서론: 답을 모를 때 실험으로 답을 찾는 방법

복잡한 시스템의 결과를 분석적으로 풀 수 없을 때, 또 다른 접근은 그 시스템을 반복적으로 시뮬레이션해 결과의 분포를 관측하는 것입니다. 몬테카를로 시뮬레이션은 이 접근의 통계적 표준이며, 1940년대 맨해튼 프로젝트의 핵분열 계산에서 처음 체계화되었습니다. 이름은 도박의 도시 몬테카를로에서 따왔으며, 무작위성을 도구로 활용한다는 발상이 핵심입니다. 본 글은 몬테카를로의 기본 원리에서 출발해 실무 적용 단계와 결과 해석의 주의점을 단계별로 살펴봅니다.

몬테카를로의 작동 원리

큰 수의 법칙이라는 통계학의 기본 정리에서 시작해, 가장 단순한 사례인 원주율 추정까지를 한 흐름으로 정리합니다.

기본 원리: 큰 수의 법칙

몬테카를로 시뮬레이션의 작동 근거는 큰 수의 법칙입니다. 충분히 많은 무작위 표본을 추출하면 표본 평균이 이론적 기댓값에 수렴한다는 통계학의 기본 정리이며, 시뮬레이션 횟수를 늘릴수록 결과의 정확도가 체계적으로 개선됩니다. 몬테카를로 방법의 수학적 기반은 무작위 추출이 단순한 추측이 아니라 통계적으로 정당화된 수치 계산 방법임을 보여줍니다. 분석적으로 풀리지 않는 문제도 시뮬레이션을 통해 수치적 답을 구할 수 있다는 점이 이 방법의 핵심 가치이며, 이는 현대 계산 통계학의 출발점이기도 합니다.

단순한 사례: 원주율 추정

몬테카를로의 직관을 가장 쉽게 보여주는 예시는 원주율의 시뮬레이션 추정입니다. 한 변이 1인 정사각형 안에 반지름 1의 사분원을 그리고, 정사각형 안에 무작위로 점을 던집니다. 점이 사분원 안에 떨어진 비율은 사분원의 면적 비율과 같으며, 이로부터 원주율을 역산할 수 있습니다. 10,000개의 점을 던지면 원주율의 추정값은 약 3.14에 수렴하며, 100만 개로 늘리면 소수점 셋째 자리까지 정확해집니다. 이 단순한 예시는 무작위 추출이 결정적 수치 계산을 어떻게 대체할 수 있는지를 직관적으로 보여주며, 동일한 원리가 훨씬 복잡한 시스템에도 적용됨을 시사합니다.

실무 적용의 단계

몬테카를로 시뮬레이션은 추상적 도구가 아니라 구체적 의사결정에 적용 가능한 절차입니다. 적용에는 네 단계가 있으며, 각 단계의 정확도가 최종 결과의 신뢰도를 결정합니다.

1단계: 입력 변수의 확률 분포 정의

시뮬레이션의 첫 단계는 모델의 입력 변수 각각에 확률 분포를 부여하는 것입니다. 매출 성장률이 평균 8%이고 표준편차가 3%라면 정규분포로 모델링할 수 있으며, 변동성이 비대칭이라면 로그정규분포나 베타분포가 더 적합합니다. 분포 선택의 정확도가 시뮬레이션의 신뢰도를 좌우하며, 잘못된 분포 가정은 결과 전체를 무효화합니다. Investopedia의 몬테카를로 적용 사례는 금융 분야에서 자주 사용되는 분포 형태와 그 선택 근거를 제시합니다. 분포 선정에서 가장 흔한 오류는 정규분포를 기본값으로 가정하는 것이며, 두꺼운 꼬리를 가진 실제 데이터에 정규분포를 적용하면 극단값의 발생 확률이 체계적으로 과소평가됩니다.

2단계: 변수 간 상관관계 반영

입력 변수가 서로 독립이 아니라면 상관관계를 시뮬레이션 모델에 반영해야 합니다. 매출과 환율, 금리와 부동산 가격은 통계적으로 상관관계를 가지며, 이를 무시한 시뮬레이션은 실제 위험을 과소평가하거나 과대평가합니다. McNair의 기댓값 사고 분석에서 다룬 시나리오 분해의 완결성 원칙이 여기서도 동일하게 작동합니다. 상관관계는 콜레스키 분해나 코퓰러 함수를 사용해 시뮬레이션에 명시적으로 반영하며, 이 과정 없이는 다변량 시스템의 결과 분포가 실제와 크게 어긋날 수 있습니다.

3단계: 반복 시행과 결과 집계

분포와 상관관계가 정의되면 충분히 많은 횟수의 무작위 추출을 통해 시뮬레이션을 반복합니다. 일반적으로 10,000회 이상의 시행이 권장되며, 결과의 안정성을 확인하려면 시행 횟수를 두 배로 늘려도 결과가 거의 변하지 않는지 검증해야 합니다. 큰 수의 법칙은 시행 횟수가 늘어날수록 표본 통계량이 모집단 모수에 수렴함을 보장하지만, 수렴 속도는 분포의 형태에 따라 다르며 두꺼운 꼬리 분포에서는 훨씬 더 많은 시행이 필요합니다.

4단계: 결과 해석과 의사결정 연결

시뮬레이션이 산출하는 것은 단일 숫자가 아니라 결과의 분포입니다. 평균, 중위값, 5% 분위, 95% 분위를 함께 보고해야 의사결정에 필요한 정보가 완성됩니다. 특히 극단 분위의 값은 위험 관리의 핵심 지표이며, 드로우다운과 변동성을 동시에 평가하는 표준 접근의 출발점이 됩니다. 평균만 보고 결정을 내리는 것은 시뮬레이션의 가장 큰 장점을 포기하는 것이며, 분포의 형태가 의사결정의 핵심 정보입니다.

시뮬레이션의 한계와 검증

몬테카를로 시뮬레이션은 입력 분포의 가정이 정확할 때만 유효합니다. 입력값이 부정확하면 아무리 정교한 시뮬레이션도 잘못된 결과를 산출하며, 이는 시뮬레이션 결과의 정밀도가 결코 정확도를 보장하지 않음을 의미합니다. 가정의 강건성을 검증하려면 입력 분포를 약간씩 변경하면서 결과가 어떻게 달라지는지를 관찰하는 민감도 분석이 필요하며, 이는 결과가 특정 입력값에 과도하게 시뮬레이션신뢰성 평가에필수절차입니다