경제·금융 용어사전

변동성 손실(Volatility Decay)은 레버리지 ETF나 인버스 ETF처럼 일일 수익률을 기준으로 운용되는 상품에서 시장의 등락이 반복될 경우 복리 효과로 인해 누적 수익률이 기초지수의 단순 배수와 달라지는 현상을 말한다.

예를 들어 기초지수가 하루 10% 상승한 뒤 다음 날 9.1% 하락하면 원래 수준으로 돌아오지만, 2배 레버리지 ETF는 첫날 20% 상승한 뒤 둘째 날 18.2% 하락해 최종적으로 손실이 발생한다. 시장 변동성이 클수록 이러한 손실은 커질 수 있으며, 장기 보유 시 레버리지 ETF의 성과가 기대보다 낮아지는 주요 원인으로 꼽힌다. 이 현상은 음(-)의 복리효과(Compounding Effect) 또는 변동성 드래그(Volatility Drag)라고도 한다.

기초지수는 ETF나 선물·옵션 등 금융상품의 수익률 산정 기준이 되는 지수를 말한다. 운용사는 기초지수의 움직임을 최대한 따라가도록 상품을 설계하며, 투자자의 수익률도 기초지수의 변동에 따라 결정된다. 코스피200, 코스닥150, S&P500, 나스닥100 등이 대표적인 기초지수다. 레버리지 ETF와 인버스 ETF는 기초지수의 일일 수익률을 일정 배수 또는 역방향으로 추종하도록 설계된다.

추적오차는 ETF나 인덱스펀드의 실제 수익률이 기초지수의 수익률과 차이를 보이는 정도를 말한다.이상적으로는 ETF가 기초지수를 완전히 따라가야 하지만, 운용보수와 거래비용, 현금 보유 비중, 배당금 지급 시차, 선물 롤오버 비용, 현물·선물 가격 차이(베이시스) 등으로 인해 일정한 오차가 발생한다. 추적오차가 작을수록 기초지수를 충실히 추종하는 상품으로 평가된다. '트래킹에러'라고도 한다.

레버리지 ETF는 선물, 스와프 등 파생상품과 차입 등을 활용해 기초지수의 일일 수익률을 일정 배수(보통 2배 또는 3배)로 추종하도록 설계된 상장지수펀드(ETF)다. 예를 들어 기초지수가 하루 1% 오르면 2배 레버리지 ETF는 약 2%의 수익을, 반대로 1% 하락하면 약 2%의 손실을 목표로 한다.

레버리지 ETF는 적은 자금으로 투자 효과를 확대할 수 있어 상승장이 예상될 때 단기 투자나 헤지 전략에 활용된다. 그러나 지수의 일일 변동률을 기준으로 매일 포트폴리오를 재조정(리밸런싱)하는 구조이기 때문에 장기간 보유하면 실제 누적 수익률이 단순히 기초지수 상승률의 배수와 달라질 수 있다. 특히 지수가 상승과 하락을 반복하는 횡보장에서는 기초지수가 제자리로 돌아와도 레버리지 ETF는 손실을 보는 변동성 손실(Volatility Decay) 또는 음(-)의 복리효과가 발생할 수 있으며, 시장 변동성이 클수록 이러한 괴리는 더욱 커진다. 운용보수와 선물 롤오버 비용, 현물·선물 간 가격 차이(베이시스) 등도 추적오차를 발생시키는 요인이다.

국내에서는 코스피200, 코스닥150 등 주요 지수를 추종하는 레버리지 ETF가 거래되고 있으며, 2026년에는 삼성전자·SK하이닉스 등 개별 종목을 기초자산으로 하는 단일종목 레버리지 ETF도 상장됐다. 해외에서도 주가지수뿐 아니라 반도체, 인공지능(AI), 원자재, 채권 등 다양한 자산을 기초로 한 레버리지 ETF가 거래되고 있다.

레버리지 ETF는 높은 수익 가능성만큼 손실 위험도 큰 고위험 상품으로 분류된다. 국내에서는 투자자 보호를 위해 개인투자자가 레버리지 ETF·ETN에 투자할 경우 금융당국이 정한 사전교육과 기본예탁금 등 일정한 투자자 요건을 충족해야 한다.

부유식 데이터센터(Floating Data Center, FDC)

부유식 데이터센터(FDC)는 바다나 강 등 수면 위에 부유식 구조물을 설치해 서버와 전력·냉각 설비를 운영하는 차세대 데이터센터다. 육상 데이터센터의 부지 부족과 전력 공급 제약, 냉각 비용 증가 문제를 해결할 대안으로 주목받고 있으며, 인공지능(AI) 확산에 따른 초대형 데이터센터 수요에 대응하기 위한 인프라로 개발되고 있다.

해상에서는 부지 확보와 인허가 부담이 상대적으로 적고, 해수를 활용한 자연 냉각으로 전력 소비와 운영 비용을 줄일 수 있는 것이 가장 큰 장점이다. 구현 방식은 바지선, 선박, 부유식 생산·저장·하역설비(FPSO) 등 해상 플랫폼에 데이터센터 모듈을 탑재하는 형태가 일반적이다. 미국 노틸러스 데이터 테크놀로지스(Nautilus Data Technologies)가 2020년 실증 시설을 구축했으며, 중국은 수중 데이터센터(UDC)를 별도로 개발해 운영하고 있다.

국내에서는 삼성중공업이 2026년 4월 미국선급(ABS)과 영국선급(LR)으로부터 50MW급 부유식 데이터센터 개념설계 인증(AIP)을 획득했으며, 2028년 상용화를 목표로 개발을 추진하고 있다. HD한국조선해양도 관련 기술 개발에 참여하는 등 국내 조선업계가 차세대 AI 인프라 시장 진출을 확대하고 있다.

다만 해양 부식과 염분·습도, 진동, 안정적인 전력 공급, 해저 광케이블 연결, 국제 안전기준 마련 등 해결해야 할 기술적 과제가 남아 있어 현재는 실증 및 초기 상용화 단계에 있다.

국가가 무역, 투자, 금융, 자원, 제재 등 경제적 수단을 활용해 지정학적 목표를 추구하는 현상 또는 경제와 지리·국제정치의 관계를 분석하는 연구 분야. 지리를 뜻하는 ‘Geo’와 경제학을 뜻하는 ‘Economics’를 결합한 말이다.

미국 전략가 에드워드 루트왁이 1990년 국제정치 전문지 「내셔널 인터레스트(The National Interest)」에 발표한 논문 「지정학에서 지경학으로: 갈등의 논리, 상업의 문법(From Geopolitics to Geo-Economics: Logic of Conflict, Grammar of Commerce)」에서 이 개념을 제시하면서 널리 알려졌다.

그는 냉전 이후에도 국가 간 갈등의 논리는 유지되지만, 경쟁 수단은 군사력에서 무역과 자본 등 경제적 수단으로 옮겨갈 것이라고 주장했다. 관세, 수출통제, 경제제재, 투자 제한, 자원·에너지 확보 경쟁, 공급망 재편 등이 대표적인 지경학적 수단으로 꼽힌다. 경제와 안보의 경계가 흐려지는 국제질서를 설명하는 틀로 활용되며, 미중 전략 경쟁이 대표적인 사례로 거론된다.

2나노 파운드리는 반도체 위탁생산 공정에서 회로 집적도를 극도로 높인 차세대 미세공정 기술로, 삼성전자와 TSMC가 인공지능(AI) 반도체와 모바일 칩 시장 주도권을 놓고 경쟁하는 핵심 생산 기준선이다.

여기서 2나노는 실제 물리적 선폭이라기보다 차세대 공정 세대를 구분하는 산업 명칭에 가깝다. 핵심은 기존 핀펫(FinFET) 구조를 넘어 전류 흐름을 더욱 정밀하게 제어하는 GAA(Gate-All-Around, 게이트올어라운드) 구조를 적용해 전력 효율과 성능을 동시에 높이는 데 있다.

삼성전자는 세계 최초의 GAA 양산 경험을 바탕으로 2나노 공정(SF2·SF2P) 상용화를 추진하고 있으며, 2026년 6월 말 기준 보도에 따르면 수율은 2025년 하반기 20%대에서 50%대 중반~60%대까지 개선된 것으로 전해진다.

TSMC는 N2 공정을 2025년 4분기부터 계획대로 양산에 들어가 애플·엔비디아 등 주요 고객사를 확보했으며, 수율은 60~70%대로 비교적 안정적이라는 평가를 받는다. 2026년 현재 2나노 경쟁력은 미세화 자체보다 수율 안정화와 대형 고객사 확보 여부가 핵심 평가 기준이며, TSMC가 시장 점유율에서 앞서 있지만 삼성전자도 2025년 7월 체결한 테슬라 AI 칩 위탁생산 계약 등을 발판으로 추격하고 있다.

GAA는 반도체 미세화의 한계를 극복하기 위해 도입된 차세대 트랜지스터 구조로, 3나노미터(nm) 이하의 초미세 공정에서 핵심적인 역할을 한다.

트랜지스터는 전류의 흐름을 조절하는 스위치 역할을 하는데, 그 중심에는 '게이트(gate)'와 '채널(channel)'이라는 구조가 있다. GAA는 이 채널을 네 면에서 게이트가 감싸는 방식으로 설계돼, 전류의 흐름을 더 정밀하게 제어할 수 있다.

이 구조를 활용하면 누설전류를 크게 줄일 수 있어, 전력 효율이 높아지고 발열도 줄어드는 효과가 있다. 다만 공정 난도가 높아 수율 확보가 까다롭다는 점이 상용화의 과제로 꼽힌다.

한편 GAA를 위아래로 쌓아 트랜지스터를 3차원화하는 CFET(상보형전계효과트랜지스터)가 차세대 후속 기술로 연구되고 있으나, 아직 연구개발 단계에 머물러 있다.

경기 침체 이후의 회복 과정이나 경제 성장의 성과가 계층·산업·기업 등에 따라 서로 다른 방향으로 갈리는 양극화 현상. 일부는 상승하고 다른 일부는 하락하는 흐름이 알파벳 ‘K’ 모양과 비슷하다는 데서 이름이 붙었다.

2020년 코로나19에 따른 경기 침체 이후 미국 경제의 불균등한 회복을 설명하는 과정에서 널리 쓰이기 시작했다. 미국 경제분석가 피터 앳워터가 이 표현을 확산시킨 인물로 알려져 있다. 당시 정보기술과 디지털 플랫폼 등 비대면 산업과 자산 보유 계층은 빠르게 회복한 반면, 대면 서비스업과 저임금 노동자 등은 상대적으로 더딘 회복을 보였다.

이후에는 고소득·자산 보유 계층이 주가와 부동산 가격 상승의 혜택을 누리는 동안 저소득층은 생활물가 상승과 부채 부담에 더 크게 노출되는 등 경제적 성과가 양극화되는 현상을 가리키는 말로 의미가 확대됐다. 산업·계층 간 격차나 자산 양극화가 두드러질 때 주로 사용된다.

방대한 텍스트 데이터를 학습해 자연어를 처리하고 생성하는 인공지능 모델. 대부분 트랜스포머 구조를 기반으로 하며, 대규모 학습 데이터와 많은 수의 매개변수(파라미터)를 활용한다.

입력된 문맥을 바탕으로 다음에 올 토큰을 예측하는 방식 등으로 언어의 구조와 사용 패턴을 학습한다. 토큰은 단어 전체일 수도 있고 단어의 일부나 문자일 수도 있다. 학습된 모델은 번역, 요약, 질의응답, 문서 작성, 코드 생성 등 다양한 작업에 활용할 수 있다. 일반적으로 파라미터 수와 학습 데이터, 컴퓨팅 자원을 확대하면 성능이 향상되는 경향이 있지만, 데이터의 품질과 모델 구조, 학습 방식도 성능을 좌우한다. 학습과 운영에 많은 컴퓨팅 자원과 전력이 필요하고, 사실과 다른 내용을 그럴듯하게 생성하는 환각이 발생할 수 있다는 점이 한계로 지적된다.

오픈AI의 GPT, 구글의 제미나이, 앤스로픽의 클로드 등이 LLM을 기반으로 발전한 대표적인 모델군이다. 국내에서는 네이버가 하이퍼클로바X를, LG AI연구원이 엑사원을 개발하고 있다.