시장이 하루 만에 12% 넘게 빠진 날, 저는 MTS 대신 프롬프트 창을 열었습니다. 솔직히 처음엔 그게 가능한 일인지도 몰랐습니다. AI를 주식에 쓴다는 게 차트를 대신 읽어주는 건줄 알았거든요. 실제로 써보니, 그보다 훨씬 근본적인 곳에서 변화가 생겼습니다.
감정이 먼저 반응하는 순간, AI를 켜는 이유
주식 투자에서 가장 위험한 순간은 시장이 폭락할 때가 아닙니다. 내가 무너질 때입니다. 뉴스에 '전쟁'이라는 단어가 뜨면 손이 먼저 MTS로 향하고, "지금 팔아야 하나"라는 생각이 모든 판단을 덮어버리죠. 제가 직접 겪어봐서 압니다. 예전엔 유명 인플루언서 말 한마디에 포트폴리오가 흔들렸고, 그 사람 다음 영상이 올라올 때까지 결정을 미뤘습니다.
그런 방식으로 투자하다 보면 결국 내 판단이라는 게 없어집니다. 다른 사람의 메시지를 기다리는 구조가 되고, 그 사람이 틀리면 같이 틀리는 겁니다.
변화는 시장이 크게 빠진 날, 매도 버튼 대신 프롬프트를 열면서 시작됐습니다. "1980년부터 지금까지 전쟁이 발발했을 때, 향후 1년간 주가 지수는 어떻게 변했는가?" 이걸 AI에게 물었습니다. 결과는 예상보다 명확했습니다. 13번의 역사적 전쟁 국면을 살펴봤을 때, 낙폭이 컸던 구간 이후 거의 대부분 반등이 있었습니다.
여기서 중요한 건 그 데이터 자체가 아닙니다. 불안한 상태에서도 과거 데이터를 기반으로 생각할 수 있었다는 점입니다. 이것이 AI를 투자에 쓰는 핵심 이유입니다. AI가 돈을 벌어주는 게 아니라, 내가 흔들리지 않도록 정보를 구조화해 주는 겁니다.
히스 형제의 의사결정 프레임워크인 WRAP(W: 투자 지평 넓히기, R: 가정의 현실 검증, A: 결정 전 거리 두기, P: 틀릴 때를 대비하기)은 AI 등장 이전에 나온 이론입니다. 여기서 WRAP이란 감정적 판단을 피하고 구조화된 의사결정 과정을 밟기 위한 4단계 프레임을 의미합니다. AI와 결합하면 이 과정이 훨씬 빠르고 정밀해집니다. 백테스트(back-test)도 그 연장선에 있습니다. 백테스트란 과거 데이터를 기반으로 특정 투자 전략이 실제로 어떤 성과를 냈는지 시뮬레이션해 보는 분석 방법입니다.
코스피 46년치 일별 주가 데이터를 올리고 "1년 보유 시 승률", "5년 보유 시 승률", "10년 보유 시 승률"을 각각 분석해 보면 숫자가 말합니다. 보유 기간이 길어질수록 수익 구간에 놓이는 확률이 압도적으로 높아집니다. S&P 500 기준으로 10년 이상 보유 시 수익 승률은 90%를 넘는다는 통계도 이를 뒷받침합니다(출처: Dimensional Fund Advisors).
그런데 제가 직접 백테스트를 여러 전략에 적용해 보면서 느낀 건 이겁니다. 한 시장에서 좋은 결과가 나온 전략이, 다른 시장에서는 오히려 벤치마크보다 더 낮은 성과를 낼 수 있습니다. 돈치안 채널 전략(20일 고점 돌파 시 매수, 20일 저점 이탈 시 매도)을 코스피와 비트코인에서 테스트했을 때는 초과 수익처럼 보였지만, S&P 500에 같은 로직을 적용했더니 지수 그냥 추종보다도 못한 결과가 나왔습니다. 만능 전략은 없다는 것, AI가 보여준 가장 중요한 교훈이었습니다.
클로드 코워크로 만드는 1인 투자 하우스의 실제
클로드 코워크(Claude Cowork)는 기존 생성형 AI와 결정적으로 다른 부분이 있습니다. 단순히 질문에 답하는 게 아니라 업무 흐름 자체를 자동화할 수 있습니다. 여기서 자동화란, 예전처럼 파이썬 코드를 직접 짜거나 셀레니움 같은 라이브러리를 다뤄야 했던 작업을, 자연어로 지시하는 것만으로 처리할 수 있게 됐다는 의미입니다.
클로드 코워크의 핵심 구조는 세 가지로 구성됩니다.
- 스킬(Skill): 리서치, 실적 분석, 기업 분석 보고서 생성 등 투자에 필요한 기능 모음
- 커넥터(Connector): AI가 외부 데이터를 가져오기 위한 도구 연결. MCP(Model Context Protocol) 방식으로 오픈다트(전자공시시스템), 야후 파이낸스 등과 연결 가능
- 플러그인(Plugin): 섹터 분석 → 종목 스크리닝 → 실적 분석 → 심층 보고서 생성까지의 투자 의사결정 흐름 전체를 단계별로 배정
여기서 MCP(Model Context Protocol)란, AI 모델이 외부 데이터베이스나 서비스에 직접 접근할 수 있도록 연결해 주는 표준 도구 연결 방식입니다. 예를 들어 오픈다트 MCP를 연결하면, AI가 금융감독원 전자공시시스템의 재무제표 데이터를 직접 불러와 수치를 입력합니다. 사람이 공시 사이트를 열어서 하나하나 확인하던 과정이 자동화되는 것입니다.
제가 직접 써봤는데, 할루시네이션(hallucination) 문제가 우려됐습니다. 할루시네이션이란 AI가 사실이 아닌 정보를 그럴듯하게 생성하는 현상입니다. 그런데 오픈다트처럼 공신력 있는 공공 API에서 정량 데이터를 끌어오면, 이 문제가 상당 부분 해소됩니다. 처음에는 모든 수치를 직접 대조해 봤고, 지금은 그 과정 없이도 신뢰하고 사용하고 있습니다.
실용적인 활용 흐름을 정리하면 이렇습니다.
- 섹터 조감: AI에게 "전력 인프라 섹터 전체 밸류체인을 분석해줘"라고 입력하면 웹 검색과 공시 데이터를 병렬로 처리해 보고서를 생성합니다.
- 종목 스크리닝: 해당 섹터에서 관심 기업 목록을 추려 매출, 영업이익, 수익성 지표를 비교합니다.
- 실적 분석: 단일 기업의 어닝스 어낼리시스(earnings analysis, 실적 분석)를 진행합니다. 영업이익 추이, 이익률 분해 등 차트까지 자동 생성됩니다.
- 트래킹 자동화: 매수 후 투자 이유를 기록해 두면, AI가 "왜 파시려는 거죠?"라고 역으로 묻습니다. 충동 매도를 막는 구조입니다.
특히 4번이 제게는 가장 실질적인 변화였습니다. 예전엔 매수 이유를 기록해두지 않았습니다. 그러니 주가가 흔들리면 기억에 의존하거나, 감정에 기대는 수밖에 없었습니다. 지금은 에버노트에 투자 일지가 자동으로 기록되고, AI가 그 기록을 참고해서 판단을 확인해 줍니다.
이런 시스템을 개인이 구축할 수 있게 됐다는 것 자체가 의미 있는 변화입니다. 기관투자자들은 수십 명의 애널리스트와 리서치 인력을 운용합니다(출처: 금융투자협회). 개인이 같은 수준의 정보 처리 구조를 가질 수 없었던 가장 큰 이유가 인력과 비용이었는데, AI가 그 격차를 좁혀주고 있는 겁니다.
다만, 제 경험상 이건 분명히 짚고 넘어가야 합니다. AI가 생성한 보고서를 거의 정답처럼 받아들이면 오히려 더 위험해질 수 있습니다. 잘못된 데이터가 들어가거나 잘못된 컨텍스트(context)가 제공되면, AI는 그 오류를 그럴듯한 논리로 포장해 돌려줍니다. 컨텍스트 엔지니어링이란 AI에게 어떤 질문을 잘 던지느냐가 아니라, 어떤 데이터와 맥락을 제공하느냐에 집중하는 접근법입니다. 좋은 데이터를 넣어야 좋은 결과가 나온다는 당연한 원칙이지만, 실제로 지키기가 쉽지 않습니다. 결국 최종 판단은 사람이 해야 합니다.
AI가 투자 판단을 대신해 준다는 생각으로 접근하면, 감정을 통제하는 대신 AI에 의존하는 또 다른 감정적 투자가 될 수 있습니다. 도구를 잘 쓰는 사람과 도구에 끌려다니는 사람의 차이는, 결국 자기 판단의 기준이 있느냐 없느냐에 달려 있습니다.
이 글은 개인적인 경험과 의견을 공유한 것이며, 전문적인 금융 투자 조언이 아닙니다. 투자 결정은 반드시 본인의 판단과 책임 아래 이루어져야 합니다.