주식과 채권 비중 6:4가 정말 정답일까? 파이썬으로 직접 계산해봤습니다

주식과 채권을 어느 정도 비율로 가져가야 하는지 고민하시는 분들이 많아 관련 내용을 정리했습니다. 흔히 이야기하는 주식 60, 채권 40의 전통적인 비중이 모든 사람에게 동일하게 적용되는 것은 아니어서, 본인의 투자 성향이나 목표 기간에 맞게 조절하는 것이 중요합니다. 특히 나이와 자산 규모에 따라 리스크를 감수하는 능력이 다르기 때문에, 이를 객관적인 데이터를 가지고 직접 확인하는 방법까지 함께 담았습니다. 매번 감으로 투자하느라 불안하셨던 분들이라면, 현재 보유 중인 자산의 비중을 차분히 점검하실 때 훌륭한 나침반이 되어줄 것입니다.

주식 투자를 하다 보면 한 번쯤 이런 이야기를 듣습니다.

“주식 60%, 채권 40% 정도로 나누면 괜찮아요.”

처음에는 꽤 합리적으로 들립니다. 주식으로 수익을 추구하면서 채권을 넣어 변동성을 낮추자는 이야기니까요. 그런데 여기서 질문 하나를 해볼 필요가 있습니다.

내 나이도 다르고, 투자기간도 다르고, 가지고 있는 자산도 다른데 왜 모두에게 같은 6:4 비율이 적용되어야 할까요?

더구나 금리도 계속 움직입니다.

한국은행은 2026년 9월 통화신용정책보고서에서 기준금리를 기존 2.50%에서 3.00%까지 두 차례 연속 인상했다고 밝혔습니다. 금리가 변하면 채권 가격과 기대수익 환경 역시 달라질 수 있기 때문에 과거에 사용하던 자산배분 비율을 그대로 유지하는 것이 항상 같은 결과를 가져오는 것은 아닙니다.

그래서 저는 단순히 “6:4가 좋다, 아니다”라고 결론을 내리기보다 파이썬으로 주식과 채권의 과거 시계열 데이터를 가져와 여러 비중을 만들어보고 위험 대비 수익을 비교하는 방법을 살펴봤습니다.

결론부터 말하면 중요한 것은 6:4라는 숫자 자체가 아니었습니다.

내 투자 목적에 맞는 위험 수준과 그 비중을 어떻게 유지할 것인가가 더 중요했습니다.

마코워츠 평균-분산 최적화 모형의 한계와 리샘플링 기법을 통한 효율적 구현

6:4는 정답이라기보다 자산배분의 출발점입니다

60:40 포트폴리오는 주식에 60%, 채권에 40%를 배분하는 대표적인 자산배분 방식입니다. Vanguard 역시 자산배분의 예시로 공격형 80:20, 중립적인 성향의 60:40, 보수적인 형태의 40:60 등을 소개하고 있습니다.

여기에서 중요한 부분은 60:40이 모든 투자자에게 정해진 답이라는 의미가 아니라는 점입니다. 적절한 비중은 투자자의 위험감수 수준, 투자기간, 투자 목적에 따라 달라질 수 있습니다.

실제로 최근에는 글로벌 운용사들도 60:40을 기계적으로 고정하지 않습니다.

Vanguard가 공개한 동적 자산배분 모델 가운데 중립적인 Dynamic ETF Series는 주식 비중을 일정 범위 내에서 조절하고 있으며, 2026년 6월 말 기준 채권 비중은 약 43.6%였습니다. 시장 전망과 위험·수익 조건에 따라 전략적 비중과 실제 운용 비중이 달라질 수 있다는 의미입니다.

여기서 투자자가 흔히 하는 착각이 하나 있습니다.

“채권을 넣으면 주식이 떨어질 때 항상 올라주겠지.”

그렇지만 현실에서는 항상 그렇지는 않습니다.

대표적인 미국 주식 ETF와 중기 미국 국채 ETF의 과거 자료를 보면 2022년에는 SPY가 약 18.2% 하락한 동시에 IEF도 약 15.2% 하락했습니다. 즉 특정 환경에서는 주식과 채권이 동시에 부진할 수도 있습니다.

BlackRock 역시 최근 높은 인플레이션과 공급 측 충격이 과거의 주식·채권 분산 관계를 약화시킬 수 있다고 분석하고 있습니다.

따라서 중요한 질문은 이것입니다. “채권이 좋을까, 주식이 좋을까?”가 아니라 “두 자산을 어느 정도 섞었을 때 내가 감당할 수 있는 위험 안에서 효율적인 결과를 기대할 수 있을까?”입니다.

파이썬으로 주식·채권 비중을 1만 번 만들어보면?

이럴 때 활용할 수 있는 방법 가운데 하나가 몬테카를로 시뮬레이션입니다.

어렵게 들리지만 원리는 생각보다 단순합니다.

주식과 채권의 과거 데이터를 가져온 뒤 주식 30%, 채권 70%, 주식 52%, 채권 48%처럼 다양한 조합을 무작위로 수천 번 만들어보는 것입니다.

그리고 각 조합마다

1. 예상수익률
2. 변동성
3. 샤프지수

를 계산합니다.

샤프지수는 간단하게 말하면 감수한 변동성에 비해 어느 정도의 초과수익을 얻었는지를 살펴보는 지표입니다.

샤프지수가 높다는 것은 같은 위험을 부담했을 때 과거 데이터상 상대적으로 효율적인 수익 구조를 보였다는 뜻으로 이해할 수 있습니다.

CFA Institute 역시 자산배분을 평가하는 과정에서 몬테카를로 시뮬레이션과 시나리오 분석을 활용할 수 있다고 설명하고 있습니다.

예를 들어 미국 주식과 미국 중기 국채를 단순화해 비교한다면 아래와 같은 파이썬 코드를 사용할 수 있습니다.

import yfinance as yf
import numpy as np
import pandas as pd

# 예시 자산
tickers = ["SPY", "IEF"]

# 과거 가격 데이터
data = yf.download(
    tickers,
    start="2015-01-01",
    auto_adjust=True,
    progress=False
)

prices = data["Close"].dropna()

# 일간 수익률
returns = prices.pct_change().dropna()

# 연환산 기대수익률과 공분산
annual_returns = returns.mean() * 252
annual_cov = returns.cov() * 252

# 무위험수익률 예시
# 실제 분석에서는 분석 시점·통화·투자기간에 맞춰 조정 필요
risk_free_rate = 0.03

num_portfolios = 10000
results = []

rng = np.random.default_rng(42)

for _ in range(num_portfolios):

    weights = rng.random(len(tickers))
    weights = weights / weights.sum()

    portfolio_return = np.dot(
        weights,
        annual_returns
    )

    portfolio_volatility = np.sqrt(
        np.dot(
            weights.T,
            np.dot(annual_cov, weights)
        )
    )

    sharpe_ratio = (
        portfolio_return - risk_free_rate
    ) / portfolio_volatility

    results.append([
        weights[0],
        weights[1],
        portfolio_return,
        portfolio_volatility,
        sharpe_ratio
    ])

result_df = pd.DataFrame(
    results,
    columns=[
        "SPY 비중",
        "IEF 비중",
        "예상수익률",
        "변동성",
        "샤프지수"
    ]
)

max_sharpe = result_df.loc[
    result_df["샤프지수"].idxmax()
]

print(max_sharpe)

이 코드를 실행하면 과거 데이터 기준으로 샤프지수가 가장 높았던 주식·채권 조합을 찾을 수 있습니다.

여기서 꼭 주의해야 할 부분이 있습니다.

컴퓨터가 특정 비중을 계산했다고 해서 그 비중이 앞으로도 가장 좋은 비중이라는 뜻은 아닙니다.

시작 날짜를 바꾸거나 종료 날짜를 바꾸고, 주식과 채권의 종류를 바꾸거나 무위험수익률을 변경하면 결과도 달라질 수 있습니다.

바로 이 부분이 투자에서 중요한 포인트입니다.

샤프지수 켈리최적화의 접점을 활용한 레버리지 ETF 단기스윙비중 설정모델

샤프지수가 가장 높은 비중을 그대로 따라가면 안 되는 이유

몬테카를로 시뮬레이션을 처음 해보면 상당히 재미있습니다.

컴퓨터가 수많은 조합을 계산한 뒤

“이 비중에서 샤프지수가 가장 높습니다.”

라고 보여주기 때문입니다.

문제는 여기서부터입니다.

우리는 그 숫자를 보면 자연스럽게 “그럼 이 비율로 투자하면 되는 것 아닌가?”라고 생각하게 됩니다.

하지만 과거 데이터를 이용한 최적화에는 명확한 한계가 있습니다.

CFA Institute도 백테스트는 과거 환경에서 전략이 어떻게 작동했는지를 살펴보는 방법이며, 과거에 나타난 변수들이 미래의 모든 상황을 포함하지는 않는다고 설명합니다. 몬테카를로 역시 어떤 분포와 입력값을 사용하느냐에 따라 결과가 달라질 수 있습니다.

실제로 최근 10년간의 자료만 사용한다면 주식의 강세가 결과에 강하게 반영될 가능성이 있습니다.

2026년 9월 15일까지의 최근 10년 연환산 총수익률을 보면 SPY는 약 15.2%, IEF는 약 0.3%로 큰 차이를 보였습니다. 이런 구간만 분석하면 최적화 모델이 주식 비중을 상대적으로 높게 평가할 가능성이 있습니다.

반대로 금융위기나 고금리·고물가 구간을 어떻게 포함하느냐에 따라 결과는 달라질 수 있습니다.

그래서 실제 분석에서는 한 번만 돌리는 것보다 다음을 같이 확인하는 편이 좋습니다.

최근 3년 데이터를 사용했을 때는 어떻게 나오는지,

최근 5년과 10년에서는 결과가 어떻게 달라지는지,

주식 100%와 60:40의 최대낙폭은 얼마나 차이가 나는지,

채권을 단기채와 중장기채로 바꾸면 어떻게 달라지는지,

일정 기간마다 리밸런싱했을 때 결과가 어떻게 변하는지까지 보는 것입니다.

상담하면서도 비슷한 오해를 자주 만나게 됩니다.

“최근 수익률이 가장 높은 자산 비중을 늘리면 되지 않나요?”

꼭 그렇지는 않습니다.

최근 수익률이 높았다는 사실과 앞으로 위험 대비 효율이 좋다는 것은 다른 이야기이기 때문입니다.

투자는 백미러만 보고 운전할 수는 없습니다.

개인형 IRP계좌 채권혼합형 펀드의 위험평가지표 샤프비율 계산

그렇다면 내 주식·채권 비중은 어떻게 정해야 할까?

여기서부터는 수익률보다 사람을 먼저 봐야 합니다.

같은 포트폴리오라도 누구에게는 편안할 수 있고 누구에게는 견디기 어려울 수 있기 때문입니다.

예를 들어 투자기간이 길고 큰 가격 변동을 감당할 수 있는 투자자라면 상대적으로 주식 비중을 높게 가져가는 전략을 검토할 수 있습니다.

반대로 가까운 시기에 자금 사용 계획이 있거나 평가금액의 큰 변동이 스트레스가 되는 투자자라면 동일한 비중을 적용하기 어렵습니다.

채권 역시 하나로 묶어서 보면 안 됩니다. 단기채, 중기채, 장기채는 금리 변화에 대한 민감도가 다르고 국채와 회사채의 위험 구조도 다릅니다.

가격만 보고 상품을 고르면 이런 차이를 놓치기 쉽습니다. 따라서 저는 자산배분을 볼 때 최소한 다음 순서로 확인하는 편이 합리적이라고 생각합니다.

1. 이 돈을 언제 사용할 것인가
2. 어느 정도의 평가손실까지 견딜 수 있는가
3. 현재 주식·채권·현금 비중이 어떻게 되어 있는가
4. 각각 어떤 종류의 주식과 채권을 보유하고 있는가
5. 정기적으로 비중을 다시 맞출 기준이 있는가
6. 세금·수수료·거래비용까지 고려했는가

그리고 샤프지수 하나만 보지 않습니다.

최대낙폭인 MDD, 변동성, 연환산 수익률, 리밸런싱 빈도 등을 함께 살펴봐야 합니다.

샤프지수가 조금 높은 전략이라도 실제 하락장에서 내가 버티지 못한다면 현실에서는 좋은 전략이 되기 어렵기 때문입니다.

특히 이미 여러 ETF와 펀드를 보유하고 있다면 “새로운 상품을 무엇을 살까?”부터 고민하기보다 현재 내 계좌 전체를 한 번 펼쳐보는 것이 먼저입니다.

주식형 ETF를 여러 개 가지고 있어도 실제로는 비슷한 종목이 중복돼 있을 수 있고, 채권을 가지고 있다고 생각했지만 전체 금융자산에서 차지하는 비중은 매우 작을 수도 있습니다.

결국 중요한 것은 상품 개수가 아니라 전체 포트폴리오의 구조입니다.

6:4보다 중요한 것은 내 기준을 만드는 것입니다

주식 60%, 채권 40%.

오랜 기간 사용되어 온 대표적인 자산배분 방법이고 지금도 충분히 참고할 가치가 있습니다.

하지만 그 비율 자체를 정답처럼 받아들일 필요는 없습니다.

투자기간도 다르고, 투자 목적도 다르고, 감당할 수 있는 변동성도 사람마다 다르기 때문입니다.

파이썬과 몬테카를로 시뮬레이션의 가장 큰 장점도 “미래의 정답을 알려준다”는 데 있지 않습니다.

내가 막연하게 생각했던 자산배분을 숫자로 확인해볼 수 있다는 데 있습니다.

지금 내 포트폴리오가 주식에 지나치게 몰려 있는지, 채권을 가지고 있지만 실제 완충 역할을 할 정도의 비중인지, 시장 상승 과정에서 처음 정했던 비중이 크게 달라진 것은 아닌지 확인하는 것입니다.

이미 투자하고 있는데 자산배분이 애매한 분이라면 새로운 상품을 추가하기 전에 현재 계좌의 주식·채권·현금 비중부터 정리해보셔도 좋습니다.

혼자 계산하기 어렵다면 현재 보유하고 있는 ETF나 펀드 목록을 기준으로 자산군을 나눠보고, 투자기간과 감당 가능한 변동성을 함께 놓고 비교해보는 방식도 가능합니다.

카카오톡 상담이나 전화 상담에서도 “무엇을 새로 가입할까요?”보다 “현재 가지고 있는 구조가 어떻게 되어 있나요?”부터 확인하는 이유가 여기에 있습니다.

무작정 비중을 바꾸기보다 먼저 내 자산의 현재 위치를 확인하는 것.

그것이 자산배분을 시작하는 가장 현실적인 방법입니다.

주식과 채권 비중, 6:4가 정말 정답일까? 파이썬으로 직접 계산해봤습니다

자주 묻는 질문

Q1. 주식 60%, 채권 40%가 가장 안전한 비중인가요?

그렇게 단정하기 어렵습니다. 투자기간, 위험감수 수준, 보유자산, 현금흐름 등에 따라 적절한 비중은 달라질 수 있습니다. 60:40은 비교 기준이나 출발점으로 활용할 수 있지만 개인에게 맞는지 별도로 확인하는 과정이 필요합니다.

Q2. 샤프지수가 가장 높은 포트폴리오를 선택하면 되나요?

샤프지수는 유용한 지표지만 하나의 지표만으로 투자 결정을 내리기는 어렵습니다. 분석 기간, 무위험수익률, 자산 구성에 따라 값이 달라질 수 있으며 최대낙폭과 변동성, 투자기간, 거래비용 등을 함께 확인하는 편이 좋습니다.

Q3. 채권 비중은 금리가 오르면 줄여야 하나요?

금리 상승은 일반적으로 기존 채권 가격에 부담을 줄 수 있지만 채권의 만기, 듀레이션, 신용등급, 투자기간에 따라 영향이 달라질 수 있습니다. 단순히 금리 방향 하나만 보고 채권 비중을 일괄적으로 조정하기보다는 보유 채권의 성격과 전체 포트폴리오를 함께 확인하는 것이 필요합니다.

자료 확인 기준 2026년 9월 17일

주요 참고자료: 한국은행 2026년 9월 통화신용정책보고서, CFA Institute 2026 Asset Allocation 및 Simulation 관련 자료, Vanguard 자산배분 자료, BlackRock 60/40 포트폴리오 분석, SPY·IEF 과거 총수익률 자료.

금소법 관련 필수 안내 예시

본 자료는 일반적인 금융·투자 정보 제공을 목적으로 작성된 콘텐츠이며 특정 금융상품의 매수·매도 또는 가입을 권유하거나 투자수익을 보장하는 자료가 아닙니다.

금융투자상품은 시장 상황에 따라 원금 손실이 발생할 수 있으며, 과거의 수익률 및 시뮬레이션 결과가 미래의 수익을 보장하지 않습니다.

투자 여부와 자산배분 비중은 개인의 투자 목적, 투자기간, 재산상황, 위험감수 수준 등을 충분히 고려해 판단해야 하며 상품별 수수료, 세금, 환율, 투자위험 및 상품설명서를 확인하시기 바랍니다.

몬테카를로 시뮬레이션과 백테스트는 사용 데이터, 분석기간 및 가정에 따라 결과가 달라질 수 있으므로 실제 투자 판단의 유일한 기준으로 사용해서는 안 됩니다.

특정 ETF 및 지수의 언급은 자산배분 계산 방법을 설명하기 위한 예시이며 해당 금융상품에 대한 가입 또는 매수 권유가 아닙니다.

개인 유의사항

본 콘텐츠는 작성자의 일반적인 정보 제공 자료이며 개인별 투자자문을 대신하지 않습니다. 실제 투자 판단 전에는 본인의 재무상황과 투자성향을 확인하고 필요한 경우 관련 자격을 갖춘 전문가에게 충분한 설명을 받은 후 결정하시기 바랍니다.