 된다는 것을 의미합니다.

바스켓 구성은 전수조사가 아니라 판단의 문제입니다. 11개 인프라 종목과 4개 구매자는 AI 가치 사슬의 합리적인 단면이지 총망라한 것은 아닙니다. 다른 합리적인 바스켓을 구성하면 어떤 종목이 어떤 스코어카드 사분면에 속하는지가 달라질 수 있습니다.

GEV의 회복력 점수는 파트 4에서 직접 표시된 데이터 완전성에 대한 유보 조건과 함께 읽어야 합니다. 회사가 2024년 분사한 이후 공시 이력이 짧은 점을 감안할 때 여러 원시 대차대조표 입력값이 이용 불가능했으며, 이 회사의 낮음 등급은 재무 상태가 완전히 규명된 그림이라기보다 그 공백을 부분적으로 반영하는 것일 수 있습니다.

15개 기업은 통계적 표본이 아니라 진단적 스냅샷입니다. 위의 패턴은 설명적인 것으로 읽으시고, 이 특정 바스켓을 넘어 일반화할 수 있는 증거로 읽지 마시기 바랍니다.

결론

11개의 AI 인프라 공급업체와 그들의 가장 큰 구매자 4곳 전반에 걸쳐, 성장은 여전히 전반적으로 강하고 여전히 고르지 않게 분포되어 있습니다 — 정체된 섹터의 그림이 아닙니다. 반면 회복력은 성장 스토리를 전혀 따라가지 않습니다: 가장 화제가 된 성장 종목 중 일부는 바스켓에서 가장 얇은 대차대조표 완충 여력을 가지고 있고, 가장 덜 언급되는 종목 중 일부는 가장 견고한 완충 여력을 가지고 있습니다. 그리고 "이미 얼마나 가격에 반영되어 있는가"라는 질문을 가장 직접적으로 다루는 하나의 수치 — 상대와 무관하고 시장 가격을 사용하지 않는 DUEL 자체의 모델링된 상승 여력 — 은 현재 대부분의 사람들이 이 전체 사이클의 명백한 중심이라고 부를 만한 종목에게 남은 여지가 가장 적다고 배정하고 있습니다. 이 중 어느 것도 예측이 아닙니다. 이는 방 안의 모든 기업에 대해 동일한 공식을 통해 처리된, 공시 자료가 이미 말하고 있는 내용입니다.

이 글의 모든 수치는 duelstocks.com에서 직접 확인하고 재검증할 수 있는 듀얼로 거슬러 올라갑니다.

더 읽어보기 — 같은 시리즈, 같은 방법론

이 글은 이 시리즈의 이전 여섯 편의 심층 분석에서 확립된 방법론 위에 직접적으로 구축되었으며, 해당 글들은 아래에서 확인하실 수 있습니다.

참고 문헌

Damodaran, A. (2012). Investment Valuation: Tools and Techniques for Determining the Value of Any Asset (3rd ed.). Wiley.

U.S. Securities and Exchange Commission — 외국민간발행인 보고 요건(Form 20-F 대 Form 10-K), sec.gov.

DuelStocks의 방법론 심층 분석. 투자 조언이 아닙니다. 모든 데이터는 공개 SEC EDGAR 공시 자료에서 나온 것입니다.

이익의 질이 아니라 재무상태표의 레버리지가 대부분의 재무 회복력 감점을 좌우한다.

질문

DUEL의 회복력 리포트(STR)는 세 가지 내부 일관성 쌍을 기준으로 모든 기업을 검증한다: 매출 성장이 실제로 자유현금흐름으로 전환되는가(성장 vs FCF), 발생액 품질을 확인했을 때도 강한 ROIC가 유지되는가(ROIC vs Sloan), 그리고 재무상태표의 부채 부담이 실제로 현금 완충 능력과 일치하는가(부채 vs 현금). 어느 한 쌍이라도 통과하지 못하면 점수 감점과 표시된 노트가 발생한다.

오라클(ORCL)의 ROIC-대-Sloan 신호 — 헤드라인급인 84%의 ROIC가 잠재적인 이익 부풀리기를 암시하는 Sloan Ratio 옆에 놓인 상황 — 는 이를 중심으로 하나의 완전한 보도 콘텐츠를 만들 만큼 설득력이 있었다. 하지만 하나의 극적인 사례는 명백한 질문을 제기한다: 이것이 기업이 이 모델의 일관성 검증에서 실패하는 일반적인 방식인가, 아니면 우리가 다룬 사례였다는 이유만으로 규범처럼 포장된 드문 예외인가?

연구 질문: 실제 기업들의 단면에서, 세 가지 일관성 매트릭스 충돌 각각의 기저율은 얼마이며, 그중 실제로 대부분의 회복력 감점을 좌우하는 것은 무엇인가?

이는 지표 중복성에 관한 이전의 PCA 글과는 다른 종류의 통계적 문제다. 그 연구는 연속 지표들이 서로 어떻게 상관되는지를 물었다. 이번 연구는 이진(합격/불합격) 임계값이 얼마나 자주 발동되는지를 묻는다 — 이는 전혀 다른 도구 세트를 요구하는 기저율 추정 문제다.

문헌

Sloan(1996)은 ROIC-대-Sloan이 애초에 왜 조기 경보 신호로 작동해야 하는지에 대한 이론적 근거다: 현금흐름에 비해 발생액이 높은 기업은 이익의 질 — 그리고 궁극적으로 수익률 — 이 실망스러운 결과를 보이는 경향이 있다. 하지만 기저율에 관한 질문은 다르지만 관련된 문헌에 속한다: 일반적이고 걸러지지 않은 상장기업 모집단에서 이익 품질 경고 신호는 얼마나 흔한가? 원래의 M-Score를 구축한 Beneish(1999)는 의도적으로 불균형한 표본으로 작업했다 — 알려진 이익 조작자 50개를 조작하지 않은 기업 1,708개와 매칭했는데, 이는 정확히 실제 조작자가 자연 상태에서 드물기 때문이다; 그의 설계는 모델링할 충분한 양성 사례를 확보하기 위해 이들을 과다표본추출해야 했다. Dechow, Ge, Larson, Sloan(2011)은 23년에 걸친 회계 부정확한 진술에 대한 SEC 집행 조치를 연구하며 실제 모집단 데이터로부터 같은 결론에 도달한다: 중대한 부정확한 진술은 낮은 기저율 사건이며, 동전 던지기가 아니다. ROIC-대-Sloan 충돌에 대한 우리의 사전 기대는, 시작하기 전부터 "드물다"여야 하며 — 문제는 DUEL 데이터가 이에 동의하는지, 그리고 다른 두 충돌 유형이 그 희소성을 공유하는지 여부다.

비율 자체를 추정하는 통계에 대해서는: Cochran(1977)이 목표 오차 범위로 비율을 추정하기 위한 표준 표본 크기 공식을 제공한다. 그러나 비율이 추정된 이후, 특히 경계 근처(매우 낮거나 매우 높은 값)에서는 일반적인 정규 근사("Wald") 신뢰구간이 나쁘게 작동한다 — 심지어 무의미한 음의 하한을 산출할 수도 있다. Wilson(1927)은 극단적인 비율에서도 잘 작동하는 점수 기반 구간을 제안했으며, Newcombe(1998)는 이 글이 직접 다루는 것과 같은 소표본 또는 드문 사건 비율에 대해 이것이 더 신뢰할 수 있는 선택임을 확인한다. 이러한 이유로 아래의 모든 신뢰구간은 Wilson 방법을 사용한다.

데이터와 방법

패널: 이전 PCA 글에서 사용한 것과 동일한 60개 기업(30건의 대결)이지만, 이번에는 각 기업의 Battle Report 대신 STR 회복력 리포트를 가져왔다 — 동일한 기저 모집단, 다른 리포트 결과물이며, 이를 통해 두 연구를 하나의 일관된 패널에서 나란히 놓고 볼 수 있다.

변수: 각 기업에 대해 보고된 세 가지 일관성 매트릭스 결과(OK / 주의 / 위험), 여기에 전체 FRI 점수, 회복력 등급(높음/보통/낮음), 기본 점수, 그리고 감점.

방법: 기저율 = OK가 아닌 결과의 수 ÷ 60, 세 가지 검사 각각에 대해 (a) OK가 아닌 모든 신호(주의 또는 위험 결합)와 (b) 특히 위험에 대해 별도로 계산했다. Wilson 점수 방법을 통한 95% 신뢰구간. Cochran(1977)의 최소 예상 셀 지침(안정적인 비율 추정을 위해 ≥5건의 사건)을 명시적으로 적용해 이 표본 크기에서 세 비율 중 어느 것이 신뢰할 만하고 어느 것이 아직 그렇지 않은지를 표시했다.

결과

충돌 유형별 기저율

이는 미묘한 차이가 아니다. 부채 vs 현금은 다른 두 검사 중 어느 것보다 약 13배 더 자주 발동된다. 이 연구 전체를 촉발한 충돌 유형인 성장 vs FCF와 ROIC vs Sloan은 정확히 같은 비율인 3.3%에 위치하며, 전체 매트릭스에서 가장 드문 결과로 동률을 이룬다.

하나 이상의 신호를 지닌 기업의 수

이 패널의 기업 중 55%가 세 가지 검사를 모두 깨끗하게 통과한다. 표본 내 어떤 기업도 세 가지 모두에서 동시에 실패하지 않았다 — 이론상 최악의 경우는 전혀 나타나지 않았다. 최소 하나의 신호를 지닌 27개 기업(45.0%, 95% 신뢰구간 [33.1%, 57.5%]) 중, 압도적 다수(27개 중 24개)가 정확히 하나를 지니며, 그것은 거의 항상 같은 신호다.

"부채 vs 현금"이 실제로 표시하는 것

이 패널에서 위험 수준의 부채 vs 현금 노트는 모두 동일한 패턴을 따른다: 1배를 훨씬 웃도는 부채 대 자본 비율과, 총부채의 일부만을 커버하는 현금(예: HD: D/E 3.3, 현금은 부채의 0.0배만 커버; CAT: D/E 1.9, 현금은 부채의 0.1배만 커버). 이는 레버리지 신호다 — 재무상태표에 얼마나 많은 부채가 있는지를 그것을 상환할 수 있는 가용 현금 완충과 비교한 것 — 회계 품질 신호가 아니다. 성숙하고 자본집약적인 사업이 상당한 레버리지를 지니는 것은, 그 이익이 심각한 발생액 조작을 보이는 것보다 메커니즘상 훨씬 더 흔하며, 이 데이터에서 나타난 13배의 빈도 차이는 이 기본적인 구분과 일치한다.

회복력이 낮은 모든 기업이 충돌을 가진 것은 아니다

이 패널의 일곱 개 기업이 낮음 회복력 등급에 속한다. 그중 단 세 곳(STX, HD와 유사한 사례, 부채 vs 현금 위험을 가진 SHW/KO, 두 개의 동시 신호를 가진 STX)만이 일관성 매트릭스 감점을 통해 그 등급에 도달했다. 나머지 네 곳 — INTC, OXY, SNDK, 그리고 하나 더 — 은 약한 기본 점수와 제로 충돌로 낮음 회복력에 도달했다: 각 개별 구성 요소(현금 대 부채 커버리지, 투자 자립도, 이익의 질, 유동성 지속 기간)가 단순히 자체적인 근거로 낮은 점수를 받았을 뿐, 서로 모순되는 것은 없었다. 이는 오라클의 사례와는 의미 있게 다른 상황이다: "전반적으로 일관되게 약함"과 "내부적으로 모순됨"은 서로 다른 두 가지 실패 방식이며, 이 패널은 둘 다 발생함을 보여주는데, 모순으로 인한 실패가 둘 중 더 흔하지 않은 쪽이다.

논의

이 발견은 이 프로젝트 전체를 촉발한 직관을 뒤집는다. 오라클식 신호 — 극적으로 보이는 지표가 이익 품질 경고 신호 옆에 놓인 것 — 은 다른 "품질" 검사(성장 vs FCF)와 동일한 3.3%의 비율로 진정으로 드물다. 이는 또한, 우연이 아니게, 서사적으로 가장 흥미로운 유형의 신호이며, 그것이 바로 처음부터 매력적인 영상 콘텐츠가 될 수 있었던 이유다. 그러나 크고 잘 알려진 상장기업들의 넓은 단면에서 거의 모든 회복력 감점을 실제로 좌우하는 충돌은 가장 극적이지 않은 것이다: 평범한 재무상태표 레버리지. 작업 가능한 데이터셋을 얻기 위한 Beneish(1999)의 조작자 과다표본추출과, 부정확한 진술이 드물다는 것을 확인한 Dechow 등(2011)의 모집단 수준 확증은 모두 우리 데이터와 같은 방향을 가리킨다: 극적인 회계 품질 이야기는 꼬리 사건이며, 규범이 아니다 — 그리고 이를 포착하기 위해 만들어진 모델은 그것을 드물게 표시할 것으로 예상해야 하며, 바로 여기서 그런 일이 일어났다.

DuelStocks를 위한 실용적 시사점

이는 회복력 리포트 자체의 신호들이 어떻게 논의되어야 하는지를 바꿀 가능성이 크며, 이는 단순한 연구 각주가 아니라 진정한 콘텐츠 기회다:

• 마케팅 관점을 재구성하라. 오라클식 "숨겨진 이익 부풀리기" 이야기는 훌륭한 후크이지만, 그것은 예외이며 모델이 주로 포착하는 것이 아니다. 솔직하고, 아마도 더 유용한 포지셔닝은: "우리 모델은 주로 평범한 레버리지 위험을 포착합니다 — 우리가 검토하는 기업 10곳 중 약 4곳에서 나타나는 종류이며 — 단지 드문 회계 품질 드라마만이 아닙니다." 이는 모든 신호가 오라클급 이야기라는 암시보다 더 강력한 신뢰 신호이며, 한 사례가 아니라 이 데이터로 뒷받침된다.
• STR 리포트 자체에 보정 문구를 넣는 것 — 예를 들어 "부채 vs 현금 신호는 우리가 분석한 기업의 약 43%에서 발생합니다; ROIC vs Sloan 신호는 약 3%에서 발생합니다" 같은 것 — 은 독자가 모든 주의/위험 노트를 똑같이 경보성으로 읽는 대신, 특정 신호가 일반적인지 아니면 진정으로 특이한지를 즉시 판단할 수 있게 해줄 것이다. 이는 단일 파일럿을 근거로 이루어지는 변경이 아니라, 고려할 가치가 있는 제품 제안이다.
• 자연스러운 다음 쇼츠 영상: "대부분의 회복력 감점의 진짜 이유(힌트: 회계 부정이 아닙니다)" — 43%의 부채 vs 현금 통계는 일반적인 "경고 신호를 조심하라"는 영상과 달리 실제 숫자로 직접 방어할 수 있는 강력하고 솔직하며 낚시성이 아닌 후크다.

한계

세 비율 중 두 가지는 아직 신뢰성 있게 추정되지 않았다. 성장 vs FCF와 ROIC vs Sloan은 각각 60개 기업 중 단 2건의 관찰된 사건만을 가지고 있으며 — 이는 안정적인 비율 추정을 위한 Cochran(1977)의 경험적 최소값 5보다 낮다. 이들의 Wilson 구간(둘 다 [0.9%, 11.4%])은 점 추정치에 비해 넓으며, 두 지표 중 어느 쪽의 실제 모집단 비율도 여기서 관찰한 것의 두 배 또는 절반일 가능성이 충분히 있다. 26건의 사건을 가진 부채 vs 현금 추정치는 훨씬 더 견고한 기반 위에 있다.

횡단면적이며, 하나의 스냅샷이다. 이러한 기저율이 1년 후, 또는 다른 60개 기업 집합에서도 유지될지는 검증되지 않았다.

섹터 구성이 중요하며 통제되지 않았다. 이 패널은 크고 자리 잡은 상장기업으로 기울어져 있다; 더 작거나 신규 상장된 기업 쪽으로 더 많은 가중치를 둔 패널은 완전히 다른 레버리지/발생액 조합을 보일 수 있다.

의도적으로 PCA 글과 동일한 패널 — 이는 두 연구를 함께 읽을 수 있게 하지만, 동시에 어느 쪽도 다른 쪽 모집단의 완전히 독립적인 재현이 아님을 의미한다.

이 중 어느 것도 제품 내 DUEL의 실제 평가나 감점 로직을 바꾸지 않는다. 이는 각 신호가 실제 세계에서 얼마나 자주 발동되는지에 대한 기저율 발견이며, 기저의 임계값을 변경하자는 제안이 아니다.

결론

DUEL의 회복력 모델에 있는 세 가지 일관성 검사 중, 하나 — 부채 vs 현금 — 는 검토된 기업 10곳 중 약 4곳에서 발동된다. 이 연구를 촉발한 정확한 유형의 신호(ROIC vs Sloan)를 포함한 나머지 둘은 각각 약 30분의 1에서 발동된다. 극적인 이야기는 드문 쪽이다. 흔한 것은 평범한 레버리지이며 — 이는 나름의 방식으로, 회복력 검사가 신뢰성 있게 포착해야 할 더 유용한 것이다.

언제나처럼: 이러한 신호들 뒤에 있는 모든 원시 수치와 함께, 각 대결의 전체 회복력 리포트는 duelstocks에서 확인할 수 있다.

참고문헌

Beneish, M. D. (1999). The detection of earnings manipulation. Financial Analysts Journal, 55(5), 24–36.

Cochran, W. G. (1977). Sampling Techniques (3판). Wiley.

Dechow, P. M., Ge, W., Larson, C. R., & Sloan, R. G. (2011). Predicting material accounting misstatements. Contemporary Accounting Research, 28(1), 17–82.

Newcombe, R. G. (1998). Two-sided confidence intervals for the single proportion: comparison of seven methods. Statistics in Medicine, 17(8), 857–872.

Sloan, R. G. (1996). Do stock prices fully reflect information in accruals and cash flows about future earnings? The Accounting Review, 71(3), 289–315.

Wilson, E. B. (1927). Probable inference, the law of succession, and statistical inference. Journal of the American Statistical Association, 22(158), 209–212.

DuelStocks의 방법론 심층 분석. 투자 조언이 아닙니다. 모든 데이터는 SEC EDGAR 공개 자료를 기반으로 합니다.

새로운 연구에 따르면 8요인 주식 모델은 네 가지 신호로 축소된다: 현금 전환, 자본 효율성, 발생액 품질, 그리고 성장.

질문

DUEL은 여덟 개의 기본 지표로 각 대결을 평가하며, 각각 고정된 가중치를 갖는다: 매출 성장률(16%), 영업 현금 마진(15%), ROIC(15%), Sloan Ratio(12%, 역방향), 자산회전율(10%), 수취채권회전율(8%), 영업이익률(12%), FCF 마진(12%). 승자독식 설계는 암묵적으로 각 지표를 독립적인 증거 조각처럼 취급한다.

재무 비율은 이 가정과 거의 협력하지 않는다. Pinches, Mingo, Caruthers(1973)는 요인분석을 사용해, 대규모 재무 비율 집합이 시작할 때의 비율 개수가 아니라 몇 개의 근본적인 차원으로 축소된다는 것을 처음 보여주었다. Chen과 Shimerda(1981)는 깔끔한 예시로 이 점을 더 밀고 나갔다: 순자산/부채, 부채/순자산, 순자산/자산, 부채/자산은 네 가지 비율처럼 보이지만, 이들 사이에는 정확히 하나의 정보만 담겨 있다. DUEL의 여덟 지표 중 두 개가 여러 기업에서 함께 움직인다면, 명목상 24~27%의 결합 가중치는 실제로는 두 번이 아니라 한 번만 투표하고 있는 것일 수 있다.

연구 질문: DUEL의 여덟 지표에는 실제로 몇 개의 통계적으로 독립적인 신호가 담겨 있으며, 이들은 어떻게 그룹화되는가?

데이터와 방법

패널: 이번 사이클에서 새로 진행된 30건의 대결, 이전 보도에서 반복된 것은 없음 — 기술, 헬스케어, 산업재, 필수소비재, 소매, 에너지, 통신, 반도체, 소재, 여행 및 레저 분야에 걸친 60개 기업. 여기서 섹터의 다양성은 잡음이 아니라 특징이다: 이는 상관관계 구조가 한 산업 내에서만이 아니라 매우 다른 사업 모델 전반에서도 유지되는지를 검증한다.

변수: 기업별 여덟 개의 원시 지표 값, 각 Battle Report의 계산 세부 사항에서 직접 가져온 것(승패 결과가 아님).

결측 데이터: ROIC와 영업이익률은 OXY와 COP에서 이용할 수 없었고(섹터별 항목 공백), 수취채권회전율은 NFLX와 PEP에서 이용할 수 없었다. Pearson 및 Spearman 상관계수는 쌍별 완전 관측치를 사용한다(표준 관행); PCA는 여덟 지표 모두에서 완전한 기록을 가진 56개 기업을 사용한다.

상관관계: Pearson(선형)과 Spearman(순위 기반) 모두 계산되었다. 여러 지표 — Sloan Ratio, FCF 마진, 몇몇 경우의 ROIC — 가 이상치와 왜도를 가지고 있어(Ford(F)의 ROIC -34% 연도, MO의 82배 수취채권회전율) Spearman이 여기서 중요하며, Pearson만으로는 소수의 극단값에 의해 왜곡될 수 있다.

PCA: 표준화(z-점수) 입력값, 상관관계 기반 주성분 분석, 1차 기준으로서의 Kaiser 기준(고유값 > 1), 2차 기준으로서의 누적 설명 분산, 그리고 더 해석 가능한 로딩 구조를 위해 80% 분산에 도달하는 데 필요한 성분에 대한 배리맥스 회전(Kaiser, 1958).

표본 크기, 솔직히 말하면: 56~60개의 관측치는 여전히 교과서적 편안함에는 미치지 못하지만, 이 분석의 첫 번째 시도(46~50)에서 의미 있게 더 가까워졌다. Comrey와 Lee(1992)는 요인분석 작업에서 N=50을 "매우 나쁨", N=100을 "나쁨"으로 평가한다; Nunnally(1978)의 변수당 10개 관측치 규칙은 80을 요구할 것이다. 우리에게 유리한 점: Guadagnoli와 Velicer(1988)는 로딩이 강하고 명확하게 분리되어 있을 때 필요한 표본 크기가 급격히 줄어든다는 것을 발견했으며 — 아래 결과가 보여주듯, 우리의 경우 대부분 그렇다. 이것은 이전의 Bradley-Terry 섹터 연구와 같은 정신을 가진 탐색적 파일럿이다 — 확장을 목표로 한 첫 시도이며, 확증적 결과가 아니다. (처음부터 언급할 만한 점은, 이 10개 기업을 추가한 것이 답의 구조를 바꾸었다는 것이다 — 아래 참조. 이는 방법의 결함이 아니라, 작은 N의 파일럿이 정확히 드러내야 하는 종류의 불안정성이다.)

결과

상관관계 구조

60개 기업 패널에서 가장 강한 쌍별 관계(Pearson / Spearman):

DUEL의 마진 기반 지표 세 가지 — 영업 현금 마진, 영업이익률, FCF 마진 — 은 서로 r ≈ 0.66~0.76 수준으로 상관되어 있다. 이는 이름이 비슷해서 생긴 우연이 아니다: 세 지표 모두 기계적으로, 서로 다른 분자(영업활동현금흐름, 영업이익, 영업활동현금흐름 마이너스 CapEx)를 같은 분모(매출)로 나눈 것이다. 넓은 영업이익률을 내는 기업은 이를 비슷한 비율로 현금으로 전환하는 경향이 있다. 별도로, 자산회전율과 수취채권회전율 — 둘 다 매출 대 재무상태표 항목 비율 — 은 r ≈ 0.56으로 함께 움직이는데, 이는 Chen과 Shimerda(1981)가 40년 전 다른 데이터셋에서 문서화한 것과 정확히 같은 "동일 분모" 군집화 유형이다. ROIC는 이제 더 작은 표본에서보다 마진 군집과 회전율 군집 모두에 대해 더 명확한 관계를 보인다 — 이 점은 아래에서 다시 다룰 것이다.

두 행렬 모두에서, 두 표본 크기 모두에서 홀로 두드러지는 유일한 지표: Sloan Ratio다. 패널 내 다른 어떤 것과의 가장 강한 상관관계도 -0.30(Spearman, 수취채권회전율 대비)에 그치며 — 위 표의 거의 모든 쌍보다 약하다. Sloan Ratio는 나머지 일곱 지표가 측정하지 않는 것을 측정한다: 회계상 이익이 현금이 아니라 유난히 큰 발생액으로 만들어지고 있는지 여부다. 이는 "얼마나 수익성이 있는가" 또는 "얼마나 효율적인가"와는 진정으로 다른 질문이며, 상관관계 행렬은 50개 기업과 60개 기업 모두에서 이를 반영한다.

성분은 몇 개인가? (그리고 답이 왜 바뀌었는가)

Kaiser 기준(고유값 > 1)에 따르면 여전히 두 개의 성분이 중요하다 — 첫 번째 시도와 일치한다. 그러나 누적 분산 80% 기준은 이제 세 개가 아니라 네 개의 성분에서 충족된다(세 개일 때 76.6%, 네 개일 때 85.5%). 10개 기업을 추가한 것은 단순히 정밀도만 더한 것이 아니라 — 세 번째 성분이 어떤 기준선을 넘는지를 바꾸었다.

이것을 조용히 매끄럽게 넘기기보다 투명하게 밝히는 것이 좋다. 이는 Guadagnoli와 Velicer(1988) 그리고 Comrey와 Lee(1992)가 이 표본 크기에서 경고한 바로 그 불안정성을 보여주는 교과서적인 사례다: 작은 N의 성분 해는 데이터가 축적됨에 따라 이동할 수 있으며, 정확히 임계값에 걸쳐 있는 성분(PC3는 46개 기업일 때 80.0%, 56개일 때 76.6%였다)이 가장 먼저 움직인다. 우리는 아래에서 4성분 해를 보고하는데, 이는 더 정돈된 이야기를 전달하기 때문이 아니라, 더 크고 더 최신인 표본에서 명시된 80% 기준을 실제로 충족하는 해이기 때문이다.

성분들이 실제로 측정하는 것

80% 이상의 분산을 위해 필요한 네 성분의 배리맥스 회전, 완전한 기록을 가진 56개 기업 기준:

더 큰 표본은 매출 성장률을 마진 군집과 합치지 않고 분리시켰다 — 50개 기업일 때 매출 성장률의 주된 로딩은 마진 요인에서 0.42였다; 60개일 때는 자체 요인에서 0.94이고 다른 곳에서는 거의 0이다. 돌이켜보면 이는 경제적으로 타당하다: 기업은 얇은 마진으로도 빠르게 성장할 수 있으며(이번 업데이트에서 더 새로운 소프트웨어 및 여행 관련 종목들 — CCL, RCL, XYZ — 이 정확히 이런 조합이다), 따라서 성장과 마진 품질이 반드시 함께 움직일 필요는 없으며, 패널에 더 많은 기업이 포함되면서 데이터는 이 구분을 하나의 요인으로 흐리게 만들기보다 명확하게 드러냈다.

ROIC의 모습도 더 선명해졌다: 이제는 현금 전환 요인(0.41)과 자본 효율성(0.58, 여전히 지배적) 양쪽에 교차 로딩을 보이는데 — 이는 ROIC가 구조적으로 마진과 유사한 요소(수익률)와 회전율과 유사한 요소(자본 집약도)의 혼합이라는 점을 상기시키며, 따라서 어느 정도의 교차 로딩은 데이터의 인공물이 아니라 예상되는 것이다.

DUEL의 실제 평가 가중치에 매핑하면, 여덟 지표는 이제 세 개가 아니라 네 개의 효과적인 블록으로 정리된다:

39/33/16/12 — 더 작은 표본에서의 55/33/12 3요인 분할보다 눈에 띄게 더 균형 잡혀 있으며, 이는 모델에 대한 어떤 조정 없이, 오직 더 많은 데이터로부터 스스로 이렇게 도출되었다.

논의

이 발견은 "중복성"을 단순히 결함으로만 생각한다면 놓치기 쉬운 방향을 가리킨다. 두 가지가 동시에 참이다:

첫째, 모델의 명목 가중치 중 약 72%(39%의 현금 전환 블록 더하기 33%의 자본 효율성 블록)는 여섯 개가 아니라 두 개의 실증적 신호에 의존하고 있다. 영업이익률, 영업 현금 마진, FCF 마진이 모두 같은 기업을 선호할 때 — 상관관계 구조에 따르면 이는 우연보다 더 자주 발생할 것이다 — 그 기업은 세 개의 독립적인 표를 모으는 것이 아니다. 세 번 계산된, 하나의 강력한 표를 모으는 것이다. 이것이 반드시 "잘못된" 승자를 만들어내지는 않는다; 마진 품질은 그것을 측정하는 어떤 단일 비율보다 진정으로 더 유익하다. 그러나 이는 실질적인 가중치 분포가 스코어카드가 보여주는 8요인 모델이 아니라 4요인 모델(39/33/16/12)처럼 작동한다는 것을 의미한다.

둘째, 그리고 이 부분이 음미할 가치가 있다: 일반 독자가 "가장 중복된 부가 요소"라고 짐작할 만한 지표 — 대부분의 사람이 이름만으로는 알아보지 못하는 Sloan Ratio — 가 우리가 이제 검증한 두 표본 크기 모두에서 전체 모델 중 통계적으로 가장 덜 중복된 지표다. 이는 DUEL이 측정하는 다른 어떤 것과도 거의 분산을 공유하지 않는다. 이전 대결 보도에서 Sloan Ratio는 그 외에는 강해 보이는 기업에서 이익 품질 위험을 표시하는 데 책임이 있던 유일한 지표로 나타났다. 이 분석은 그것이 단일 사례의 우연이 아니라고 말한다: 구조적으로 Sloan Ratio는 나머지 일곱 지표 중 누구도 감당할 수 없는 역할을 수행하고 있으며, 이것이 정확히 그것이 그들과 상관관계가 없는 이유다.

"39/33/16/12"를 보고 "그냥 가중치를 고치면 되지"라고 생각하는 독자를 위한 실용적인 조언

이런 발견에 대한 두 가지 직관적인 반응은 직접 다룰 가치가 있다. 왜냐하면 둘 다 같은 미묘한 방식으로 틀렸기 때문이다.

반응 하나: "실제 구조가 네 개의 요인이라면, 그냥 모델을 네 개의 지표로 줄이면 된다." 이는 통계적 중첩을 낭비와 혼동하는 것이다. 세 마진 지표가 한 기업에 대해 동의할 때, 이는 세 지표가 새로운 것을 말하지 않는다는 뜻이 아니다 — 이는 서로 독립적으로 계산된 세 개의 숫자(영업활동현금흐름, 영업이익, 영업활동현금흐름 마이너스 CapEx로부터)가 같은 결론으로 수렴하고 있다는 뜻이다. 이 수렴은 하나의 검사를 세 번 물어본 것보다는, 서로 다른 검사에서 나온 두 번째와 세 번째 의견에 더 가깝다. 혈압, 안정시 심박수, 심전도를 요청하는 의사는 건강한 환자에게서 셋이 대개 함께 움직인다는 이유만으로 두 검사를 낭비하는 것이 아니다 — 일치 그 자체가 유용한 정보이며, 드물게 이들이 서로 다른 결과를 보이는 기업에서는, 그 불일치가 바로 단일 지표 모델이 완전히 놓칠 종류의 신호다. 네 개의 지표로 줄이는 것은 중복성뿐 아니라 이 교차 검증도 제거하게 된다.

반응 둘: "Sloan Ratio가 가장 덜 중복적이라면, 요인들이 대략 33/33/33이 되도록 여기에 약 30%의 가중치를 부여하자." 이는 같은 오류의 더 정교하게 들리는 버전이다. PCA는 한 지표가 다른 지표들과 얼마나 겹치는지를 알려준다 — 그 지표 자체가 얼마나 신뢰할 수 있거나 예측력이 있는지에 대해서는 아무것도 말하지 않는다. Sloan Ratio는 단 하나의 회계 관계(순이익 대 현금흐름 대 총자산)로부터 계산되며, 각 Battle Report 자체의 공시에서 언급된 분기/연간 기간 불일치 문제에 더 민감하고 — 이 같은 패널이 보여주듯(비정상적인 자산 매각 연도로 인한 SNDK의 +27.6% Sloan Ratio는 전체 데이터셋에서 가장 극단적인 값이다) — 일회성 회계 사건에 크게 흔들릴 수 있다. 단지 통계적으로 다른 모든 것과 무상관이라는 이유로 그 가중치를 세 배로 늘리는 것은, 최종 점수의 3분의 1을 모델에서 가장 잡음이 많고 가장 다변화되지 않은 단일 지표에 거는 것과 같다. "독립적"인 것과 "높은 가중치에서 신뢰할 만한" 것은 같은 속성이 아니며, 이 둘을 혼동하는 것은 이 글이 시작한 중복성보다 더 큰 오류다.

이것이 구체적으로 실제로 주장하는 바:

• duelstocks.com에 게시된 여덟 지표나 그 가중치에는 아무런 변경이 없다. 모든 지표는 여전히 각 리포트의 계산 세부 사항에서 전체적으로 볼 수 있는, 실제이고 별개이며 SEC에서 도출된 계산이다 — 여기서 어떤 숫자가 조작되거나, 중복되거나, 잘못되었다는 것을 시사하는 것은 전혀 없다. 이것은 많은 기업에 걸친 통계적 행동에 대한 발견이며, 어떤 개별 대결의 결함이 아니다.
• "39/33/16/12"의 정직한 해석은 판결이 아니라 지도다. 이는 대결의 결과를 의미 있게 바꾸고 싶다면, 세 개의 현금 전환 지표 중 하나나 세 개의 자본 효율성 지표 중 하나를 움직이는 것은 예상보다 덜 효과적일 것임을(그 형제 지표들이 같은 결론으로 끌어당기기 때문에) 알려주는 반면, Sloan Ratio와 매출 성장률은 각각 온전히 희석되지 않은 명목 가중치 전체를 지니고 있다는 것을 알려준다.
• 진짜 다음 검증은 재가중이 아니라 견고성 검사다. 이것이 향후 보도를 위해 제기하는 열려 있고 검증 가능한 질문은: 세 개의 현금 전환 지표의 결합 가중치를 실제로 절반으로 줄이면 과거 어떤 대결의 승자가 바뀌는가? 답이 "거의 그렇지 않다"라면, 이는 안심할 만한 일이다 — 중첩이 삼중 계산을 통한 점수 조작이 아니라 확증이라는 뜻이다. 여러 결과가 바뀐다면, 그것도 알아둘 가치가 있다. 어느 쪽이든, 이는 이 프로젝트가 아직 갖추지 못한 백테스팅 인프라를 가진 후속 글을 위한 질문이며 — 단 한 번의 탐색적 PCA 시도를 근거로 공식을 수동으로 조정할 이유는 아니다.

한계

이것은 파일럿이며, 그렇게 읽혀야 한다:

• 표본 크기. 56~60개 기업은 우리의 첫 시도(46~50)보다 편안한 수준에 더 가깝지만, 여전히 Comrey와 Lee(1992)의 "나쁨" 기준인 100 이하다. 성분 구조는 50개에서 60개 기업 사이에서 이미 한 번 이동했다(3요인 → 4요인) — 다음 배치에서 다시 이동할 수 있다는 직접적인 증거다. 39/33/16/12 분할을 확정된 숫자가 아니라 현재 가장 좋은 추정치로 다루어야 한다.
• 횡단면적이며, 종단적이지 않다. 이것은 하나의 스냅샷이다. 같은 4요인 구조가 1년 후, 완전한 시장 사이클 전체에 걸쳐 유지될지는 열려 있는 질문이며 — 아마도 이 연구 방향의 자연스러운 다음 단계일 것이다.
• 혼합된 보고 기간. 이 패널의 여러 기업은 개별 지표에 대해 분기 및 연간 기간을 혼합해서 사용한다(각 Battle Report에서 표시된 대로). 여기서는 TTM 조화 보정을 적용하지 않았다; 그 보정이 개별 기업의 값을 의미 있게 바꾼다면, 이는 상관관계 구조도 미미하게 바꿀 수 있다. 이는 별개의 방법론적 질문이며, 향후 글에서 직접 다룰 수 있다.
• 지표가 누락된 네 개 기업. OXY와 COP는 PCA에서 제외되었고(ROIC/영업이익률 데이터 누락), NFLX/PEP는 상관관계에는 포함되었지만 PCA에는 포함되지 않았다(수취채권회전율 누락). 어느 것도 결과 때문에 제외된 것이 아니라 — 오직 데이터 공백 때문이었다.

이 중 어느 것도 제품 내 DUEL의 실제 평가 방식을 바꾸지 않는다. 이는 방법론적 발견이며, 제품 결정이 아니다 — 이 시리즈의 모든 글에서 유지하려 했던 것과 같은 구분이다.

결론

여덟 지표, 하나의 고정 가중치 체계, 그리고 — 이제 60개 기업으로 늘어난 이 파일럿에서 — 그 아래에 있는 네 가지 실증적으로 구별 가능한 신호: 현금 전환, 자본 효율성, 발생액 품질, 그리고 성장, 각각이 서로 별개로 작동한다. 명목상의 16/15/15/12/10/8/12/12% 분할은 실제로는, 지표들이 무엇을 실제로 측정하는지를 그것들이 어떻게 불리는지와 대조해 보면, 39/33/16/12% 분할에 더 가깝다 — 그리고 그 숫자는 누구도 공식을 건드리지 않은 채, 표본이 늘어남에 따라 덜 균형 잡힌 쪽이 아니라 더 균형 잡힌 쪽으로 이동했다. 이는 데이터 수집을 계속할 이유이며, 단 한 번의 시도를 근거로 가중치를 수동으로 조정하기 시작할 이유가 아니다.

언제나처럼: duelstocks.com에서 직접 숫자를 확인해보라 — 각 대결 리포트는 이 분석을 처음부터 가능하게 만든, 완전한 계산 세부 사항을 보여준다.

참고문헌

Chen, K. H., & Shimerda, T. A. (1981). An empirical analysis of useful financial ratios. Financial Management, 10(1), 51–60.

Comrey, A. L., & Lee, H. B. (1992). A First Course in Factor Analysis (2판). Erlbaum.

Gombola, M. J., & Ketz, J. E. (1983). A note on cash flow and classification patterns of financial ratios. The Accounting Review, 58(1), 105–114.

Guadagnoli, E., & Velicer, W. F. (1988). Relation of sample size to the stability of component patterns. Psychological Bulletin, 103(2), 265–275.

Jolliffe, I. T. (2002). Principal Component Analysis (2판). Springer.

Kaiser, H. F. (1958). The varimax criterion for analytic rotation in factor analysis. Psychometrika, 23(3), 187–200.

Nunnally, J. C. (1978). Psychometric Theory (2판). McGraw-Hill.

Pinches, G. E., Mingo, K. A., & Caruthers, J. K. (1973). The stability of financial patterns in industrial organizations. Journal of Finance, 28(2), 389–396.

Sloan, R. G. (1996). Do stock prices fully reflect information in accruals and cash flows about future earnings? The Accounting Review, 71(3), 289–315.

투자 조언이 아닙니다. 모든 데이터는 SEC EDGAR 공개 자료를 기반으로 합니다.

방법론 심층 분석, 처음부터 계산하고 검증한 실제 대결의 실제 수치. 투자 조언이 아닙니다.

이 시리즈의 첫 번째 글은 다시 살펴볼 가치가 있는 지점을 짚었다: 우리의 상대적 "대결" 점수 뒤에 있는 가중치 — 매출 성장률 16%, 영업 현금 마진 15%, ROIC 15%, Sloan Ratio 12%, 자산회전율 10%, 수취채권회전율 8%, 영업이익률 12%, FCF 마진 12% — 는 합리적인 전문가 출발점이지만, 실현된 수익률을 기준으로 백테스트된 것은 아니다. 이 도구는 어떤 사용자든 원하는 맞춤 가중치로 이를 덮어쓸 수 있게 해주며, 이는 실제로 세 가지 다른 엄밀성 수준에서 검증할 가치가 있는 질문을 제기한다: 합리적인 사람이 다르지만 동등하게 정당화 가능한 가중치를 선택한다면, 승자는 얼마나 바뀔까?

1단계: 점수는 어떻게 작동하며, 명확한 취약성 수치는 무엇인가

여덟 개 지표 각각에 대해 두 기업이 비교되며, 더 높은 점수를 받은 쪽(Sloan Ratio는 역방향이므로 더 낮은 쪽)이 해당 지표의 가중치 전체를 가져간다 — 격차의 크기에 따라 등급이 나뉘는 것이 아니라, 지표별로 승자가 전부를 가져가는 방식이다. 최종 점수는 각 기업이 승리한 지표에 결부된 가중치의 합이다. 우리는 지금까지 발표된 8개 대결의 정확한 점수를 원시 지표 값으로부터 다시 도출해 이를 검증했으며 — 모두 정확히 일치했다.

이 구조는 공짜로 명확하고 모델과 무관한 취약성 척도를 제공한다: 승자가 이긴 어떤 지표에서든 패자가 이긴 어떤 지표로든 가중치 Δ를 옮기면 점수 격차가 2Δ만큼 변하므로, 대결을 뒤집는 데 필요한 최소 재배분은 단순히 격차 ÷ 2이다.

AMZN vs WMT는 명백한 이상치다 — 데이터셋 내 다른 모든 것과 비교해 한 자릿수 규모만큼 더 취약하다.

2단계: 몬테카를로 — 무작위성이 대수와 일치하는가?

격차÷2 수치는 정확하지만 정적이다 — 가중치가 의도적으로 조작된 것이 아니라 현실적인 범위에서 추출된다면 뒤집힐 가능성이 얼마나 되는지는 말해주지 않는다. 우리는 대결마다 10,000회의 시뮬레이션을 실행했으며, 각 시뮬레이션은 모든 가중치를 기본값의 ±50% 범위 내에서 독립적으로 추출한 뒤 합이 100%가 되도록 재정규화했다 — 다기준 채점 시스템의 민감도를 검증하는 표준적인 교란(perturbation) 방식이다.

시뮬레이션과 대수는 완전히 일치한다: 격차가 ≥36인 모든 대결은 10,000회의 무작위 추출 중 어느 것에서도 뒤집히지 않았다. 더 좁은 두 대결(격차 ≤22)만이 뒤집히며, 그 비율은 격차가 0에 얼마나 가까운지에 따라 달라진다. 이 일치 자체가 주목할 만하다 — 순전히 조합론적인 지름길(격차÷2)이 단 한 번의 무작위 추출도 실행하지 않고 경험적 시뮬레이션 결과를 예측했다.

대수만으로는 드러낼 수 없는 시뮬레이션이 보여주는 또 하나의 사실: 어떤 지표가 뒤집힘을 주로 일으키는가이다. 승자가 바뀐 AMZN-대-WMT 시뮬레이션의 14.8%만을 구체적으로 살펴보면, 그 특정 추출들에서 어떤 요인이 가장 큰 가중치를 우연히 가졌는지 물어볼 수 있다:

• ROIC가 뒤집힘의 64.6%에서 가장 큰 가중치였다
• Sloan Ratio가 12.4%에서
• 매출 성장률이 9.6%에서
• 나머지 전부를 합쳐도 14% 미만

ROIC는 이 페어의 뒤집힘 메커니즘을 큰 차이로 지배한다 — "뒤집힐 가능성이 얼마나 되는가"뿐 아니라 "실제로 이것을 결정하는 것은 무엇인가"에 대한 유용하고 구체적인 답이다.

3단계: 지표의 가중치가 실제로 그 힘과 같은가? (Shapley–Shubik 및 Banzhaf 지수)

앞의 두 단계가 전혀 다루지 않는 더 미묘한 질문이 여기 있다: 지표에 명시된 가중치가 승자를 결정하는 실제 영향력과 같은 것인가? 1954년 로이드 섀플리(Lloyd Shapley)와 마틴 슈빅(Martin Shubik)은 가중 투표 기구에 대해 정확히 이 질문을 던졌다(이는 이후 EU 각료이사회와 UN 안전보장이사회의 투표 권력을 분석하는 데 사용된 것과 동일한 수학이다) — 그리고 명목 투표 점유율과 실제 결정력이 종종 같은 숫자가 아님을 보여주었다. 투표 블록은 표의 20%를 보유하면서도 어떤 결과를 바꿀 힘이 거의 없을 수도 있고, 10%를 보유하면서도 다른 표들이 어떻게 분포되어 있는지에 따라 지속적으로 결정적일 수도 있다.

우리의 지표별 승자독식 구조는 수학적으로 정확히 이런 종류의 가중 투표 게임이다: 여덟 명의 "투표자"(지표들)가 각각 고정된 가중치를 가지고 단순 다수(>50%)로 어느 쪽이 이길지 결정한다. 그래서 우리는 기본 가중치 하에서 각 지표에 대해 Shapley–Shubik 지수(그리고 교차 검증으로 관련된 Banzhaf 지수)를 계산했다 — 여덟 개의 지표가 두 편으로 나뉠 수 있는 2⁸ = 256가지 가능한 방법 전체에 걸쳐, 각 지표가 결과를 결정짓는 경우가 얼마나 자주 있는지를 평가했다.

이 패턴은 실재하지만, 극적이라기보다는 제한적이다: 더 큰 지표는 명시된 가중치가 암시하는 것보다 체계적으로 더 많은 결정력을 가지며, 더 작은 지표는 체계적으로 더 적은 결정력을 갖는다. 수취채권회전율이 가장 뚜렷한 사례다 — 공시된 가중치(8%)는 다른 어떤 지표보다도 결과에 대한 실제 영향력을 과대평가하며, 이 동일한 패턴(가중치가 가장 작을수록 가장 과대평가됨)은 DUEL이 공식적으로 문서화한 네 가지 대안 가중치 프로필(성장, 품질, 가치, 배당 및 안정성) 전부에서 계산을 다시 실행했을 때도 그대로 유지되었다. 이는 이 도구에만 특정된 결함이 아니다 — 이는 지표별 승자독식 방식의 가중 채점 시스템 어디에나 적용되는 구조적 속성으로, 70년 전 완전히 다른 분야(투표 이론)에서 처음 정식화되었으며, 누구도 의도적으로 그렇게 설계하지 않았음에도 여기에 적용된다.

실제 공개된 투자자 프로필에 대한 검증

DUEL은 서로 다른 투자 스타일을 위한 4가지 명명된 가중치 프로필을 문서화하고 있다. 이 4가지를 우리의 8개 대결에 적용하면:

AMZN vs WMT만이 뒤집힌다 — 이 글의 다른 모든 방법이 독립적으로 취약하다고 지적한 바로 그 대결이다. BHE vs PLAB는 별도로 언급할 가치가 있다: 이는 가치 프로필 하에서 40포인트 차의 완승에서 거의 동전 던지기(48:52)로 좁혀지지만, 기술적으로 뒤집히지는 않는다. BHE가 가치 프로필이 가중치를 집중시키는 두 지표 — 자산회전율과 수취채권회전율 — 을 특별히 승리하기 때문이다.

이것이 실제로 해결하는 것, 그리고 해결하지 못하는 것

원래의 한계는 기본 가중치가 백테스트된 것이 아니라 발견적(heuristic) 선택이라는 점이었다. 여기 제시된 세 가지 방법 중 어느 것도 16/15/15/12/10/8/12/12가 다른 어떤 대안보다 미래 수익률을 더 잘 예측하는지에 대해서는 답하지 않는다 — 그 보정(calibration) 질문은 여전히 열려 있다. 우리가 이제 서로 독립적이면서 상호 일치하는 세 가지 방법으로 말할 수 있는 것은 이렇다: 기본 가중치 부여 방식은 실질적인 사용에서 문제가 될 만한 방식으로 취약하지 않다는 것이다. 넓은 대결 점수(격차 약 ≥30 이상)는 우리가 적용한 모든 무작위 교란과 명명된 실제 대안 프로필 전체에서 살아남았다. 좁은 점수는 정확히 세 가지 방법이 동일한 경고로 수렴하는 지점이다 — 그리고 Shapley–Shubik 레이어 덕분에 우리는 이제 어느 대결을 보든 근본적인 채점 구조가 수취채권회전율과 같은 더 작은 지표를 체계적으로 과소평가한다는 것도 알게 되었다. 이는 단순히 하나의 비교에 관한 것이 아니라 메커니즘 자체에 대한 진정으로 새롭고 구조적인 발견이다 — 가중치를 프로필별로 하나씩 테스트하는 대신, 바로 이 질문을 위해 만들어진 도구로 모델의 근간을 테스트할 때만 얻을 수 있는 종류의 결과다.

참고문헌

Shapley, L. S., & Shubik, M. (1954). "A Method for Evaluating the Distribution of Power in a Committee System." American Political Science Review, 48(3), 787–792.

Banzhaf, J. F. (1965). "Weighted Voting Doesn't Work: A Mathematical Analysis." Rutgers Law Review, 19, 317–343.

Sloan, R. G. (1996). "Do Stock Prices Fully Reflect Information in Accruals and Cash Flows about Future Earnings?" The Accounting Review, 71(3), 289–315.

Saaty, T. L. (1980). The Analytic Hierarchy Process. McGraw-Hill.

Damodaran, A. (2012). Investment Valuation: Tools and Techniques for Determining the Value of Any Asset (3판). Wiley.

이 중 어떤 것이든 직접 실행해보고 싶다면 — 자신만의 가중치로 바꿔보거나, 우리가 다루지 않은 페어를 테스트해보고 싶다면 — duelstocks.com에서 실제 도구를 무료로 사용해볼 수 있다. 이 글의 모든 수치는 그곳에서 직접 받을 수 있는 리포트로 거슬러 올라간다.

투자 조언이 아닙니다. 모든 데이터는 SEC EDGAR 공개 자료를 기반으로 합니다.

방법론 심층 분석, 실제 대결에서 나온 실제 수치. 투자 조언이 아닙니다.

두 편 전 글에서, 우리는 솔직한 한계 목록에 이것을 표시했다: 우리 DCF 모델은 단일한 숫자 — "165~190달러"가 아니라 176.47달러 — 를 산출하며, 그 정밀함을 얼마나 신뢰해야 하는지에 대한 감각을 전혀 제공하지 않는다. 다모다란(Damodaran)은 수십 년간 이 점을 지적해왔다: 터미널 밸류 하나만으로도 흔히 기업가치의 60~80%를 차지하며, 이는 영구 성장에 대한 검증 불가능한 단 하나의 가정 위에 세워진다. 센트 단위까지 정밀한 숫자지만, 그만큼 정밀하지 않은 토대 위에 놓여 있다.

이 글은 바로 그 구체적인 간극을 좁히는 것에 관한 것이다 — 모델이 이미 공개하지 않은 어떤 것도 사용하지 않으면서, 단일한 적정가치 숫자를 방어 가능한 범위로 바꾸는 것.

왜 몬테카를로가 아닌가

완전한 시뮬레이션은 모든 입력값에 대해 가정된 확률분포가 필요하다 — 가지고 있는 데이터로는 정직하게 정당화할 수 없는 형태들이다. 그래서 우리는 더 오래되고 더 단순한 것을 사용했다: 1959년 미 해군의 폴라리스 미사일 프로그램을 위해 개발되었고 지금도 프로젝트 비용 추정의 표준으로 쓰이는 3점(PERT) 추정법이다.

논리는 이렇다: 모델 자체가 이미 공개한 품질 등급으로부터 Bear(비관) 시나리오와 Bull(낙관) 시나리오를 구성한 뒤, 다음과 같이 결합한다:

기대값 ≈ (Bear + 4×Base + Bull) / 6 표준편차 ≈ (Bull − Bear) / 6

이 구성은 (Bear, Bull) 간격을 대략 ±3 표준편차로 취급하여, 단 하나의 새로운 입력값도 만들어내지 않고 해석 가능한 1-시그마 구간을 제공한다. Bear/Bull을 위해, 우리는 모델 자체가 이미 문서화한 등급 — ROIC 성장 배수, FCF 마진 배수, 그리고 WACC를 결정하는 ROIC 기반 베타 등급 — 을 각 방향으로 한 단계씩 대칭적으로 이동시키며, 모델이 이미 공개한 기준값만을 사용한다.

결과: 16개 기업, 하나의 방법

구간의 너비 자체가 유용한 정보다: 고성장·고배수 종목(NVDA, GOOGL, NOW)은 느리고 안정적인 현금 창출 기업(KO, PEP, PLAB)보다 더 넓은 구간을 갖는다 — 이는 민감도 분석 방법이 보여줘야 할 정확히 그 모습이다. 더 미래지향적인 가정일수록 그에 대한 의견 차이의 여지가 더 크기 때문이다.

이 글이 실제로 답하고자 만들어진 질문

이 시리즈의 첫 번째 글은 주목을 끈 무언가를 주장했다: NVIDIA는 상대적 펀더멘털 "대결"에서 AMD를 92-8로 이겼지만, AMD의 모델링된 DCF 상승 잠재력(+24.0%)은 영업 지표에서 크게 뒤졌음에도 NVIDIA(+14.6%)보다 더 높았다. 당연한 후속 질문: 이 격차는 실제인가, 아니면 오차 범위가 전혀 없던 점 추정치에서 나온 잡음일 뿐인가?

PERT 범위를 적용하면, NVIDIA의 구간은 [9.4%, 14.6%]이고 AMD의 구간은 [22.2%, 30.0%]이다. 둘은 겹치지 않는다. 원래의 발견은 파라미터 불확실성 하에서의 직접적인 검증을 통과한다 — 우리는 더 많은 가치평가 콘텐츠가, 마땅한 것보다 더 큰 확신으로 점 추정치를 재진술하기보다는, 자신의 이전 주장에 대해 이런 종류의 검증을 실행할 의지가 있어야 한다고 생각한다.

이 연구 시리즈의 조용한 부수적 이점

duelstocks.com에서 이 시리즈를 진행하는 한 가지 목적은, 이것이 우리 자신의 모델에 대한 감사(audit) 역할도 동시에 한다는 것이다 — 그리고 이 글은 이미 실제 서비스 중인 도구에 두 가지 작지만 구체적인 개선을 만들어냈다. 민감도 구간을 구축하려면 실제 공시 자료를 대상으로 DCF 공식을 손으로 다시 유도해야 했는데, 이 과정에서 레버리지가 높은 기업에 대해 주식 가치의 하한이 어떻게 설정되는지에 대한 엣지 케이스(이제는 임시 대체값 방식이 아니라 더 투명한 방식으로 처리됨)와, 이제는 리포트 자체의 방법론 섹션에 직접 명시된, 문서화되지 않았던 성장률 안전 상한선이 드러났다. 우리는 그 상한선의 실제 경계값을 등급 시스템 자체의 수학적 상한과 비교 검토했고, 숫자 자체는 변경하지 않았다 — 이미 잘 보정되어 있었고, 등급 시스템이 자체적으로 산출할 수 있는 수준에 거의 정확히 위치해 있었던 것으로 드러났다. 두 변경 사항 모두 이 글의 어떤 수치도 바꾸지 않는다; 둘 다 이 글의 핵심이기 때문이 아니라 완전성을 위해 여기서 공개한다.

제품 자체에서 "범위"는 어떤 모습일 수 있을까

현재로서는 이 구간을 얻으려면 공개된 DCF 리포트를 대상으로 등급 이동 계산을 손으로 직접 해야 한다 — 이는 정확히 이 글이 오늘 여러분이 얻을 수 있는 어떤 DCF 리포트에 이미 있는 것 이상을 사용하지 않으면서, 단계별로 보여주는 것이다. 자연스러운 다음 단계 — 약속이 아니라, 언급할 만한 방향일 뿐이다 — 는 DCF 리포트 자체가 결국 이 회랑을 직접 보여주는 것일 수 있다: 차트에서 각 연도의 점 예측치 옆에 상한과 하한, 그리고 위에서 보여준 것과 같은 Bear/Base/Bull 수치를 담은 작은 보조 표. 이것이 실제로 구현되든 아니든, 여기서 설명한 방법은 여러분이 이미 가지고 있는 리포트로부터 손으로 완전히 재현 가능하다.

이것이 실제로 원래 비판을 얼마나 해소하는가

여기서 과장하면 이 작업의 취지 자체가 무색해지므로, 이 점에 대해 정확할 필요가 있다. 원래의 한계는 모델이 단일 DCF 수치를 얼마나 신뢰해야 하는지를 가늠할 방법을 제공하지 않는다는 것이었다. 이 글은 방법론 수준에서 그 간극을 좁힌다: 이제 어떤 DCF 결과값 주변에도 새로운 데이터 없이 방어 가능한 범위를 구성할 수 있는 재현 가능한 방법이 존재하며, 우리는 이것이 실제 스트레스 테스트(NVDA/AMD 비교)에서도 유지된다는 것을 보여주었다. 이것은 아직 제품 수준에서 그 간극을 좁히지는 못한다 — 리포트 자체는 여전히 하나의 숫자만 보여주며, 범위를 구성하는 것은 여전히 독자가 여기서 설명한 산술을 직접 해야 함을 요구한다. 이것은 또한 우리가 답했다고 주장하지 않는 세 번째, 더 어려운 질문도 해결하지 못한다: 이 구간이 구축된 후, 실제로 언급된 ~68%에 가까운 비율로 실현된 미래 가격을 포함하는지 여부 — 이는 시간에 따른 실제 결과에 대한 검증이 필요하며, 이 글은 그것을 시도하지 않는다. 특정하고 이전에 다루어지지 않았던 한계에 대한 부분적이지만 정직한 진전이다.

참고문헌

Damodaran, A. (2012). Investment Valuation: Tools and Techniques for Determining the Value of Any Asset (3판). Wiley.

Malcolm, D. G., Roseboom, J. H., Clark, C. E., & Fazar, W. (1959). "Application of a Technique for Research and Development Program Evaluation (PERT)." Operations Research, 7(5), 646–669.

Howard, R. A. (1988). "Decision Analysis: Practice and Promise." Management Science, 34(6), 679–695.

Sloan, R. G. (1996). "Do Stock Prices Fully Reflect Information in Accruals and Cash Flows about Future Earnings?" The Accounting Review, 71(3), 289–315.

Project Management Institute — PMBOK Guide, Three-Point Estimating Technique.

투자 조언이 아닙니다. 모든 데이터는 SEC EDGAR 공개 자료를 기반으로 합니다. 공개: 저는 NVDA에 장기간(~5년) 보유 포지션이 있으며, 언급된 다른 어떤 종목에도 포지션이 없습니다.

DuelStocks 파일럿 연구 — 절대 가치평가 vs. 상대 가치평가, 2부

1. 1부에서 남은 질문

이 시리즈의 1부는 흔히 하나로 취급되는 두 가지 질문을 분리했다:

• 상대적 가치평가: A 기업은 B 기업에 비해 저평가되었는가, 고평가되었는가?
• 절대적 가치평가(DCF): A 기업은 자체 예상 현금흐름만으로 단독으로 얼마의 가치가 있는가?

실제 대결(NVDA 대 AMD, GOOGL 대 META, AMZN 대 WMT)에 두 방법을 모두 적용하고, 여기에 가격이나 성장률과 무관하게 재무 건전성과 현금흐름 품질을 평가하는 세 번째 렌즈 — 우리의 기본 회복력 지수(FRI) — 를 더한 결과, 한 방법에서의 "승자"가 다른 방법에서도 신뢰성 있게 승자가 되는 것은 아니라는 점이 드러났다. 세 가지 서로 다른, 정당한 질문; 세 가지 서로 다른, 정당한 답.

우리는 그 글(2.4절)에서 솔직한 한계도 밝혔다: 대결은 항상 두 기업만을 비교한다. 고전적인 상대적 가치평가는 기업을 헤드라인용으로 임의로 선택된 하나의 경쟁자가 아니라 동종 기업 그룹과 비교한다. 쌍대(pairwise) "승자"는 다른 상대를 만나면 완전히 다르게 보일 수 있다.

이 글은 그 간극을 좁히려는 직접적인 시도이며, 그만큼 중요한 것은 — 단순히 좁혀졌다고 주장하는 것이 아니라 실제로 얼마나 좁혀졌는지를 측정하는 것이다.

2. 살펴보기 전에 우리가 발견하리라 예상한 것

숫자를 계산하기 전에, 이후 결과에 맞춰 끼워 맞추는 것이 아니라 그것에 비추어 검증할 수 있도록 세 가지 검증 가능한 예상을 미리 적어두었다:

• H1 — 발산의 지속성. 1부의 상대/절대/회복력 분리가 데이터의 실제 속성이라면(특정 한 쌍을 선택한 데서 나온 인위적 산물이 아니라면), 섹터 규모에서도 다시 나타나야 한다: 여러 기업이 한 렌즈에서는 상위권, 다른 렌즈에서는 하위권에 위치해야 한다.
• H2 — 회복력은 직교적이다. FRI는 성장·마진 요인(상대 점수)이나 현금흐름 기반 가치(DCF)와는 구조적으로 다른 것(재무구조 품질)을 측정한다. 우리는 그 순위가 다른 두 지표와 약하게, 강하지 않게 상관관계를 가질 것으로 예상했다.
• H3 — 소규모 표본은 "원칙에 기반한" 모델이라도 잡음이 많다. 2라운드 파일럿은 각 기업에 단 2개의 데이터 포인트만 제공한다. 우리는 집계 방법이 수학적으로 얼마나 정교하든, 그 결과로 나온 순위 배열이 보이는 것보다 훨씨 불안정할 것이라고 예상했고, 이를 "파일럿"이라는 단어로만 언급하는 대신 그 불안정성을 정확히 정량화하는 방법을 설계했다.

세 가지 모두 확인되었으며, 우리가 완전히 예상하지 못한 방식으로도 그러했다(6절 참조).

3. 방법

3.1 토너먼트 설계

12개 기업 전체에 대해 완전한 라운드로빈(모두가 모두와 대결)을 진행하려면 66번의 대결이 필요했을 것이다 — 콘텐츠 파일럿으로는 너무 많다. 우리는 스포츠와 계량심리학에서 부분 라운드로빈을 짜는 표준 알고리즘인 "서클 방식(circle method)"을 사용해, 결과로 나오는 "누가 누구와 대결했는가" 그래프가 12개 기업 전체를 잇는 단일한 연결된 순환 구조가 되는 2라운드 일정을 구성했다(SWKS는 원래 13개 기업 그룹에서 제외됐다 — 지수 내 비중이 가장 작아 제외로 인한 왜곡이 가장 적기 때문이다).

1라운드: NVDA–ON, AVGO–MCHP, MU–MPWR, AMD–MRVL, INTC–QCOM, TXN–ADI 2라운드: NVDA–MCHP, ON–MPWR, AVGO–MRVL, MU–QCOM, AMD–ADI, INTC–TXN

여기서 연결성은 단순한 형식이 아니라 중요한 요소다: Bradley–Terry 강도 추정치는 누가 누구를 이겼는지의 그래프를 통해 전파되므로, 그래프가 두 개의 연결되지 않은 군집으로 나뉘면 모델은 한 군집의 기업과 다른 군집의 기업을 비교할 근거를 전혀 갖지 못한다. 단일한 연결된 순환 구조는, 대부분의 쌍이 서로 직접 대결하지 않았더라도 12개 기업 전체를 서로 비교해 순위를 매기는 데 필요한 최소한의 구조다.

3.2 승패를 순위로 집계하기

12개의 결과로부터 두 가지 상대적 강도 지표를 계산했다:

• Copeland 점수 — 승수에서 패수를 뺀 값. 투명하지만 조악하다: 단 2번의 경기만으로는 대부분의 기업이 세 개의 구간(+2, 0, −2) 중 하나에 몰리게 되어 광범위한 동률이 발생한다.
• Bradley–Terry(BT) 등급 — 쌍대비교 데이터를 위한 표준 모델(1952년; Elo 시스템의 수학적 조상). BT에서는 i가 j를 이길 확률이 s_i / (s_i + s_j)로 주어지며, 여기서 s_i는 i의 추정 강도다. 우리는 반복적 최대우도추정(MM/Zermelo 알고리즘)으로 강도를 추정했으며, 이는 강도가 이행적으로 전파되게 한다: 강한 팀을 이긴 팀을 이기는 것은, 두 간접적으로 연결된 기업 사이에 직접 비교가 전혀 없더라도, 전적이 없는 팀을 이기는 것보다 더 가치가 크다.

이 데이터셋에서 두 개의 전적은 BT에 중요한 수학적 의미에서 "완벽"하다: 치른 모든 경기에서 승리한 기업은 보정 없이는 무한대의 추정 강도를 가지며, 모든 경기에서 패배한 기업은 추정 강도가 0이 된다. 둘 다 모델을 깨뜨린다. 우리는 표준적인 정규화 방법을 사용했다 — 모든 기업에 리그 평균 상대와의 가상 경기를 소수 추가하는 방식 — 이는 모든 추정치를 유한하게 유지한다. 이는 형식적인 보정이 아니라, 이렇게 적은 데이터로도 순위 매기기가 가능하게 하는 메커니즘이며, 인접한 순위 사이의 정확한 수치적 차이를 과도하게 해석해서는 안 된다는 것을 의미한다(6절에서 더 자세히 다룬다).

이어서 어떤 상대와 대결했는지와 무관하게, 각 기업 자신의 공시 자료에서 나온 두 개의 순위를 추가했다:

• DCF 기반 내재 가치평가 배수 — 기업가치 ÷ 매출, 각 기업별로 개별적으로 산출된 DUEL DCF 엔진의 결과물(한 기업의 두 대결 리포트에서 동일함이 확인되어, 상대에 의존하지 않음을 검증함). 값이 높을수록, 그 기업 자체의 성장률, 마진, ROIC 입력값을 고려할 때 모델의 현금흐름 엔진이 매출 1달러당 더 많은 기업가치를 부여한다는 의미다. 이는 "시장 가격 대비 상승 여력"이 아니다 — 실시간 시장 가격은 전혀 사용되지 않는다 — 모델이 어떤 현금흐름 프로필에 보상을 주는지에 대한 횡단적 해석이다.
• 기본 회복력 지수(FRI) — 우리의 재무구조 품질 복합 지표로, 이 또한 기업별로 산출된다.

4. 결과

4.1 라운드로빈 결과

4.2 네 가지 순위, 나란히 비교

5. 세 렌즈가 어긋나는 지점

TXN은 두 대결 모두 승리했고 BT 순위 #1을 차지했지만, DCF 배수에서는 12개 중 #9, 회복력에서는 #11에 위치한다(레버리지가 높다는 신호 — 부채/자본 비율이 0.9에 근접하고, 현금 대 부채 커버리지가 얇음). 토너먼트에서 가장 좋은 상대적 가치평가 전적은 그룹 내에서 가장 약한 절대가치 및 재무구조 이야기 중 하나에 속한다.

MRVL은 거의 그 거울 이미지다: BT에서는 최하위지만, 회복력에서는 #3 동률(FRI 89)이고 DCF 배수에서는 중간 순위(#6)다. 순수하게 상대적인 해석만으로는 MRVL의 재무구조에 대해 정확한 정보를 거의 알려주지 못한다.

AMD는 상대적 전적(1-1)과 DCF 배수(#7) 모두 중간 정도지만, 섹터 내에서 단연 최고의 회복력 점수를 갖고 있다(FRI 100 — 표시된 모순 없음, 모든 하위 지표에서 만점). 이 중 어느 것도 AMD가 누구를 이겼는지로는 알 수 없다.

NVDA와 AVGO는 DCF 레이어와 상대 레이어가 일치하는 두 이름이다(둘 다 #1과 #2) — 그러나 회복력은 갈린다. NVDA는 "견고한 완충" 기준을 크게 밑도는 유동성 지속 기간 지표에 의해 FRI에서 #10으로 떨어진다: 성장/가치평가 강점과 재무구조 완충 사이의 실질적인 트레이드오프이며, 잡음이 아니다.

INTC는 대조군에 해당한다: 모든 렌즈에서 최하위 또는 최하위권이며, DCF 엔진이 완전히 음수의 기업가치를 반환하는 유일한 기업이다(음수의 자유현금흐름은 숫자를 낮추는 것이 아니라 모델 자체를 깨뜨린다). 근본적인 그림이 모든 면에서 진짜로 약할 때는 세 가지 방법이 모두 일치한다 — 이는 그 자체로 유용한 정보다: 다른 곳에서 관찰된 발산이 모델이 무작위로 자기 자신과 불일치하는 것이 아니라, 실제로 혼재된 기본적 여건에 대한 신호임을 시사한다.

6. #1 순위를 얼마나 신뢰해야 하는가?

"TXN이 #1이다"를 TXN에 대한 발견으로 취급하기 전에, 그 숫자를 실제로 무엇이 견인하는지 정확히 짚어보는 것이 좋다.

TXN의 두 승리는 INTC(0-2, 네트워크 어디에서도 승리 없음)와 ADI(1-1 — 유일한 자격은 AMD를 상대로 한 단 한 번의 승리)를 상대로 얻은 것이다. Bradley–Terry 모델에서는, 스스로도 누군가를 이긴 팀을 이기는 것이 전적이 없는 팀을 이기는 것보다 더 큰 가치를 갖는다. 강도가 그래프를 통해 이행적으로 전파되기 때문이다. NVDA, AVGO, QCOM, MPWR — 나머지 네 개의 2-0 팀 — 은 각각 네트워크 어디에서도 승리가 없는 0-2 상대 두 팀을 이겼다. TXN은 두 번째 승리가 자기 자신도 실제 승리를 하나 보유한 상대(ADI)를 상대로 얻은, 유일한 2-0 팀이다. 바로 이 하나의 간접적 연결이 TXN의 BT 순위 #1을 4파전 동률과 구분 짓는 요인이다.

이는 방법론의 결함이 아니다 — 이것이 바로 Bradley–Terry가 하도록 설계된 것이다. 그러나 이는 또한, 기업당 2경기에 기반한 순위를 과도하게 해석하지 않도록 신중해야 함을 시사하는 정확히 그런 종류의 결과이기도 하다. 이러한 신중함을 단순히 주장하는 대신 정량화하기 위해, 우리는 몬테카를로 검증을 수행했다: 무작위 "실제" 강도를 가진 12개 기업을 시뮬레이션하고, 동일한 서클 방식 일정을 실행하며, 서로 다른 일정 길이에서(데이터 포인트당 4,000회 시뮬레이션 토너먼트) 순전히 샘플링 변동성만으로 Bradley–Terry #1과 단순 Copeland #1이 얼마나 자주 불일치하는지 물었다:

2라운드에서는 "누가 #1인가"에 어떤 방법을 쓰는지가, 더 단순한 계수 기반 방법과 일치하는지 여부에서 거의 동전 던지기에 가깝다 — 이는 이 표본 크기에서 Bradley–Terry의 정교함이 아직 안정적인 답을 사주지 못하고, 단지 다른 방식으로 불안정한 답을 사줄 뿐임을 보여준다. 이 불안정성은 표본 크기의 속성이며 TXN에 특정된 것이 아니다. 바로 그렇기 때문에 우리는 이를 확정된 섹터 리더 주장이 아니라, 더 많은 데이터로 다시 검토할 파일럿 결과로 제시한다.

7. 실제로 몇 라운드가 필요할까?

6절은 #1 순위가 2라운드에서는 불안정하다는 것을 보여준다. 자연스러운 다음 질문 — 그리고 이 글이 정성적이 아니라 정량적으로 답하고자 한 질문 — 은 이것이다: 몇 라운드면 충분할까, 그리고 각 단계에서 무엇을 얻을 수 있을까?

우리는 동일한 12개 기업 서클 방식 설계의 라운드로빈 토너먼트를, 1라운드부터 완전한 11라운드 라운드로빈(각 기업이 다른 모든 기업과 정확히 한 번씩 대결)까지의 일정 길이로 시뮬레이션했으며, 각 행마다 3,000회의 시뮬레이션 토너먼트에서 기업들에 무작위 "실제" 강도를 부여했다. 그런 다음 결과로 나온 Bradley–Terry 순위가 (시뮬레이션에서 알려진) 실제 강도 순서와 얼마나 밀접하게 일치하는지를 측정했다:

두 가지가 눈에 띈다. 첫째, 여기서 사용된 파일럿 설계(2라운드)는 "실제" 순서와 약 0.47의 순위 상관관계를 보인다 — 넓은 계층을 표시하는 데는 유용하지만, 특정 #1을 주장하기에는 신뢰할 수 없다. 둘째, 전체의 절반 이상(56.7%)이 2라운드 토너먼트를 수학적으로 "완벽한" 2-0 또는 0-2 전적으로 마친다 — 이는 결정적으로 들리지만, 6절에 따르면 정확히 개별 순위 배열을 불안정하게 만드는 조건이다. 완벽한 전적은 한 기업이 얼마나 더 나은지에 대한 정보를 전혀 담고 있지 않고, 단지 우연히 치른 모든 경기에서 승리했다는 것만을 담고 있기 때문이다.

이 표를 향후 이런 종류의 토너먼트를 위한 계획 가이드로 읽으면:

• 1~2라운드: 저렴하고 빠르며, 파일럿이나 단일 게재 주기를 중심으로 만드는 콘텐츠에서 넓은 계층(명확한 승자 대 명확한 낙오자)을 표시하는 데 좋다. 상위 또는 하위 계층 내의 개별 위치는 확정된 것으로 취급해서는 안 된다.
• 3~4라운드: 중간 정도의 추가 비용(18~24회 대결)으로 의미 있게 개선된다(상관관계 ~0.55~0.60); DCF와의 발산 이야기가 아니라 순위 그 자체가 글의 핵심이라면 합리적인 최소 기준이다.
• 5~6라운드: 전체 그룹 단위의 엄격함과 수십 회의 대결을 진행하는 데 드는 제작 비용 사이의 실행 가능한 중간 지점(상관관계 ~0.65~0.68)이다.
• 8라운드 이상, 완전한 66회 대결 라운드로빈까지: 추가 라운드마다 수확이 감소하지만, 특정 번호가 붙은 순위(단순 계층이 아니라)를 실제로 확신을 갖고 옹호할 수 있는 유일한 체제다.

8. 이것이 1부의 비판을 해소하는가?

구조적으로는 그렇다, 부분적으로는: 12개의 쌍대 대결을 연결된 네트워크로 집계하고, 각 기업을 임의로 선택된 상대가 아니라 전체 그룹이 함축하는 강도에 대해 평가하는 것은, 단일 대결에 비해 진정한 방법론적 향상이다 — 이것이 바로 고전적인 상대적 가치평가의 "동종 기업 그룹과 비교하라"는 원칙이 실제로 요구하는 것을, 쌍대비교 통계로 옮긴 것이다.

경험적으로는 답이 더 제한적이며, 7절의 표가 그 제한을 솔직하게 보여주는 버전이다. 여기서 사용된 구체적인 2라운드 설계는 원래의 비판을 줄이지만 — 완전히 없애지는 못한다. 이 파일럿의 순위에서 한 기업의 위치는 단일 대결의 승자보다 더 유용한 정보를 담고 있지만, 6절과 7절에 따르면 여전히 정밀하고 안정적인 순위보다는 대략적인 계층 구분에 더 가깝다. 1부의 비판(2.4절)은 지금 이렇게 읾는 것이 가장 적절하다: "종류에서는 해소되었으나, 정도에서는 아직 아니다" — 동종 기업 그룹과 비교하는 방법은 존재하고 작동한다; 위에서 보여준 것처럼 개별 위치를 신뢰할 수 있게 만드는 표본 크기로 그것을 실행하는 것은 별도로 측정 가능한 비용이다.

9. 결론

1부의 상대/절대/회복력 발산은 특정 한 쌍을 선택한 데서 나온 인위적 산물이 아니다. 그것은 섹터 규모에서 다시 나타난다: TXN(상대 #1, DCF #9, 회복력 #11)과 MRVL(상대 #12, DCF #6, 회복력 #3)은 실제로 서로 다른 것을 측정하는 렌즈들 사이에 6~8단계의 순위 차이를 보인다.

회복력은 예상대로(H2) 세 렌즈 중 가장 독립적이다. AMD의 #1 회복력 점수는 평범한 상대적 전적 및 DCF 배수와 공존한다; NVDA와 AVGO가 상대 및 DCF에서 공유하는 #1/#2 위치는 각각 #10과 #8의 회복력 순위와 공존한다. 성장·마진 요인이나 DCF 현금흐름 배수에서 높은 점수를 받는 것은 재무구조 완충에 대해 거의 아무것도 말해주지 않는다.

발산이 없는 유일한 사례(INTC)는 또한 명백한 부진의 유일한 사례이기도 하다 — 모든 렌즈에서 최하위 또는 최하위권이며, DCF 엔진의 출력이 단지 낮은 것이 아니라 퇴화된(음수 기업가치) 유일한 기업이다. 이는 다른 곳에서 관찰된 발산이 채점 방법 자체의 잡음이 아니라 실제로 혼재된 근본적 여건을 반영한다는 증거다.

2라운드 파일럿은 방향적으로는 유용하고 개별적으로는 불안정하며, 이제 이는 주장이 아니라 측정된 사실이다. 시뮬레이션은 이 설계 규모에서 "실제" 순서와 약 0.47의 순위 상관관계, 더 단순한 계수 방법(Copeland)이 순전히 샘플링 변동성만으로 다른 #1을 선정했을 확률 64.4%, 그리고 전체의 56.7%가 정보가 부족한 "완벽한" 2-0 또는 0-2 전적으로 끝난다는 것을 보여준다. 이 파일럿에서의 #1 순위(TXN)는 비교 그래프 내의 단 하나의 간접적 연결(자신의 유일한 자격이 AMD를 상대로 한 단 한 번의 승리인 ADI를 상대로 한 승리)에 의존하고 있다 — 이는 TXN에 특정된 결함이 아니라, 바로 이 불안정성을 보여주는 교과서적인 사례다.

1부의 "쌍 대 동종 기업 그룹" 비판은 구조적으로는 다루어졌지만, 실제로는 부분적으로만 해소되었다. 여러 대결을 그룹 상대적 순위로 집계하는 방법은 존재하고 작동한다; 7절의 표에 따르면, 개별 순위 배치(단순히 계층 배치가 아니라)를 신뢰할 수 있게 만들려면 2라운드가 아니라 대략 5~8라운드(30~48회 대결)가 필요하다 — 이는 "더 많은 데이터가 필요하다"는 모호한 요청이 아니라, 이런 종류의 다음 토너먼트를 설계하기 위한 구체적이고 재사용 가능한 숫자다.

이 글은 방법론 소개이며, 투자 조언이 아닙니다. 모든 수치는 SEC EDGAR 공개 자료(10-K/10-Q)를 기반으로 합니다.

모든 주식 가치평가는 결국 서로 다른 두 가지 질문 중 하나에 답하게 되며, "어떤 방법이 옳은가"를 둘러싼 대부분의 논쟁은 사람들이 자신이 서로 다른 질문을 놓고 논쟁하고 있다는 사실을 깨닫지 못하기 때문에 발생한다.

이 글은 먼저 이론을 살펴본 뒤 실제 수치로 검증한다 — NVIDIA(NVDA) 대 AMD(AMD), Google(GOOGL) 대 Meta(META), Amazon(AMZN) 대 Walmart(WMT) — SEC 10-K/10-Q 공시에서 직접 기본 데이터를 가져오는 자체 개발 도구를 사용한다. 애널리스트 추정치도, 시장 심리도, 가격 움직임도 없이 — 오직 공시 자료만 사용한다.

1부 — "이 회사는 얼마의 가치가 있는가"를 묻는 두 가지 방법

본질적(절대적) 가치평가는 회사의 가치를 내부에서부터 구축한다 — 미래 현금흐름을 예측하고, 위험을 반영한 할인율로 현재가치를 계산하면 끝이다. 이는 존 버 윌리엄스(John Burr Williams)의 1938년 저서 The Theory of Investment Value로 거슬러 올라간다: 자산의 가치는 그것이 앞으로 지급할 것의 현재가치와 같다. DCF, 배당할인모형, 잔여이익모형이 모두 여기에 속한다.

상대적 가치평가는 회사를 단독으로 평가하지 않는다 — 동종 기업들과 비교하여 평가하며, 시장이 유사한 기업들의 가격을 대체로 정확하게 매겼다는 전제 위에서 목표 기업과 그룹 간의 격차가 신호가 된다. 배수(P/E, EV/EBITDA)와 동종 기업 순위 시스템이 여기에 속한다.

둘 중 어느 것도 "더 정확"하지 않다. 이 둘은 무엇을 알 수 있는지에 대해 서로 다른 전제를 갖는다. 절대적 가치평가는 시장보다 더 정확히 예측할 수 있다고 가정한다. 상대적 가치평가는 시장이 평균적으로 대체로 옳다고 가정하고, 여러분의 역할은 이상치를 찾아내는 것이라고 본다.

DCF가 빛나는 곳, 그리고 무너지는 곳

DCF는 비교 대상 기업에 누군가가 얼마를 지불하는지와 무관하게, 사업 자체의 실제 현금 창출 엔진으로부터 가치를 도출하는 유일한 방법이다. 이는 한 섹터 전체가 광기에 빠질 때(2000년, 2021년) 강력한 힘을 발휘한다. 문제는 — 아스와스 다모다란(Aswath Damodaran)이 잘 정리했듯 — DCF 결과가 성장률, 할인율, 터미널 밸류라는 세 가지 입력값에 지나치게 민감하다는 점이다. 터미널 밸류 하나만으로도 흔히 전체 기업가치의 60~80%를 차지하며, 이는 영구 성장에 대한 단 하나의 점 추정치 위에 세워진다. 결과적으로 센트 단위까지 정밀한 숫자를 얻지만, 그 숫자는 아무도 검증할 수 없는 가정 위에 세워져 있다.

배수가 빛나는 곳, 그리고 무너지는 곳

배수는 빠르고, 수백 개 종목에 걸쳐 확장 가능하며, 스프레드시트가 쉽게 담아내지 못하는 정보 — 경영진의 질, 규제 리스크, 섹터 심리 — 를 담아낸다. 구조적 약점은 순환성이다: 상대적 가치평가는 동종 그룹이 평균적으로 정확하게 가격이 매겨져 있을 때만 작동한다. 만약 한 섹터 전체가 과열되어 있다면, 상대적 가치평가는 목표 기업이 "동종 기업 대비 저렴하다"는 것을 기꺼이 확인해줄 것이다 — 비록 그룹 전체가 현실에 비해 비싸더라도.

표 1 — 정면 비교

2부 — 같은 기업을 동시에 두 방법으로 검증하기

한 가지 방법을 선택하는 대신, 동일한 SEC 데이터에 대해 두 방법을 나란히 실행하는 도구를 만들었고, 여기에 재무 건전성을 측정하는 세 번째 레이어를 추가했다. 세 개의 개별 리포트, 세 개의 개별 질문:

• Battle Report (상대적) — 8개의 기본 지표(매출 성장률, 영업 현금 마진, ROIC, Sloan Ratio, 자산회전율, 수취채권회전율, 영업이익률, FCF 마진)를 가중치화하여 양측에 0~100점의 점수를 부여.
• DCF Report (절대적) — 품질 조정 성장률을 적용한 완전한 3년 DCF: 공격적인 발생주의 회계에 대한 Sloan Ratio 페널티, 자본 효율성에 따라 예상 성장률을 조정하는 ROIC 배수, 현금 전환 품질을 위한 FCF 마진 배수. WACC는 과거 가격 변동성이 아니라 ROIC 등급에서 도출.
• Resilience Report — 현금 대 부채 커버리지, 투자 자립도(FCF/CapEx), 이익의 질(영업활동현금흐름/영업이익), 유동성 지속 기간으로 구성된 기본 회복력 지수(FRI, 0~100)이며, 내부 모순을 표시하는 일관성 검증 매트릭스를 포함.

이 접근법의 한계에 대해 투명하게 밝히자면: DCF 출력에는 민감도 표나 몬테카를로 범위가 없으며(완전한 점 추정 모델 대비 알려진 트레이드오프), 명시적인 국가 리스크 프리미엄이 없고(미국 대형주에는 문제없지만 해외 종목에는 공백), 상대적 레이어는 전체 동종 그룹의 중앙값이 아니라 한 번에 한 쌍만 비교한다. 이 중 어느 것도 수치를 무가치하게 만들지는 않는다 — 다만 이를 절대적 진리가 아니라 방향성 있는 증거로 읽어야 한다는 의미다.

3부 — 사례 연구: NVIDIA 대 AMD

상대 점수: NVIDIA에 유리하게 92–8, "압도적(Dominant)".

51%와 4.5%의 ROIC 격차는 반올림 오차가 아니다. 순수하게 영업 펀더멘털만 보면, 이는 접전이 아니다.

절대 수치는 다른 이야기를 전한다:

8대 92로 대결에서 패배했음에도, 모델링된 AMD의 3년 상승 잠재력이 더 높다. NVIDIA의 압도적 우위는 이미 약 4.3조 달러의 기업가치에 반영되어 있다. 모델의 상한선인 35% 성장률에서도, 이미 거대한 기반에서의 상승률(%)은 훨씬 작은 기반에서 복리로 성장하는 AMD의 더 완만한 성장보다 낮다. 상대적 가치평가는 지금 누가 이기고 있는지를 알려준다. DCF는 그 승리를 위해 여러분이 이미 얼마를 지불했는지를 알려준다.

회복력 레이어는 예상치 못한 세 번째 반전을 더한다:

방금 92대8로 대결에서 승리하고 DCF 기반 4.28조 달러의 기업가치를 지닌 회사가, 자신이 압도한 회사보다 회복력 점수에서 더 낮은 점수를 받는다. 한 가지 단서를 달자면: 1,027억 달러의 영업현금흐름을 보유한 NVIDIA가 유동성 문제를 겪고 있다고 진지하게 생각하는 사람은 없다 — 여기서의 지속 기간 지표는 해당 지표가 원래 설계되지 않은 형태의 재무구조에서 발생한 수식상의 산물일 가능성이 매우 높다. 그러나 이익의 질 경고(영업이익이 영업현금흐름을 초과)는 작지만 실제로 알아둘 가치가 있는 신호다.

같은 날 다른 두 쌍에 대해서도 교차 검증했다:

동일한 패턴이 세 번 독립적으로 확인되었다: 한쪽으로 치우친 상대 점수는 회복력 순위도, 절대 수익률 순위도 신뢰성 있게 예측하지 못한다.

결론

상대적 가치평가는 "지금 어떤 기업이 운영상 더 강한가"라는 질문에 답하며, 이 역할을 잘 수행한다. 절대적 가치평가는 "그 강점 중 얼마가 이미 가격에 반영되어 있는가"라는 질문에 답한다. 회복력 레이어는 "상황이 악화되면 어떻게 되는가"라는 질문에 답한다. 이는 세 가지 서로 다른 질문이며, 이 중 하나를 완전한 답으로 취급하는 것이 전문가와 개인 투자자 모두에게서 나타나는 대부분의 가치평가 논쟁이 어긋나는 지점이다.

이 글은 방법론 소개이며, 투자 조언이 아닙니다. 모든 수치는 SEC EDGAR 공개 자료(10-K/10-Q)를 기반으로 합니다.