현명한투자자의인문학

[박대선]

현명한투자자의인문학 을 읽었다. 인간의 뇌(생물학적 신경망)와 일반적인 컴퓨터의 효율을 비교하면, 무엇을 하느냐에 따라 다르다. 
 | 작업  | 인간의 뇌  | 컴퓨터 | 
| 얼굴 알아보기  | 매우 뛰어남  | 뛰어남 |
| 복잡한 상황의 직관적 판단  | 매우 뛰어남  | 아직 어려운 경우 많음 |
| 단순한 산술  | 느리고 실수 가능  | 압도적으로 빠름 |
| 대량 데이터 검색  | 비효율적  | 압도적으로 빠름 |
| 에너지 효율  | 매우 높음  | 상대적으로 낮음 |
| 새로운 상황에 적응  | 매우 뛰어남  | 제한적 |
| 반복 계산  | 약함  | 매우 뛰어남 |

 인간의 뇌는 약 20W 정도의 에너지로 엄청난 양의 감각 처리와 판단을 동시에 수행한다. 예를 들어 길을 걸으면서도 우리는 동시에 사람 인식 → 장애물 회피 → 소리 듣기 → 균형 유지 → 대화 → 주변 상황 판단을 거의 의식하지 않고 처리한다.
 반면 컴퓨터는 특정한 계산에서는 인간보다 훨씬 빠르지만, 현실 세계의 수많은 불확실한 정보를 동시에 이해하고 적절하게 행동하는 것은 훨씬 어려운 문제다. 현대의 인공지능은 인간 뇌의 신경망에서 아이디어를 가져온 인공신경망을 컴퓨터에서 실행한다. 
 대표적으로  인공신경망은 입력 → 여러 층의 뉴런 계산 → 패턴 발견 → 출력이라는 구조를 사용한다. 이 방식은 이미지 인식, 음성 인식, 언어 처리, 게임, 예측 같은 분야에서 전통적인 프로그램보다 훨씬 효과적인 경우가 많다. 하지만 중요한 차이가 있다.
 컴퓨터는 계산을 잘하고, 신경망은 패턴을 잘 찾는다. 그리고 인간의 뇌는 여기에 몸, 감정, 기억, 경험, 목표, 사회적 관계까지 결합되어 있다. 그래서 결국 가장 강력한 형태는 컴퓨터의 계산 능력 + 신경망의 패턴 인식 + 인간의 목표 설정과 판단을 결합하는 것이다.

뉴런 하나하나의 신호는 컴퓨터의 전기신호보다 훨씬 느린데, 인간의 뇌는 어떤 일에서는 컴퓨터보다 놀랍도록 빠르다. 핵심은 속도 자체가 아니라 구조다.
1. 뇌는 엄청나게 많은 일을 동시에 한다; 컴퓨터는 전통적으로 하나의 명령을 아주 빠르게 순서대로 처리하는 방식이 강하다. 반면 뇌에는 약 860억 개의 뉴런이 있고, 각각이 수많은 다른 뉴런과 연결되어 있다.
 즉, 느린 계산기 수십억\~수백억 개가 동시에 일하는 것에 가깝습니다. 뉴런 하나는 느리지만 병렬처리의 규모가 압도적입니다.

2. 뇌는 모든 정보를 계산하지 않는다; 이게 더 중요. 컴퓨터에게 사진을 주면 픽셀 하나하나를 수치로 처리할 수 있지만, 인간은 길을 걷다가 사람을 보면 "사람이다."라고 거의 즉시 알아본다.
 뇌는 모든 정보를 처음부터 다시 계산하지 않고 이미 학습한 패턴과 비교하여 필요한 부분만 처리합니다. 그래서 얼굴 인식이나 위험물 발견처럼 패턴을 알아보는 문제에서는 엄청나게 빠릅니다.

3. 뇌는 '대충 맞으면 된다'는 계산을 한다; 컴퓨터는 정확한 숫자를 계산하는 데 강하다. 하지만 인간의 뇌는 현실에서 필요한 경우: 정확한 답보다 충분히 좋은 답을 빨리 선택한다.
 예를 들어 길에서 자동차가 갑자기 다가오면 자동차의 속도·거리·각도를 정확히 계산하지 않습니다. 그냥 “위험하다 → 피한다.” 라고 판단합니다. 이것이 생존에는 훨씬 효율적입니다.

4. 뇌는 기억과 계산이 붙어 있다; 일반적인 컴퓨터 구조에서는 메모리와 연산장치 사이에서 데이터를 주고받는 과정이 중요한 병목이 된다. 뇌에서는 기억 자체가 신경망에 분산되어 있고, 저장과 계산이 거의 동시에 일어난다.
 그래서 뇌는 기억 → 연상 → 판단 → 행동이 하나의 과정처럼 작동합니다.

5. 그래서 뇌는 '느린데 빠른' 시스템이다; 재미있는 역설. 뉴런의 신호 속도: 느림\뉴런 하나의 계산: 단순함\뇌 전체: 엄청난 병렬성 + 패턴 인식 + 선택적 처리때문에 결과적으로 복잡한 현실 문제를 매우 빠르게 처리할 수 있다.
 비유하면, 컴퓨터 = 초고속 계산원 1명이 매우 빠르게 계산하는 방식. 뇌 = 느린 계산원 수십억 명이 각자 다른 부분을 동시에 처리하는 방식 입니다.

시냅스의 연결 강도와 가변성은 신호 자체가 이동하는 물리적 속도보다는, 뇌가 정보를 처리하고 다음 뉴런을 활성화시키는 속도와 효율에 큰 영향을 준다.
1. 시냅스의 연결 강도; 두 뉴런 사이의 연결이 강하면, 앞 뉴런이 신호를 보냈을 때 뒤 뉴런이 임계값에 도달하기가 쉬워진다.
 간단하게 보면: 강한 시냅스 → 작은 입력에도 다음 뉴런이 반응 → 필요한 뉴런 수가 줄어듦 → 정보처리가 빨라질 수 있음. 약한 시냅스 → 여러 입력이 누적되어야 반응 → 추가적인 처리 단계가 필요 → 반응이 늦어질 수 있음
 그래서 뇌의 속도는 단순히 “뉴런의 전기신호가 몇 m/s로 움직이는가”로 결정되지 않습니다.

2. 시냅스의 가변성은 더 흥미롭다; 시냅스는 고정된 전선이 아니다. 경험이나 학습에 따라 강해지기도 하고 약해지기도 한다. 이를 시냅스 가소성(synaptic plasticity)이라고 한다.
 예를 들어 어떤 행동을 반복해서 학습하면 관련된 신경회로의 연결이 효율적으로 바뀝니다. 처음에는 자전거 타기 → 생각 → 균형 조절 → 핸들 조절 → 페달 조절처럼 의식적으로 여러 단계를 거치지만,
 숙련되면 자전거 타기 → 거의 자동 으로 바뀝니다. 즉 신경회로 자체가 정보를 처리하는 방식이 효율화됩니다.

3. 그래서 '뇌가 느린데 빠른' 이유가 하나 더 생긴다; 병렬처리와 합치면 상당히 재미있다.
 뇌는 ① 병렬처리 → 엄청나게 많은 뉴런이 동시에 작동 ② 강한 연결 → 중요한 경로를 빠르고 쉽게 통과 ③ 시냅스 가소성 → 경험을 통해 자주 사용하는 경로를 효율적으로 변경 ④ 예측 → 들어오는 정보를 모두 처음부터 분석하지 않고 미리 예측 을 함께 사용합니다.
 그래서 뉴런 자체의 신호가 컴퓨터의 전기신호보다 느려도 전체 시스템 차원에서는 매우 빠른 판단이 가능합니다. 

# 특히 중요한 것은 '속도'보다 '경로의 길이'
 예를 들어 어떤 판단에 신경망을 통과해야 하는 시냅스가 100개 → 50개 → 10개로 줄어든다면, 각 시냅스의 처리 시간이 아무리 짧더라도 전체 판단 시간이 크게 줄어듭니다. 그래서 학습은 단순히 지식을 저장하는 것이 아니라 뇌가 자주 사용하는 정보처리 경로를 재구성하는 과정이라고 볼 수도 있습니다. 이 관점에서 보면 숙련자가 초보자보다 빠르게 판단하는 이유도 상당 부분 설명됩니다. 초보자: 많은 가능성을 하나씩 검토\숙련자: 강하게 연결된 회로가 핵심 패턴을 즉시 활성화. 그리고 이 부분이 AI 신경망의 가중치(weight)와도 상당히 흥미롭게 대응됩니다. 인간 뇌의 시냅스 강도와 인공신경망의 가중치가 왜 비슷한 개념으로 사용되는지 연결해서 보면 훨씬 이해하기 쉽습니다.36 

뉴턴이 만유인력법칙을 한순간에 ‘발견’했다기보다, 이미 알려져 있던 여러 관측과 이론을 하나의 법칙으로 연결했다고 보는 것이 정확하다. 뉴턴 이전에 이미 중요한 사실들이 있었다.
 - 갈릴레오: 물체가 지구에서 떨어지는 운동을 연구했습니다.
- 케플러: 행성의 관측자료를 바탕으로 행성 궤도에 관한 세 법칙을 발견했습니다.
- 특히 케플러는 행성이 태양 주위를 타원으로 돌며, 행성의 공전주기와 태양까지의 거리 사이에 일정한 관계가 있다는 것을 알아냈습니다.

뉴턴의 천재성은 여기서 나온다. “사과가 떨어지는 힘과 달이 지구 주위를 도는 힘이 혹시 같은 힘이라면?”라는 연결이다.
달은 지구로 떨어지지 않는 것처럼 보인다. 하지만 뉴턴은 이렇게 생각할 수 있었다. 달은 앞으로 계속 직선으로 나아가려 합니다. 그런데 지구의 중력이 계속 달을 지구 쪽으로 끌어당깁니다. 그래서 달은 직선으로 가려는 운동 + 지구 쪽으로 끌리는 운동이 합쳐져 지구 주위를 계속 돕니다.
즉, 사과가 지구로 떨어지는 것과 달이 지구 주위를 도는 것이 같은 중력의 결과라는 생각입니다.

# 결정적인 것은 거리의 제곱에 따른 감소; 뉴턴은 여기서 더 나아간다. 지구 표면에서 물체를 끌어당기는 중력과 달의 궤도 운동을 비교했다. 달은 지구 중심에서 지구 반지름의 약 60배 거리에 있다. 그렇다면 중력이 거리의 제곱에 반비례한다면 1/60^2정도로 약해져야 한다.
 뉴턴은 이 생각을 달의 공전운동과 비교했고, 지상의 중력과 달의 운동이 같은 수학적 관계로 설명될 수 있다는 것을 발견했습니다.  F=G * m1 * m2 / r^2.  그리고 케플러의 행성운동 법칙을 자신의 운동법칙과 결합하여, 결국 모든 물체 사이에는 서로 끌어당기는 힘이 있고, 그 힘은 질량의 곱에 비례하고 거리의 제곱에 반비례한다 는 만유인력법칙으로 정리했습니다.

# 그런데 '사과가 떨어지는 것을 보고 발견했다'는 이야기는? 유명한 사과 일화는 완전히 허구라고 단정하기 어렵다. 뉴턴 자신이 훗날 사과가 떨어지는 것을 보고 중력에 대한 생각을 했다고 전한 기록이 있다.
 하지만 중요한 것은 사과가 떨어진 순간 만유인력법칙을 알아냈다는 것이 아닙니다. 사과는 단지 질문을 촉발한 계기였을 가능성이 큽니다. 진짜 혁명적인 생각은 이것입니다. “지구에서 사과를 떨어뜨리는 힘과 우주에서 달과 행성을 움직이는 힘이 하나의 동일한 법칙일 수 있다.”
 이것이 당시에는 엄청난 발상이었습니다. 55

개미는 먹이와 굴 사이의 최단경로를 미리 계산해서 확보하는 것이 아니라, 페로몬을 이용한 집단적 피드백을 통해 효율적인 경로를 찾아낸다.
 - 먹이를 발견한 개미가 굴로 돌아오면서 페로몬을 남깁니다. - 다른 개미들은 페로몬 농도가 높은 경로를 더 잘 따라갑니다.
- 짧은 경로를 이용한 개미는 같은 시간 동안 더 자주 왕복하므로 그 경로에 페로몬이 더 빠르게 축적됩니다. - 반대로 긴 경로는 왕복 시간이 오래 걸리고 페로몬도 상대적으로 적게 쌓입니다.
- 시간이 지나면서 많은 개미가 짧은 경로에 집중하게 되고, 결과적으로 먹이와 굴 사이의 효율적인 최단경로가 집단적으로 형성됩니다. - 페로몬은 시간이 지나면서 증발하기 때문에 사용되지 않는 경로의 흔적은 점차 사라집니다.

 이를 간단히 말하면 “짧은 길 → 더 빠른 왕복 → 더 많은 페로몬 → 더 많은 개미가 선택 → 최단경로 강화”라는 양의 피드백 과정입니다. 이 원리는 컴퓨터 과학의 개미 군집 최적화(Ant Colony Optimization, ACO) 알고리즘의 핵심 아이디어이기도 합니다. 123
다양성이 높은 집단이 더 현명한 결정을 내리나? 대체로 그럴 가능성이 높지만, “다양성이 높을수록 항상 더 현명하다”는 것은 아니다. 핵심은 다양성이 집단의 문제 해결에 도움이 되는 방향으로 작용하느냐다.
 - 관점의 다양성 → 같은 문제를 서로 다르게 바라볼 수 있어 오류를 발견하기 쉽습니다. - 정보의 다양성 → 각자가 가진 정보가 다르면 집단이 더 많은 정보를 종합할 수 있습니다.
- 사고방식의 다양성 → 한 가지 해결책에 집착하지 않고 여러 대안을 비교할 수 있습니다. - 독립적인 판단 → 다른 사람의 의견을 그대로 따라가는 군중심리를 줄일 수 있습니다.

 예를 들어 100명의 사람이 모두 같은 정보와 같은 사고방식을 가지고 있다면, 100명이 같은 실수를 반복할 수도 있습니다. 반면 서로 다른 경험과 관점을 가진 사람들이 독립적으로 판단한 뒤 의견을 종합하면, 개인 한 명보다 더 정확한 결정을 내릴 가능성이 커집니다.
 다만 중요한 조건이 있다. 다양성 + 독립적인 판단 \+ 좋은 정보를 종합하는 방법. 이 세 가지가 함께 있어야 한다. 다양성만 높고 서로 의견을 제대로 검토하지 못한다면 오히려 갈등과 의사결정 비용이 커질 수 있다.
 흥미롭게도 앞서 이야기한 개미의 최단경로 문제와도 연결됩니다. 개미 한 마리가 전체 경로를 이해해서 똑똑하게 결정하는 것이 아니라, 각 개미의 제한된 정보와 서로 다른 탐색 행동이 집단적으로 결합되어 더 좋은 해결책이 나타납니다. 이런 현상을 흔히 집단지성(swarm intelligence)이라고 합니다. 즉, “똑똑한 개인들을 많이 모으면 집단이 똑똑해진다”기보다, 서로 다른 정보를 가진 구성원들이 독립적으로 탐색하고 그 결과를 적절히 결합할 때 집단이 더 현명해질 수 있다고 보는 것이 정확합니다. 125

# 무위험수익률과 주식 리스크 프리미엄; 둘은 주식의 기대수익률을 이해하는 핵심 개념.
1. 무위험수익률 (Risk-free rate); “위험을 부담하지 않고 얻을 수 있다고 가정하는 수익률”.
 예를 들어 안전성이 매우 높은 국채의 수익률을 무위험수익률의 대용치로 사용합니다. 가령 무위험수익률이 3%라면, 아무런 위험을 부담하지 않고도 3%를 얻을 수 있다. 는 기준점이 생깁니다.

2. 주식 리스크 프리미엄 (Equity Risk Premium, ERP); 투자자가 주식이라는 위험한 자산을 보유하는 대가로 추가로 요구하는 수익률. 가장 기본적인 관계는 주식 리스크 프리미엄 = 주식의 기대수익률 - 무위험수익률.
 예를 들어 무위험수익률 = 3%, 주식시장 기대수익률 = 8% 라면, ERP=8%-3%=5%. 즉 투자자는 위험한 주식에 투자하는 대가로 무위험수익률보다 5%p 높은 기대수익률을 요구한다고 볼 수 있습니다.

3. CAPM에서는; E(R_i) = R_f + beta_i[E(R_m) - R_f ], 여기서 R_f = 무위험수익률, E(R_m) = 시장 포트폴리오의 기대수익률, E(R_m)-R_f = 시장 주식 리스크 프리미엄, beta_i = 해당 주식이 시장위험에 얼마나 민감한지
 예를 들어, R_f=3%, E(R_m)=8%, beta=1.2 이면 E(R_i)=3%+1.2(8%-3%)=9%. 따라서 이 주식의 요구수익률은 9%가 됩니다.
무위험수익률은 “가만히 있어도 얻을 수 있는 수익률”, 주식 리스크 프리미엄은 “주식의 위험을 감수하는 대가로 추가로 요구하는 수익률”이고 부도위험이 없는 10년물 미국채수익률이 무위험수익률로, 주식리스크 프리미엄은 1961년 3%에서 1980년 6.5%까지 변동하고 있다. 152

행동재무학(Behavioral Finance)은 사람들이 금융·투자 결정을 내릴 때 항상 합리적으로 행동하지 않는다는 점을 연구하는 분야다. 전통적인 경제학에서는 사람이 충분한 정보를 바탕으로 자신의 이익을 극대화한다고 가정하지만, 실제 투자자는 감정과 심리적 편향의 영향을 받는다. 
 대표적인 예가 다음과 같다.
 - 손실회피: 10만 원을 잃는 고통을 10만 원을 얻는 기쁨보다 크게 느낌 - 확증편향: 자신이 믿는 투자 의견을 뒷받침하는 정보만 찾음
- 군집행동: 다른 사람들이 사면 나도 사고, 다른 사람들이 팔면 나도 파는 현상 - 과잉확신: 자신의 판단이나 투자 능력을 실제보다 높게 평가
- 처분효과: 이익이 난 주식은 너무 빨리 팔고, 손실 난 주식은 지나치게 오래 보유 - 앵커링: 과거 주가나 매수가 같은 특정 숫자에 판단이 묶임

'집단의 지혜'와 연결하면 흥미로운 부분이 있다. 집단의 다양성이 높으면 더 좋은 결정을 할 가능성이 있지만, 금융시장에서는 그 다양성이 항상 유지되지 않는다. 예를 들어 처음에는
 > A: "이 주식은 저평가됐다."\ >  B: "아니다, 경기가 나빠질 것이다."\ >  C: "기술적으로 하락할 것 같다." 처럼 의견이 다양할 수 있다.
 그런데 주가가 오르기 시작하면 사람들이 서로의 행동을 관찰하면서 군집행동이 발생할 수 있다.  "다들 사니까 나도 사자." 그러면 다양한 의견 → 의견 수렴 → 군집행동 → 가격 왜곡이 나타날 수 있다. 그래서 행동재무학에서 중요한 질문 중 하나는 “개인의 비합리성이 어떻게 모여서 시장 전체의 비합리성으로 나타나는가?”다. 개미의 집단지성과도 상당히 재미있게 연결된다. 개미는 개별적으로는 단순한 행동을 하지만 집단적으로 효율적인 경로를 찾아낸다. 반면 인간의 금융시장에서는 개별적으로 합리적인 정보 탐색을 하더라도 서로의 행동을 모방하면서 집단적으로 비합리적인 결과가 나올 수 있다. 이는 스미스의 보이지않는 손과는 정 반대의 결과를 가져온다. 175 
                                                                   
아마존(AMZN)·델(DELL)·월마트(WMT)를 비교하면 재미있는 점이 있다. 셋 다 거대한 미국 기업이지만, 돈을 버는 구조와 투자자가 부여하는 PER이 완전히 다르다. 아래는 2026년 9월 9~10일 기준으로 정리한 것이다.
1. 사업구조
 | 기업  | 핵심 사업  | 돈 버는 방식  | 사업의 성격 |
| Amazon  | 온라인 유통 + AWS + 광고 + 구독  | 상품 판매, 수수료, 클라우드 사용료, 광고 | 플랫폼·성장형 |
| Dell Technologies  | AI 서버·데이터센터 + PC  | 서버·스토리지·PC 판매 및 서비스  | 하드웨어·AI 인프라형 |
| Walmart  | 대형마트 + 온라인 + Sam's Club + 광고  | 상품 판매, 회원료, 광고  | 소매·방어형 |

# 아마존; 단순히 “온라인 쇼핑 회사”로 보면 사업구조를 크게 놓치게 됩니다. 2025년 매출은 약 7,169억 달러였고, 이 중 서비스 매출이 약 4,207억 달러, 상품 매출이 약 2,963억 달러였습니다. AWS 매출만 1,287억 달러, 영업이익은 456억 달러였습니다.
 즉, 쇼핑 → 고객 확보 → 물류망 구축 → 판매자 유입 → 광고 → AWS → 구독 이라는 거대한 생태계를 가지고 있습니다. 특히 중요한 것은 AWS가 매출보다 이익에 훨씬 크게 기여한다는 것.
# 델; 과거의 단순한 PC 회사라는 이미지에서 상당히 달라졌습니다. 2026회계연도 매출은 1,135억 달러였고, Infrastructure Solutions Group(ISG): 608억 달러, Client Solutions Group(CSG): 510억 달러였습니다.
 특히 ISG 안에서 AI 최적화 서버 매출이 247억 달러로 크게 성장했습니다. 전년에는 93억 달러였습니다. 따라서 현재 델의 투자 포인트는 상당 부분 “AI 데이터센터 투자 → GPU 서버·네트워크·스토리지 수요 → Dell 매출 증가”라는 구조에 있습니다.
# 월마트; 세 회사 중 가장 전통적인 사업모델입니다. 2026회계연도 매출은 약 7,132억 달러였으며, 미국 사업에서만 약 4,826억 달러의 상품 매출을 올렸습니다. 미국 사업의 상품구성을 보면 식료품: 2,855억 달러, 일반상품: 1,151억 달러, 헬스·웰니스: 695억 달러 등입니다.
 즉 월마트의 본질은 “매일 사람들이 사야 하는 상품을 아주 싸게 팔고, 엄청난 판매량으로 이익을 만드는 사업”입니다. 여기에 최근에는 e-commerce, Walmart+, Marketplace, 광고(Walmart Connect) 등이 붙으면서 수익구조가 좋아지고 있습니다. FY26 미국 e-commerce 매출은 27% 증가했고, Walmart Connect 매출도 41% 증가했습니다.  

2. PER; 2026년 9월 9일 기준 대략적인 TTM PER은:
 | 기업  | PER  | 시장이 보는 핵심 |
| Amazon  | 약 20배  | 이익 성장 가능성 |
| Dell  | 약 31배  | AI 성장 기대 |
| Walmart  | 약 38배  | 안정성 + 지속 성장 | Amazon은 약 20.3배, Dell은 약 31.1배, Walmart는 약 38.2배 수준입니다. 여기서 상당히 중요한 현상이 나타납니다. 
가장 안정적인 회사인 월마트가 오히려 PER이 가장 높습니다. 반대로 많은 사람이 가장 성장성이 높다고 생각하는 아마존의 PER은 세 회사 중 가장 낮습니다.

3. 왜 이런 차이가 생길까? 단순히 “PER이 낮다 = 싸다” 라고 보면 안 된다. PER은 시장이 앞으로의 이익을 어떻게 예상하고 있는지까지 반영하기 때문이다.
# Amazon; 현재 PER ≈ 20. 시장은 아마존의 이익이 앞으로도 상당히 증가할 것으로 볼 수 있다. 특히 AWS와 광고가 중요. 아마존의 2025년 영업이익 800억 달러 중 AWS가 456억 달러였다. 
즉 전체 매출에서 AWS가 차지하는 비중보다 이익에서 차지하는 비중이 훨씬 큽니다. 따라서 아마존은 매출 성장 + AWS 마진 + 광고 + 물류 효율화가 동시에 개선되면 EPS가 크게 증가할 수 있습니다.
# Dell; PER ≈ 31. 여기에는 AI 서버 성장에 대한 기대가 상당히 들어 있다고 볼 수 있다. 실제로 FY26 AI 최적화 서버 매출은 247억 달러로 전년 93억 달러에서 급증했다. 하지만 여기에는 위험도 있다.
 AI 서버 투자가 계속 폭발적으로 증가해야 현재의 높은 밸류에이션을 정당화하기 쉽습니다. 즉 Dell은 “AI 투자가 계속된다”는 가정에 상당히 민감한 기업입니다.
# Walmart; PER ≈ 38. 여기서 가장 흥미롭다. 월마트는 일반적으로 성장주라고 생각하기 어렵다. 그런데 PER은 오히려 세 회사 중 가장 높다. 이유는 이익의 안정성과 사업의 질. 월마트는 경기침체가 와도 사람들이 식료품과 생활필수품을 계속 구매한다.
 그리고 최근에는 매장 → e-commerce → Walmart+ → Marketplace → 광고라는 생태계가 만들어지고 있습니다. 따라서 시장은 월마트의 이익을 상대적으로 안정적으로 평가하고 높은 배수를 지불하고 있는 것입니다.

4. 투자 관점에서 세 회사를 한 줄로 비교하면; Amazon = 성장 + 플랫폼 + AI/클라우드, Dell = AI 인프라 투자 사이클, Walmart = 안정적인 소비 + 유통망 + 광고/디지털이라고 볼 수 있다. 그래서 투자자의 성격도 달라진다.
 | 투자자가 원하는 것  | 상대적으로 적합한 기업 |
| 장기적인 성장  | Amazon |
| AI 인프라 성장에 직접 투자  | Dell |
| 안정적인 사업 + 방어력  | Walmart |
| PER만 보고 저평가 기업 찾기  | Amazon 쪽이 상대적으로 유리 |
| AI 투자 사이클에 베팅  | Dell |
| 경기침체 방어  | Walmart | 다만 PER만으로 어느 주식이 더 싸다고 결론 내리면 위험합니다. 특히 세 회사는 사업구조 자체가 달라서 PER + EPS 성장률 + FCF + 부채 + ROIC + 향후 성장률을 같이 봐야 합니다.
 
# 세 회사를 비교한다면; 현재 숫자만 놓고는 Amazon이 가장 흥미롭다. 왜냐하면 PER은 약 20배인데 AWS·광고·물류 효율화라는 이익 성장 동력이 동시에 존재하기 때문. 
반면 Dell은 AI 기대가 이미 주가에 상당 부분 반영됐고, Walmart는 사업은 매우 훌륭하지만 약 38배의 PER을 정당화할 만큼 앞으로 이익이 증가할 수 있는지가 핵심. 특히 “PER이 높은 Walmart와 PER이 낮은 Amazon 중 어느 쪽이 실제로 더 저평가인가?”를 따져보면 행동재무학에서 이야기한 시장 기대와 군집행동까지 연결해서 상당히 재미있는 분석이 됩니다. 194

버핏의 기업가치평가를 한마디로 요약하면 “기업이 앞으로 벌어들일 현금을 현재가치로 계산하고, 그 가치보다 충분히 싸게 사는 것”. 다만 버핏은 단순히 PER 하나를 보고 투자하지 않는다.
1. 버핏의 기본 공식; 개념적으로는 DCF(Discounted Cash Flow)와 같다. 기업가치={미래에 주주에게 귀속되는 현금흐름의 현가} + {터미널가치의 현가}
 쉽게 말하면, “이 기업이 앞으로 나에게 벌어다 줄 돈을 오늘 돈의 가치로 환산하면 얼마인가?”를 계산하는 것입니다. 버핏은 이를 흔히 내재가치(intrinsic value)라는 개념으로 설명합니다.

2. 그런데 버핏에게 더 중요한 것은 '숫자'보다 기업의 질; 버핏식 접근에서는 먼저 이런 질문을 한다.
① 이해할 수 있는 사업인가? “이 회사가 10년 후에도 무엇으로 돈을 벌지 알 수 있는가?” 
예를 들어 코카콜라처럼 사업모델이 단순하고 지속적인 기업은 장기적인 현금흐름을 추정하기 상대적으로 쉽지만 기술 변화가 너무 빠르거나 사업모델 자체가 불확실하면 아무리 정교한 DCF를 해도 미래 숫자가 틀릴 가능성이 높습니다.
② 경제적 해자(Economic Moat)가 있는가? 버핏이 매우 중요하게 보는 부분. 경쟁자가 쉽게 따라올 수 없는 지속적인 경쟁우위가 있는지를 본다. 이는 장기적인 현금흐름의 추정 정확도와 관련된다.
 예를 들면: 강력한 브랜드, 높은 전환비용, 네트워크 효과, 규모의 경제, 독점적 유통망, 낮은 원가 구조 입니다. 그래서 버핏식 질문은 단순히 “올해 이익이 얼마인가?” 가 아니라 “10년 후에도 이 회사가 지금의 경쟁력을 유지할 수 있는가?” 에 가깝습니다.

3. 높은 ROE/ROIC를 오래 유지할 수 있는가? 버핏은 자본을 적게 투입하면서 높은 이익을 계속 만들어내는 기업을 좋아한다.
 예를 들어 A기업과 B기업이 각각 순이익 100억 원을 벌었다고 해봅시다. A기업: 자기자본 500억, B기업: 자기자본 2,000억. A의 ROE는 100/500=20%, B는 100/2,000=5% 입니다.
 둘 다 100억을 벌었지만 자본을 훨씬 효율적으로 사용하는 A가 더 매력적일 수 있습니다. 다만 버핏식 분석에서는 단순한 ROE보다 부채를 많이 사용해서 만들어낸 높은 ROE인지도 확인해야 합니다.

4. '회계상 이익'보다 실제 현금창출력; 여기서 중요한 개념이 Owner Earnings(소유주 이익). 버핏은 기업의 회계상 순이익만 보는 것보다, “이 기업의 주인이 실제로 가져갈 수 있는 돈이 얼마인가?”를 중요하게 생각.
 단순화하면: Owner Earnings =approx 순이익 + 비현금비용 - 유지에 필요한 자본적지출. 여기에 운전자본 변동 등을 고려합니다. 즉, 순이익 → 실제 주주에게 남는 현금 으로 바꿔 생각하는 것입니다.

5. 성장률도 중요하지만 '성장의 질'이 더 중요; 버핏은 무조건 성장률이 높은 기업을 좋아하는 것이 아니다.
 예를 들어 기업 A: 매년 이익이 20% 증가하지만 막대한 설비투자가 필요하고 경쟁이 심해지고 부채가 증가한다면 높은 성장률이 기업가치를 크게 높이지 못할 수 있습니다.
 반면 기업 B: 매년 10% 성장하지만 추가 자본투자가 적고 높은 ROIC를 유지하고 가격 결정력이 있다면 훨씬 좋은 기업일 수 있습니다. 따라서 핵심은 “얼마나 빨리 성장하는가?” 보다 “얼마나 적은 자본으로 높은 수익을 재투자하면서 성장할 수 있는가?” 입니다.

6. 그리고 마지막이 '가격'; 여기가 버핏 투자에서 아주 중요.
 기업의 내재가치를 100이라고 계산했다고 해보겠습니다. 주가가 100 → 별로 매력적이지 않음, 90 → 조금 매력적, 70 → 상당히 매력적, 50 → 매우 매력적 일 수 있습니다. 즉, {좋은 기업을 좋은 가격에 산다}가 핵심입니다.
 여기서 안전마진(Margin of Safety)이라는 개념이 나옵니다. 안전마진 = {내재가치-시장가격}. 내재가치가 100이고 주가가 70이라면 {100-70}{100}=30% 의 안전마진입니다.

7. 이것을 앞서 이야기한 Amazon·Dell·Walmart에 적용하면; 이 부분이 재미있다.
 단순 PER 비교라면: Amazon \< Dell \< Walmart 순으로 PER이 낮습니다. 하지만 버핏식으로는 여기서 끝나지 않습니다.
# Amazon 질문: AWS와 광고가 앞으로 얼마나 많은 현금을 만들어낼까?  아마존의 경쟁우위가 10년 후에도 유지될까? 그 현금을 높은 수익률로 재투자할 수 있을까?
# Dell 질문: AI 서버 수요가 얼마나 오래 지속될까?  AI 인프라에서 Dell의 경쟁우위가 지속될까?  현재 높은 이익이 구조적인 것인가, 아니면 AI 투자 사이클의 결과인가?
# Walmart 질문: 거대한 유통망과 규모의 경제가 앞으로도 유지될까?  e-commerce와 광고 사업이 이익률을 얼마나 개선할까?  현재의 높은 PER을 감안해도 미래 현금흐름의 현재가치가 충분히 높은가? 이렇게 분석합니다.

# 결국 버핏식 기업가치평가를 7단계로 압축하면
① 사업을 이해한다② 경제적 해자를 찾는다③ 장기간 높은 ROIC/ROE를 유지할 수 있는지 본다④ Owner Earnings/FCF를 계산한다⑤ 미래 성장률과 재투자 가능성을 추정한다⑥ 미래 현금흐름을 현재가치로 할인해 내재가치를 구한다⑦ 내재가치보다 충분히 낮은 가격에 산다
 그리고 여기서 가장 어려운 부분은 DCF 계산 자체가 아니라 5번, 즉 “10년 후 현금흐름을 얼마나 정확하게 예측할 수 있느냐”입니다. 그래서 버핏은 계산을 잘하는 것보다 좋은 기업을 찾고, 예측 가능성이 높은 기업을 선택하는 것을 훨씬 중요하게 봅니다.257

Kelly Criterion(켈리 기준)은 반복적인 베팅/투자에서 한 번에 얼마를 걸어야 하는지 계산하는 방법으로 승률이 p, 패배 확률이 q=1-p, 이겼을 때의 순수익 배당률이 b라면: 전체 자산 중 베팅할 비율 = (p * b - q ) / b. b: 이겼을 때 얻는 순수익 / 베팅금이다. 예시
 승률이 60%이고, 이겼을 때 1:1로 수익이 난다고 하면: p=0.6, q=0.4, b=1, f*={1(0.6)-0.4}/{1}=0.2. 즉 켈리 기준은 자산의 20%입니다. 예를 들어 투자자산이 $10,000이라면:$10,000 * 20%=$2,000. 따라서 이론적인 풀 켈리 베팅은 $2,000입니다. 풀 켈리는 변동성이 상당히 클 수 있어서 Half Kelly(½ Kelly)를 많이 고려합니다. 위 예시라면: Full Kelly: 20%- Half Kelly: 10%- Quarter Kelly: 5%. 즉 켈리 기준은 “얼마나 확신하느냐”와 “배당/수익 대비 위험”을 함께 반영해서 포지션 크기를 결정하는 방법이라고 보면 된다. 켈리기준을 풀로 사용하려면 자본과 시간이 무한대여야 하기때문에 하프를 많이 사용하는데 베팅과 수익은 포물선형이므로 규모를 절반으로 줄여도 수익은 50%가 아닌 25%만 감소한다. 

 켈리 비율을 f*라고 할 때, c배 켈리를 사용하면 f=cf*다. 켈리 베팅의 로그성장률을 기준으로 보면, 최적점 근처에서는 성장률 손실이 제곱으로 발생한다.
| 전략  | 베팅 비율  | 장기 성장률*  | 변동성/위험  |수익감소율 수익감소-위험감소 비고
| Full Kelly  | 100% Kelly  | 100%  | 100%  |0 0 고위험
| Half Kelly  | 50% Kelly  | 약 75%  | 약 50%  |25 -25 고가성비
| Quarter Kelly  | 25% Kelly  | 약 44%  | 약 25%  |56 -19 저수익 * 이상적인 Kelly 가정하에서의 근사치. 268

S&P 500의 배당 재투자 포함 연간 총수익률을 기준으로 실제 장기 데이터를 보자. 1928~2025년 자료가 비교하기 좋다. 1928~2025년 비교지표와 연간 수익률
| 평균 (산술평균)  | 11.85% |
| 중앙값  | 15.22% |
| 표준편차  | 19.40% |
| 25% 분위수  | -1.17% |
| 75% 분위수  | 25.72% |
| 최악의 해  | -43.84% |
| 최고의 해  | +52.56% | 자료상 98년 중 26년은 마이너스였고, 나머지 72년은 플러스였다.

# 재미있는 부분: 중앙값이 평균보다 높다; 중앙값 15.22% > 평균 11.85%. 이것은 상당히 중요한 특징. 주식시장에는 평소에는 +10~30% 정도의 수익을 내는 해가 꽤 있지만, 대공황·금융위기 같은 극단적인 하락이 평균을 아래쪽으로 끌어내린다.
 실제로 연간 수익률 분포를 보면: -20% 이하: 6년 -20~-10%: 6년 -10~0%: 14년 0~10%: 15년 10~20%: 21년 20~30%: 18년 30~40%: 13년 40% 이상: 5년 
 따라서 단순히 “주식시장은 평균적으로 12% 오른다”라고 생각하면 실제 수익률 분포를 상당히 잘못 이해할 수 있다.

# 그런데 '최빈값'은?; 10% 단위로 나누면 가장 빈번한 구간은: 10~20% 수익률: 21회
 즉 아주 단순하게 표현하면: 평균 약 11.9% / 중앙값 약 15.2% / 가장 흔한 구간 10~20% 라고 볼 수 있습니다.

# 그리고 이것이 Kelly Criterion과 연결; 여기가 가장 중요한 연결점. 평균 수익률 11.85%를 그대로 Kelly 계산에 넣으면 안 된다. Kelly는 단순한 산술평균보다 수익률의 전체 분포와 로그성장률을 본다.
 예를 들어 +50% → -40% 라는 두 해의 평균은 +5%입니다. 하지만 $100가 100*1.5*0.6=90 이 되어 2년 후 $90밖에 안 됩니다. 즉 산술평균은 +5%인데 실제 자산은 감소합니다.
 그래서 장기투자에서는: 산술평균 → 중앙값 → 기하평균 → 로그성장률 순으로 생각하는 것이 좋습니다. 275

“지수 종목의 매년 평균 교체비율”을 S&P 500 기준으로 보면, 여기에는 두 가지 다른 개념이 있다.
1. 종목 수 기준 교체율; S&P의 공식 연구에 따르면 1995년~2021년 6월 S&P 500에서는 연평균 약 27개 종목이 편입되고 27개가 제외됐다. 기간 후반으로 갈수록 감소해서:
 - 1995~1999년: 연 약 35개 - 2000~2010년: 연 약 28개 - 2011년 이후: 연 약 21개 정도였습니다. S&P 500이 약 500종목이므로 단순히 종목 수로 계산하면 최근에는 연간 약 4% 정도가 교체되는 셈입니다.
2. 자산가중치 기준 교체율; 이것은 훨씬 낮다. S&P가 발표한 One-way turnover 자료를 보면 S&P 500의 연도별 자본가중 turnover는:| 2017 | 3.75% | 2018 | 4.77% | 2019 | 4.30% | 2020 | 4.17% | 2021 | 2.81% 이다.
 따라서 최근 S&P 500의 자산가중 교체율은 대략 연 3~5% 수준이라고 볼 수 있습니다. 283

주식투자에서 위험(risk)과 불확실성(uncertainty)은 비슷해 보이지만 중요한 차이가 있다.
 | 구분  | 위험 (Risk)  | 불확실성 (Uncertainty) |
| 의미  | 결과의 확률분포를 어느 정도 알고 있음  | 결과와 확률 자체를 정확히 모름 |
| 예측  | 확률로 계산 가능  | 확률 추정 자체가 어려움 |
| 예  | S&P 500의 역사적 변동성  | 앞으로의 구조적 변화 |
| 측정  | 표준편차, VaR, 최대낙폭 등  | 측정하기 훨씬 어려움 |
| Kelly 적용  | 비교적 적용 가능  | 과대 베팅 위험이 큼 | 예를 들어 S&P 500의 과거 데이터를 가지고 “연간 수익률의 평균은 약 12%, 표준편차는 약 19%였다.”라고 하면 이것은 위험을 어느 정도 수치화한 것입니다.
하지만 앞으로 20년 동안: AI가 생산성을 얼마나 높일지- 미국의 경제성장률이 어떻게 변할지- 금리가 어디까지 갈지- 전쟁이나 금융위기가 발생할지- 미국 주식의 밸류에이션이 어떻게 변할지 이런 것은 과거 데이터만으로 정확한 확률을 부여하기 어렵습니다. 이것이 불확실성입니다.

# Kelly에서는 불확실성이 특히 중요; Kelly 공식에서 가장 위험한 것은 p를 잘못 추정하는 것.
 예를 들어 실제 승률이 55%인데 내가 60%라고 잘못 추정하면 Kelly 베팅비율을 크게 잡게 됩니다. 따라서: 확률을 정확히 알고 있는 경우 → Full Kelly도 이론적으로 가능. 확률 추정에 불확실성이 큰 경우 → Half Kelly / Quarter Kelly가 훨씬 합리적 이라고 볼 수 있습니다.

# 주식시장에서는 무엇이 더 중요한가? 장기 주식투자에서는 다음처럼 구분해서 보는 것이 유용하다. 시장 변동성 → 위험, 미래 기대수익률 자체를 얼마나 정확히 알고 있는가 → 불확실성. 그리고 장기적으로는 후자가 상당히 중요.
 예를 들어 S&P 500의 과거 평균이 11~12%였다고 해서 앞으로도 11~12%가 될 확률이 높다고 단정할 수는 없습니다. 따라서 Kelly를 주식시장에 적용한다면 과거 변동성만 가지고 Full Kelly를 계산하는 것보다, 기대수익률의 불확실성을 반영해 Kelly 비율을 크게 할인하는 접근이 더 보수적입니다. 284

버핏의 방식은 Kelly Criterion을 직접 적용한다기보다, “기업의 미래 현금흐름을 보수적으로 추정 → 내재가치를 계산 → 현재 가격과 비교 → 확신도에 따라 투자 비중을 결정”하는 방식에 가깝다. Warren Buffett 의 사고방식을 단순화하면 다음과 같다.
1. 먼저 좋은 기업인지 고른다; 버핏은 단순히 “싸게 거래되는 주식”을 찾기보다 장기간 좋은 경제성을 가진 사업을 찾는다. 주로 보는 것은:
 - 지속적인 높은 자기자본수익률(ROE) - 높은 자본수익률(ROIC) - 강한 브랜드나 경쟁우위 - 가격 결정력 - 적은 부채 - 높은 현금창출력 - 경영진의 자본배분 능력 - 장기간 이익을 재투자할 수 있는 능력
 즉, “이 기업을 주식시장에 상장시키지 않고 통째로 산다면 얼마를 지불할 것인가?” 라는 관점입니다.

2. 미래 현금흐름을 추정한다; 그다음 기업이 앞으로 벌어들일 owner earnings(소유주 이익)를 생각한다. 아주 단순화하면 {Owner Earnings} = {순이익}+{비현금비용}-{유지보수 자본지출}-{추가 운전자본}를 구하고 미래 현금흐름을 현재 가치로 할인한다.
 여기서 중요한 것은 정밀한 숫자 하나를 만드는 것보다 미래 현금흐름을 합리적으로 추정할 수 있는 기업인가입니다. 버핏은 미래를 정확히 예측할 수 없는 기업은 아예 계산 대상에서 제외하는 경향이 있습니다.

3. 중요한 것은 '정확한 가치'보다 '가치의 범위'
 예를 들어 어떤 기업에 대해: 보수적 가치: $80- 기본 시나리오: $100- 낙관적 가치: $130 정도로 판단했다고 해보겠습니다. 주가가 $95라면 기대수익이 있더라도 불확실성이 큰 상황입니다. 
반대로 주가가 $55라면 이야기가 달라집니다. 기본 가치 $100에 $55라면: 약 45%의 안전마진이 있습니다.

4. 투자비율은 '확신도 + 가격'에 따라 결정; 버핏은 일반적으로 “Kelly 공식에 따라 23.7%를 투자한다” 같은 기계적인 방법을 사용하지 않는다. 오히려 이런 식의 사고에 가깝다.
| 상황  | 투자 비중 |
| 좋은 기업이지만 가치가 거의 없음  | 낮음/매수 안 함 |
| 좋은 기업 + 약간 저평가  | 중간 |
| 좋은 기업 + 상당한 저평가  | 높음 |
| 매우 높은 확신 + 큰 안전마진  | 매우 높음 |
| 미래 현금흐름을 예측하기 어려움  | 낮음/회피 |버핏이 말하는 “확신이 높을 때 집중하라”는 원칙이 여기서 나옵니다.

5. Kelly와 버핏의 차이
 |   | Kelly  | Buffett |
| 출발점  | 확률과 배당률  | 기업의 내재가치 |
| 핵심  | 기대 로그성장률  | 장기 현금흐름 |
| 가장 중요한 변수  | 승률/손익비  | 미래 Owner Earnings |
| 포지션 크기  | 수학적 계산  | 가치·가격·확신도 |
| 불확실성  | 확률로 모델링  | 안전마진으로 대응 |
| 분산  | 필요할 수 있음  | 높은 확신에서는 집중 |
| 매매  | 확률적 의사결정  | 기업의 장기 소유 |

# 그런데 둘은 완전히 다른 것은 아니다. 사실 버핏의 투자비율 결정은 직관적인 Kelly와 상당히 닮은 부분이 있다.
 예를 들어: 기업 가치 $100  현재 가격 $50  내가 가치 추정에 90% 확신 이라면 상당히 큰 비중을 투자할 수 있습니다.
 반면: 기업 가치 $100  현재 가격 $80  가치 추정에 60% 확신 이라면 훨씬 작은 비중을 투자하는 것이 합리적입니다. 즉, {투자비중}={기대수익}/{불확실성} 라는 사고가 양쪽에 공통적으로 존재합니다.

# 가장 중요한 차이: 버핏은 '확률을 모르는 위험'을 피한다
 예를 들어 기업 A의 미래 현금흐름이: $10일 확률 50% $15일 확률 50% 라면 확률을 이용해 가치평가하기가 비교적 쉽습니다.
 하지만 기업 B는 미래 현금흐름의 분포 자체를 신뢰할 수 없다면, 아무리 DCF를 정교하게 만들어도 결과가 허술할 수 있습니다. 그래서 버핏식 접근에서는: “계산할 수 있는 기업”을 찾는 것 자체가 중요한 투자 판단 입니다.

# 버핏식 투자 프로세스를 수학적으로 만들면 상당히 재미있는 구조다.
① 기업 선정 → ② Owner Earnings 추정 → ③ 보수적 DCF → ④ 내재가치 범위 산출 → ⑤ 안전마진 계산 → ⑥ 현금/채권 대비 기대수익 비교 → ⑦ 불확실성에 따른 Kelly 할인 → ⑧ 최종 투자비율 결정 289

https://www.yes24.com/product/goods/42753651

옮긴이 서문; 서문
1장 격자틀 정신모형 _ 세상 사는 지혜의 한 분야로서의 주식투자
찰리 멍거의 특별한 강의 벤저민 프랭클린의 획기적인 제안 인지과학이 밝혀낸 정신의 작동원리 격자틀 정신모형을 쉽게 이해하는 방법, 은유
격자틀 정신모형이라는 개념 주식투자는 ‘세상 사는 지혜’의 한 부분
2장 물리학 _ 경제학과 주식시장을 장악한 뉴턴의 이론
과학으로 세상을 이해하다 뉴턴의 ‘경이로운 한 해’ 세상에 대한 새로운 시각, 『프린키피아』 ‘균형이론’을 받아들인 경제학자들
경제학, 주식시장에 눈을 돌리다 미래 예측이 어려운 이유 시장에 관한 대안적 관점
3장 생물학 _ 진화와 자연선택, 진화와 주식시장선택
갈라파고스에서 마주친 핀치 『종의 기원』, 인류의 생각이 바뀌다 경제에 관한 생물학적 해석 낡은 패러다임에서 새로운 패러다임으로
술집 ‘엘파롤’ 사례 - 예측모형들의 생존 경쟁 금융 생태계와 생물 생태계 뉴턴 대 다윈이라는 두 관점
4장 사회학 _ 투자자와 주식시장 사이의 수수께끼 같은 관계
집단행동에 대한 이해 사회과학의 다양한 진화 자기조직화하는 사회 시스템 창발성이란 현상
대중 vs. 개인 다양성과 독립성이 의사결정에 미치는 영향 ‘대중의 지혜’에 대한 의심 모래더미 실험과 주식시장 주식시장은 끊임없이 불안정하다?
5장 심리학 _ 투자자를 움직이게 만드는 것들
고전경제학의 기반을 뒤흔든 심리학자 ‘손실 회피’라는 인간의 본성 ‘손실 회피’ 본능을 극복한 투자대가 빈번하게 거래하는 사람과 드물게 거래하는 사람
투자자가 용감해질 때와 소심해질 때 정신모형을 통해 세상을 보다 주식전문가들의 주장이 매력적인 이유 시장의 소음과 투자 ‘오판의 심리학’에 대한 경계

6장 철학 _ 비판적이고 유연한 사고를 지닌 투자자가 되는 길
철학이라는 탐구 영역 무질서는 우리가 이해하지 못하는 질서일 뿐 비트겐슈타인의 삼각형 설명이 쉽지 않은 기업, 아마존닷컴
내러티브(서사)와 통계의 조화 진리는 세상에서 그것의 쓸모에 의해 결정된다 스타 강사 윌리엄 제임스의 실용주의 ‘특강’ 실용주의와 격자틀 정신모형 다르게 해석하는 방법을 갖는다는 것
7장 문학 _ 상상 속 경험으로부터 투자자가 배우는 것
세인트존스 칼리지의 독서 수업 독서의 기술 아들러의 4단계 독서법 : 수준 높은 독서가가 되는 길 ‘지식을 전달하는 책’ 독서법
독서와 분석능력의 상관관계 창작문학의 힘 그리고 투자자 미 육군사관학교의 독서프로그램 추리소설에서 배우는 투자의 지혜 현명하고 분석적인 독자가 된다는 것
8장 수학 _ 시장의 불확실성을 줄여주는 도구
이솝 우화에서 찾아낸 최고의 투자법 현재가치할인 개념의 탄생 확률이론의 역사 베이즈 정리를 활용한 투자의사결정
라스베이거스에서도 통한 켈리 기준 중간값에 대한 오해, 횡보장에 대한 오해 평균으로의 회귀 어제의 평균이 내일은 평균이 아니다
블랙 스완, 평범을 벗어난 극단의 불확실성 세상은 합리적이지도, 비합리적이지도 않다
9장 의사결정 _ 다양한 학문이 의사결정에 미치는 영향
직관과 이성이라는 두 가지 마음 고슴도치와 여우의 의사결정 지능검사가 놓치는 것 똑똑한 사람들의 게으른 자기 통제
효과적인 투자모형을 만드는 방법 망치만 가진 사람은 모든 문제가 못으로 보인다 더 나은 투자결정을 위해 주식시장을 폭넓게 살펴보는 방법
감사의 말; 세인트존스 칼리지 독서목록; 미주; 참고문헌; 이 책에 등장하는 인물들