증권사 리서치 애널리스트: 쓰는 일로서의 직무 — Sell-side, Buy-side, 모델링, 리포트 작법 2026 완전판

• 이 글을 읽으면 좋은 사람
• 왜 리서치 직무가 "쓰는 일"인가
• Sell-side vs Buy-side: 두 갈래
• 실제 하루: 9am 시황 → 11am 모델 업데이트 → 2pm 컨퍼런스콜 → 4pm 노트 → 7pm 검토
• 산출물 종류와 모델링 도구 스택
• 모델 종류와 섹터별 적용
• 간단한 DCF 모델 (Python)
• II Rankings, Greenwich, StarMine 평가체계
• 한국 sell-side 하우스
• 일본 sell-side 하우스
• 글로벌 IB 리서치 하우스
• Buy-side 리서치
• 정량 vs 정성: 모델은 도구, 판단이 본질
• AI 영향 2026: BloombergGPT, AlphaSense, Tegus AI, Hebbia
• 리포트 쓰기 핵심과 컨센서스 깨기
• 실제 좋은 리포트 예시 (형식 + 톤)
• 동종사 비교 (Comparable Analysis)
• 자격증: CFA, 금융투자분석사, CMA, CIIA
• 영어 + 한국어 + 일본어 능력
• 인터뷰 질문 20개
• 연봉 + 보너스
• 커리어 패스
• 90일 학습 루틴
• 실패 사례와 협업 흐름
• 거시 변수 모니터링 (Python 자동화)
• 추천 도서, 자료, 그리고 References
• 마무리

이 글을 읽으면 좋은 사람

리서치 애널리스트(Equity Research Analyst, ERA)나 RA(Research Associate)를 준비하는 학부 4학년, 석사, MBA 지원자에게 맞춘 글이다. 채용공고에 나오는 "산업분석, 기업분석, 보고서 작성"이라는 문장이 실제 하루의 어떤 행동, 어떤 문서, 어떤 회의로 바뀌는지를 다룬다. 단순히 "보고서를 쓴다"가 아니라, 컨센서스를 깨는 콜을 어떤 근거로 어떻게 종이에 옮기는지를 다룬다. 이미 sell-side에서 1-2년 일하고 buy-side로 이직을 고민하는 사람에게도 비교 프레임이 도움이 된다.

증권업에서 "쓰는 일"은 외부에서 보기보다 훨씬 도구가 많고, 컨벤션이 강하며, 평가체계가 명확하다. 그래서 이 글은 도구, 산출물, 평가지표, 보상까지 한 묶음으로 본다.

왜 리서치 직무가 "쓰는 일"인가

리서치는 "기업을 보고, 모델을 짜고, 결론을 쓴다"의 세 동사로 압축된다. 이 중 가장 많은 시간이 들어가는 건 사실 모델링이 아니라 글쓰기다. 시니어 애널리스트의 산출물은 1년 동안 약 80-120편의 노트와 4-8편의 이니시에이션 리포트로 측정된다. 평균 1.5일에 한 편을 쓴다는 뜻이다. 모델은 도구일 뿐, 문서가 회사 평가의 단위다.

리포트는 단순한 "정리"가 아니라 자본을 움직이는 문서다. 모건스탠리의 한 줄, 골드만의 가격 변경 한 줄이 주가를 3-7퍼센트 움직인다. 그래서 글의 정확도, 톤, 컨벤션, 면책문구가 동시에 중요하다. 이 직무를 글쓰기 직무로 인식하면 준비 방향이 훨씬 명확해진다.

Sell-side vs Buy-side: 두 갈래

Sell-side는 증권사 안에서 기관투자자에게 "팔기 위해" 리서치를 쓴다. 미래에셋, 한투, 삼성, NH, 골드만, 모건스탠리가 여기 속한다. 보고서는 외부 공개되고, 영업팀이 기관에 들고 다닌다. 평가는 II Rankings, Greenwich Survey, StarMine으로 측정된다.

Buy-side는 자산운용사 내부에서만 본다. 미래에셋자산운용, 한국투자신탁운용, Fidelity, Capital Group, T. Rowe Price가 여기다. 보고서는 펀드매니저 1명을 위해 쓴다. 평가는 펀드 수익률이다. 즉 sell-side는 "많이 읽힌다"가 중요하고, buy-side는 "수익률에 기여한다"가 중요하다.

처음 진입은 sell-side가 자리가 훨씬 많고, 모델과 글쓰기 훈련이 빠르다. 3-5년 차에 buy-side로 점프하는 게 정석 경로다.

실제 하루: 9am 시황 → 11am 모델 업데이트 → 2pm 컨퍼런스콜 → 4pm 노트 → 7pm 검토

서울 여의도 기준 sell-side 애널리스트 하루는 대략 다음과 같다.

• 07:00 출근, Bloomberg 터미널에서 야간 미국장 동향, 환율, 원자재, 담당 섹터 뉴스 확인.
• 07:30 모닝미팅. 본인 담당 종목 중 어제 일어난 일을 3분으로 요약, 영업팀에 던진다.
• 09:00 한국장 개장. 시황 코멘트, 담당 종목 가격 흐름 모니터링.
• 10:00-12:00 모델 업데이트. 어제 실적 발표한 회사의 분기 숫자를 엑셀에 옮기고, 가이던스를 다음 분기 추정에 반영한다.
• 12:30 점심. 보통 책상에서 샌드위치, 또는 IR 미팅(IR 담당자가 회사 와서 점심 같이 먹으며 업데이트).
• 14:00 컨퍼런스콜. 담당 기업 또는 글로벌 동종사(예: TSMC, ASML) 콜에 들어가서 30-60분 듣는다. Tegus로 녹취도 받아둔다.
• 15:30 노트 작성. 콜에서 들은 가이던스 변경, 신제품 코멘트, 경쟁 환경을 2-3페이지 노트로 정리.
• 17:30 컴플라이언스 리뷰 제출. 목표가 변경이 있으면 리서치 헤드 + 컴플라이언스 두 곳에서 승인 필요.
• 19:00 다음 날 모닝미팅 코멘트 준비, 영업팀이 받을 1줄 메시지 정리.
• 20:00 퇴근. 실적시즌이면 22:00까지 갈 때도 잦다.

실적시즌(분기말 +6주)에는 이 패턴이 매주 반복되고, 비실적시즌에는 산업 리포트나 이니시에이션을 길게 쓴다.

산출물 종류와 모델링 도구 스택

리서치 부서의 1년 산출물은 대략 6개 카테고리로 나뉜다.

• Initiation Report: 새 종목 커버리지 시작. 30-80페이지. 산업, 회사, 모델, 밸류에이션, 리스크 전부. 1년에 4-8편.
• Update Note: 실적, 뉴스, 가이던스 변경 반영. 2-5페이지. 가장 빈도 높음.
• Sector Report: 산업 전체 뷰. 50-150페이지. 분기 1편 또는 반기 1편.
• Quarterly Preview/Review: 실적 발표 전후. 컨센서스 비교가 핵심.
• Morning Meeting Comment: 본인 담당 종목의 그날 한 줄. 영업팀이 들고 다닌다.
• Custom Note: 특정 클라이언트(예: Tiger Global) 요청에 맞춘 1대1 노트. II vote 시즌에 많이 쓴다.

각 산출물마다 길이, 톤, 결론 위치가 다르다. 이니시에이션은 "이 산업이 5년 뒤 어떻게 되는가"가 첫 페이지에, 업데이트 노트는 "어제 콜에서 무엇이 바뀌었는가"가 첫 줄에 와야 한다.

신입은 Bloomberg와 FactSet, Excel만 능숙해도 충분하다. 시니어로 갈수록 Tegus와 AlphaSense가 핵심이 된다.

모델 종류와 섹터별 적용

대부분 리포트는 DCF + EV/EBITDA + P/E 세 가지를 함께 보여주고 평균치를 목표주가로 잡는다. 면접에서 "왜 이 멀티플을 썼느냐"는 단골 질문이다. 신입 RA로 들어가면 보통 1-2개 섹터를 커버하고, 시니어가 되면서 4-6개 종목을 깊게 본다.

간단한 DCF 모델 (Python)

def calculate_dcf(
    initial_revenue: float,
    revenue_growth: list,
    ebitda_margin: list,
    tax_rate: float,
    capex_pct: float,
    nwc_pct: float,
    wacc: float,
    terminal_growth: float,
    shares_outstanding: float,
    net_debt: float,
) -> dict:
    """Project FCF over forecast horizon, compute equity value per share."""
    years = len(revenue_growth)
    revenue = [initial_revenue]
    for g in revenue_growth:
        revenue.append(revenue[-1] * (1 + g))
    revenue = revenue[1:]

    ebitda = [r * m for r, m in zip(revenue, ebitda_margin)]
    da = [r * 0.04 for r in revenue]
    ebit = [e - d for e, d in zip(ebitda, da)]
    nopat = [x * (1 - tax_rate) for x in ebit]
    capex = [r * capex_pct for r in revenue]
    change_nwc = [
        (revenue[i] - revenue[i - 1]) * nwc_pct if i > 0 else revenue[i] * nwc_pct
        for i in range(years)
    ]
    fcf = [n + d - c - w for n, d, c, w in zip(nopat, da, capex, change_nwc)]

    pv_fcf = sum(f / (1 + wacc) ** (i + 1) for i, f in enumerate(fcf))
    terminal_value = fcf[-1] * (1 + terminal_growth) / (wacc - terminal_growth)
    pv_terminal = terminal_value / (1 + wacc) ** years

    enterprise_value = pv_fcf + pv_terminal
    equity_value = enterprise_value - net_debt
    price_per_share = equity_value / shares_outstanding

    return {
        "enterprise_value": enterprise_value,
        "equity_value": equity_value,
        "price_per_share": price_per_share,
        "pv_fcf": pv_fcf,
        "pv_terminal": pv_terminal,
    }


# 가상의 반도체 회사 예시
result = calculate_dcf(
    initial_revenue=50_000,  # 단위: 십억원
    revenue_growth=[0.15, 0.12, 0.10, 0.08, 0.06],
    ebitda_margin=[0.35, 0.36, 0.37, 0.37, 0.36],
    tax_rate=0.22,
    capex_pct=0.12,
    nwc_pct=0.05,
    wacc=0.085,
    terminal_growth=0.025,
    shares_outstanding=600_000_000,
    net_debt=-5_000,  # 순현금
)
print(f"주당 가치: {result['price_per_share']:,.0f}원")

위 함수는 실제 모델에는 훨씬 더 많은 시나리오 분석, 민감도 표, 분기별 분해가 들어가지만, 핵심 골격은 동일하다. 면접에서 화이트보드로 풀어보라고 하면 위 5단계(매출 → EBITDA → FCF → 할인 → 주당가치)를 막힘없이 그려야 한다.

II Rankings, Greenwich, StarMine 평가체계

Sell-side 애널리스트의 외부 평가는 세 가지 서베이로 측정된다.

• Institutional Investor (II) Rankings: 매년 3월경 발표. 글로벌 기관투자자가 sell-side 애널리스트에게 vote. 1위는 "Top Ranked Analyst" 칭호와 함께 보너스에 직결.
• Greenwich Associates: 유럽 강세. 기관 PM 인터뷰 기반.
• Refinitiv StarMine: 정량 지표(추정 정확도, 추천 수익률) 기반. 인간 평가와 별개의 객관 지표.

한국의 경우 한경 베스트 애널리스트, 매경 베스트 애널리스트가 II에 해당하는 위상이다. 베스트 애널리스트 타이틀을 받으면 다음 해 연봉 20-40퍼센트 인상이 일반적이다. II Top 3에 진입하면 헤드헌터의 1번 타깃이 되고, buy-side로의 점프 협상력이 크게 올라간다.

한국 sell-side 하우스

신입 RA 채용은 매년 가을(시즌 채용)과 봄(상시)이 있다. 보통 한 하우스당 신입 RA를 5-15명 뽑는다.

일본 sell-side 하우스

일본 sell-side 리서치는 일본어 + 영어가 기본이고, 최근에는 한국·중국 동종사 비교를 위해 한국어/중국어 가능 인력 수요가 늘었다.

글로벌 IB 리서치 하우스

홍콩·도쿄·서울에 글로벌 IB의 리서치 데스크가 있고, 한국 시장을 커버하는 애널리스트는 보통 5-15명 규모다. 한국 기업 IR 행사에 자주 보이는 외국계 애널리스트는 거의 정해져 있다.

Buy-side 리서치

Buy-side는 한 명이 보통 10-30개 종목을 깊게 보고, 펀드매니저에게 매수/유지/매도 추천을 메모로 낸다. Sell-side와 가장 큰 차이는 리포트 외부 배포가 없다는 것과 본인 추천의 성과가 1년 펀드 수익률에 직접 반영된다는 점이다.

정량 vs 정성: 모델은 도구, 판단이 본질

가끔 신입은 "엑셀 잘하면 리서치 잘한다"고 오해한다. 틀린 말은 아니지만 절반만 맞다. 모델은 회사 가치를 계산해주지 않는다. 모델은 "내 가정이 옳다면 가치는 이렇다"의 조건문이다. 가정 자체(매출 성장률, 마진, WACC)가 본질이다.

좋은 애널리스트는 모델보다 산업 구조를 본다. 반도체 사이클은 D램 가격이 18개월 주기로 움직인다. 자동차는 SAAR(연환산 판매대수)와 평균 판매가격이 마진을 결정한다. 헬스케어는 임상 3상 결과 1줄이 시가총액 50퍼센트를 움직인다. 이 구조를 모르면 아무리 정교한 DCF를 짜도 컨센서스와 똑같은 결론만 나온다.

면접에서 "왜 컨센서스와 다르냐"를 물을 때, 답은 모델 안에 있지 않고 산업 가정 안에 있어야 한다.

AI 영향 2026: BloombergGPT, AlphaSense, Tegus AI, Hebbia

2024-2026년 사이 리서치 부서의 AI 도입이 급격히 빨라졌다. 주요 변화:

• BloombergGPT: 블룸버그 내장 LLM. 뉴스 요약, 채권 가격 코멘트, IR 자료 분석 자동화.
• AlphaSense Generative Search: 키워드 검색이 자연어 질문으로. "TSMC가 2024년 1분기 콜에서 N3에 대해 뭐라고 했나?"를 그대로 입력.
• Tegus AI Summaries: 전문가 통화 트랜스크립트를 자동 요약. 시니어 PM이 30분짜리 통화를 5분 요약으로 본다.
• Hebbia: 10-K, 10-Q, 슬라이드를 한꺼번에 분석. 비교 표를 자동 생성.
• Daloopa: 펀더멘털 데이터 자동 추출. 엑셀로 바로 들어옴.
• AI 트랜스크립트 분석: ChatGPT, Claude로 IR 발표문에서 톤 변화(positive→cautious) 자동 감지.

결과적으로 RA(주니어)의 데이터 정리 시간이 70퍼센트 줄었다. 대신 시니어는 "이 회사가 왜 다르게 봐야 하는가"의 차별화에 더 많은 시간을 쓴다. 단순 데이터 입력만 하던 RA는 향후 5년 안에 사라질 가능성이 높고, 산업 가설과 글쓰기를 잘하는 사람이 살아남는다.

# AI 도구로 IR 트랜스크립트 톤 변화를 분석하는 간단 예시
from collections import Counter

def analyze_call_tone(transcript: str) -> dict:
    """매우 단순한 키워드 기반 톤 분석. 실무에서는 LLM 사용."""
    positive = ["strong", "robust", "exceed", "outperform", "accelerate", "raise"]
    negative = ["weak", "decline", "miss", "slow", "cautious", "lower"]

    words = transcript.lower().split()
    counter = Counter(words)

    pos_score = sum(counter[w] for w in positive)
    neg_score = sum(counter[w] for w in negative)
    net = pos_score - neg_score

    if net > 5:
        tone = "positive"
    elif net < -5:
        tone = "cautious"
    else:
        tone = "neutral"

    return {
        "positive_hits": pos_score,
        "negative_hits": neg_score,
        "net_score": net,
        "tone": tone,
    }


sample = "Q1 revenue exceeded guidance, margins remained robust. We raise FY guidance."
print(analyze_call_tone(sample))

실제 현업에서는 위 키워드 방식 대신 LLM에 트랜스크립트 전문을 넣고 "전년 동기 콜과 비교해 톤이 어떻게 달라졌나" 같은 질문을 던지는 방식이 일반적이다.

리포트 쓰기 핵심과 컨센서스 깨기

좋은 리포트는 첫 페이지만 봐도 다음 셋이 보인다.

• 결론 (Investment Thesis): 1줄. "TSMC는 N3 수율 안정화로 2026년 EPS 컨센서스 대비 15퍼센트 상향 가능."
• 근거 (Why): 3개. (1) N3 수율 90퍼센트 도달 (2) Apple M5 본격 양산 (3) NVIDIA AI 수요 지속.
• 리스크 (What Can Go Wrong): 3개. (1) 지정학 (2) Samsung Foundry 2nm 추격 (3) Mac 수요 둔화.

이 구조는 신입이 가장 자주 망치는 부분이다. 신입 리포트는 보통 1-2 페이지 "산업 배경"으로 시작하고 결론은 3페이지에 묻혀 있다. 시니어는 결론을 첫 줄에 놓고, 본문은 그 결론의 근거를 강화하는 식이다. 이걸 "Pyramid Principle"이라고 부르며, 맥킨지 컨설팅 출신의 글쓰기 훈련에도 자주 등장한다.

리포트의 시장 영향력은 컨센서스와 얼마나 다른가에 비례한다. "EPS 추정치가 컨센서스 대비 8퍼센트 위(Above consensus)"라는 한 줄은 본인 콜이 시장 평균과 다르다는 신호다.

In-line만 계속 내는 애널리스트는 II 투표에서 절대 표를 받지 못한다. 위험을 감수하고 차별화하되, 근거가 명확해야 한다는 균형이 핵심이다.

실제 좋은 리포트 예시 (형식 + 톤)

전형적인 sell-side 업데이트 노트의 첫 페이지 골격은 이렇다.

[표지] TSMC (2330 TT) — Maintain Buy
Target Price: NT$1,200 (from NT$1,050, +14%)
Current Price: NT$1,050 (as of 2026-05-27)
Upside: 14%

[Executive Summary]
N3 yield reached 90% per supply chain checks, supporting 2026 EPS upgrade.
We raise FY26 EPS to NT$72 (from NT$65), 11% above consensus of NT$65.
Reiterate Buy with target NT$1,200 (22x FY26 PER, premium to 10-yr avg of 18x).

[Key Points]
1. N3 yield 90% — sustainable through 2H26 per fab visit.
2. Apple M5 ramp in Q3 — incremental NT$80B revenue.
3. NVIDIA Blackwell sustained demand through 2027.

[Risks]
1. Geopolitical (China-Taiwan tension).
2. Samsung Foundry 2nm catch-up.
3. Macro slowdown impacting Mac demand.

[Valuation]
Target NT$1,200 = 22x FY26 PER x NT$54 mid-cycle EPS.
DCF cross-check: NT$1,180 (WACC 8.5%, terminal 3%).

[Compliance disclosure]
Author owns no position in TSMC. Firm acted as JV banker for ...

위 한 페이지가 사실상 보고서의 90퍼센트다. 나머지 10-20페이지는 이 한 페이지를 뒷받침하는 근거의 deep dive다.

동종사 비교 (Comparable Analysis)

import pandas as pd

# 가상의 반도체 동종사 데이터
comps_data = {
    "ticker": ["TSMC", "Samsung Electronics", "SK Hynix", "Intel", "Micron"],
    "market_cap_usd_bn": [600, 380, 80, 200, 110],
    "forward_pe": [22.0, 12.5, 9.8, 18.5, 11.2],
    "forward_ev_ebitda": [12.5, 6.8, 5.2, 10.5, 6.5],
    "rev_growth_yoy": [0.18, 0.08, 0.25, 0.05, 0.30],
    "ebitda_margin": [0.55, 0.25, 0.40, 0.30, 0.35],
}

comps = pd.DataFrame(comps_data)
median_pe = comps["forward_pe"].median()
median_ev_ebitda = comps["forward_ev_ebitda"].median()
print(f"Median Forward P/E: {median_pe:.1f}x")
print(f"Median Forward EV/EBITDA: {median_ev_ebitda:.1f}x")

# Premium/Discount 계산 — 본인 종목과 비교
target_ticker = "TSMC"
target_pe = comps.loc[comps["ticker"] == target_ticker, "forward_pe"].values[0]
premium = (target_pe / median_pe - 1) * 100
print(f"{target_ticker} P/E premium to peers: {premium:+.1f}%")

위 표가 리포트의 핵심 비주얼 중 하나다. "프리미엄을 받을 만한 이유는 무엇인가?"가 다음 단락의 주제가 된다. 멀티플은 한 가지만 쓰지 않고 보통 P/E, EV/EBITDA, P/B, EV/Sales를 함께 보여주며, 어떤 멀티플이 가장 합리적인지 본문에서 정당화한다.

자격증: CFA, 금융투자분석사, CMA, CIIA

한국 sell-side에 입사하면 입사 후 1년 안에 금융투자분석사를 따는 것이 거의 디폴트다. CFA는 시간이 더 걸리지만 글로벌 IB로 이직 시 거의 필수에 가깝다. Level 1만 있어도 신입 RA 채용에서 가산점.

영어 + 한국어 + 일본어 능력

한국 sell-side에서 영어는 IR 자료 독해 수준이면 충분하지만, 글로벌 IB의 한국 데스크(예: 골드만 서울)는 영어로 모든 리포트를 쓴다. 한국 → 영어 번역이 아니라, 영어 머릿속 → 영어 글로 직접 쓸 수 있어야 한다. TOEFL 100+, IELTS 7.0+ 정도가 최소선.

일본 시장을 함께 보려는 경우 일본어가 강점이 된다. 일본 IR 자료는 80퍼센트가 일본어 우선이고, 영어 번역은 1주일 늦게 나온다. JLPT N2 이상이면 일본 동종사 분석에 큰 이점. 최근 일본 시장에 관심이 늘면서, 한국 sell-side에서도 일본어 가능자에 보너스를 준다.

인터뷰 질문 20개

신입 RA 인터뷰의 단골 질문은 대략 이렇다.

• 1. 좋아하는 종목 하나를 골라서 5분 안에 투자 의견을 말해보라.
• 2. 그 종목의 EPS를 어떻게 추정했나?
• 3. 그 추정이 컨센서스와 다르다면 왜 다른가?
• 4. WACC를 어떻게 잡았나? 무위험수익률은?
• 5. 멀티플(P/E, EV/EBITDA)을 어떻게 정당화하나?
• 6. 본인 콜이 틀릴 수 있는 시나리오 3가지는?
• 7. 어제 미국 시장에서 가장 큰 변동이 있었던 종목은?
• 8. 화이트보드에 DCF를 그려보라.
• 9. 가장 좋아하는 산업과 그 이유는?
• 10. 본인이 가장 틀렸던 콜은? 무엇을 배웠나?
• 11. 마진 압박을 받는 회사를 어떻게 모델링하나?
• 12. 환율이 회사 손익에 미치는 경로를 설명하라.
• 13. 사이클 산업과 성장 산업의 밸류에이션 차이는?
• 14. 컨센서스를 깨려면 무엇이 필요한가?
• 15. 좋아하는 IB와 그 이유는?
• 16. CFA Level 1을 왜 따려고 하는가?
• 17. AI가 리서치 직무를 어떻게 바꿀까?
• 18. Buy-side와 sell-side 중 어디로 가고 싶고 왜 그런가?
• 19. 가장 좋아하는 리서치 보고서 하나를 말해보라.
• 20. 5년 뒤 본인 커리어는 어디에 있을 것 같은가?

위 질문 중 70퍼센트는 종목 분석과 모델 능력을 평가하고, 30퍼센트는 인성과 동기를 본다. 1번 질문은 거의 모든 인터뷰에 나오니까 종목 1-2개는 자기 모델까지 완벽히 준비해야 한다.

연봉 + 보너스

위 표는 base + bonus 합산이며, 베스트 애널리스트(II 1위)는 한 단계 위 보너스를 받는다. Buy-side로 점프 시 base는 비슷하지만 펀드 성과 연동 보너스가 추가되어, 좋은 해에는 sell-side 대비 2-3배까지 가능하다.

커리어 패스

전형적인 sell-side 커리어 패스:

• Year 1-2: Research Associate (RA). 시니어 보조, 모델 업데이트, 데이터 정리.
• Year 3-5: Associate. 본인 커버리지 종목 2-4개 시작. 모닝미팅 발표.
• Year 5-8: VP (Vice President). 섹터 내 핵심 종목 커버. II vote 시즌 핵심.
• Year 8-12: Director / Executive Director. 섹터 헤드. 글로벌 매크로와 연계.
• Year 12+: MD (Managing Director) / Senior Analyst. 본인 이름으로 II 1위 노림.
• Optional: Head of Research, Strategist, 또는 buy-side로 점프해서 PM, CIO까지.

Buy-side 경로는 좀 다르다. 보통 sell-side에서 3-5년 경력 쌓고 buy-side에 Associate Analyst로 들어가, 5-7년 뒤 Senior Analyst가 되고, 그다음 Portfolio Manager 보조, 결국 본인이 펀드를 운용하는 PM이 된다.

90일 학습 루틴

신입 RA 또는 면접 준비생이 3개월 동안 따라할 수 있는 루틴.

이 루틴을 끝내면 면접관에게 "본인이 직접 만든 모델로 종목 추천을 했고, 추천 근거를 3가지로 설명할 수 있는" 지원자가 된다. 이 정도면 신입 RA로는 상위 10퍼센트.

실패 사례와 협업 흐름

리서치 경력 중 가장 큰 함정은 다음 셋이다.

• 잘못된 콜 + 인정 못함: 한 종목을 1년 넘게 Buy로 들고 가다 30퍼센트 떨어진 뒤에야 Hold로 내림. 클라이언트가 떠난다.
• 인지부조화: 본인 모델이 컨센서스와 같아질 때까지 가정을 만지작거림. "왜 보고서를 썼는가"가 사라진다.
• 컨센서스 추종: In-line 콜만 1년 내내. 평가 시즌에 표를 못 받음.
• IR 의존: 회사 IR이 말한 대로만 모델에 반영. 본인 시각이 사라짐.
• 모델 과적합: 30개 변수를 만들어놓고 본인도 다음 분기에 못 따라가는 모델. 단순함이 미덕.
• 미시 vs 거시 혼동: 회사 분석에 매크로 변수를 너무 많이 넣어서 종목 선택 능력이 사라짐.

리서치는 외부에서 보면 혼자 책상에 앉아 쓰는 일 같지만, 실제로는 협업이 많다.

• 모닝미팅 (07:30): 영업팀, 트레이딩 데스크에게 본인 코멘트 전달.
• IR 미팅 (수시): 담당 회사 IR과 점심 또는 전화. 가이던스 확인.
• 컨퍼런스콜 (분기 시즌): 회사 IR + CFO와 30-60분 콜. 분석가 질문 1-2개씩.
• Marketing Trip (반기): 본인 보고서 들고 클라이언트(기관) 방문. 한국 → 홍콩, 싱가포르, 런던, 뉴욕.
• Sales Roadshow: 영업팀과 함께 기관 라운드. 본인 콜을 영업이 팔도록 도움.
• 컴플라이언스: 모든 목표가 변경 사전 승인. 컴플라이언스가 거절하면 못 냄.

좋은 시니어는 본인이 틀린 콜을 명시적으로 인정하고, 무엇이 가정에서 어긋났는지 다음 노트에 적는다. 이 투명성이 장기적 평판을 만든다.

거시 변수 모니터링 (Python 자동화)

import yfinance as yf
import pandas as pd
from datetime import datetime, timedelta

def daily_macro_dashboard():
    """매일 아침 7시에 돌리는 매크로 대시보드."""
    tickers = {
        "S&P 500": "^GSPC",
        "Nasdaq": "^IXIC",
        "KOSPI": "^KS11",
        "Nikkei": "^N225",
        "USD/KRW": "KRW=X",
        "USD/JPY": "JPY=X",
        "WTI Crude": "CL=F",
        "Gold": "GC=F",
        "10Y Treasury": "^TNX",
    }

    end = datetime.today()
    start = end - timedelta(days=5)

    rows = []
    for name, ticker in tickers.items():
        data = yf.download(ticker, start=start, end=end, progress=False)
        if data.empty:
            continue
        last = data["Close"].iloc[-1]
        prev = data["Close"].iloc[-2]
        change_pct = (last / prev - 1) * 100
        rows.append({"name": name, "last": last, "change_pct": change_pct})

    df = pd.DataFrame(rows)
    df["arrow"] = df["change_pct"].apply(lambda x: "UP" if x > 0 else "DOWN")
    return df


# 모닝미팅 직전에 본인 책상 모니터에 띄워두는 표
print(daily_macro_dashboard())

위 스크립트를 매일 07:00에 자동 실행하면, 모닝미팅 시작 30분 전에 본인의 담당 섹터에 영향을 줄 매크로 변수가 한눈에 보인다. 이게 시니어와 신입의 차이 중 하나다. 신입은 모닝미팅에서 듣고, 시니어는 미팅 전에 본인 뷰를 만들어온다.

추천 도서, 자료, 그리고 References

신입에게는 Damodaran의 강의(NYU Stern 공개 강의 YouTube)와 Pat Dorsey의 책 두 권이면 모델링과 산업 분석의 80퍼센트가 잡힌다.

References:

• Aswath Damodaran NYU Stern Valuation Course: https://pages.stern.nyu.edu/~adamodar/
• CFA Institute: https://www.cfainstitute.org/
• 금융투자협회 (KOFIA): https://www.kofia.or.kr/
• 한국거래소 (KRX): https://global.krx.co.kr/
• Institutional Investor (II) Rankings: https://www.institutionalinvestor.com/research
• Greenwich Associates Research: https://www.greenwich.com/
• Refinitiv StarMine: https://www.refinitiv.com/en/financial-data/company-data/starmine-analytics
• Bloomberg Terminal: https://www.bloomberg.com/professional/
• FactSet: https://www.factset.com/
• AlphaSense: https://www.alpha-sense.com/
• Tegus by AlphaSense: https://www.tegus.com/
• Hebbia: https://www.hebbia.com/
• SEC EDGAR: https://www.sec.gov/edgar.shtml
• Wall Street Prep: https://www.wallstreetprep.com/
• Breaking Into Wall Street: https://breakingintowallstreet.com/
• Mergers and Inquisitions: https://mergersandinquisitions.com/
• 미래에셋증권 채용: https://career.miraeasset.com/
• 한국투자증권 채용: https://recruit.truefriend.com/
• NH투자증권 채용: https://recruit.nhqv.com/

마무리

리서치 애널리스트는 "기업을 읽고 결론을 쓰는 사람"이고, 글쓰기는 그 결론을 시장에 전달하는 형식이다. 모델, 컨센서스, 산업 가설, 영업 협업, 컴플라이언스, II vote가 한 묶음으로 움직인다. 이 글이 다룬 28개 섹션을 면접 한 달 전부터 차근차근 본인 산출물로 옮기면, 면접관 앞에서 "내 모델, 내 콜, 내 리스크"를 막힘없이 말할 수 있게 된다. 오늘 한 종목을 골라 3페이지 리서치 리포트의 첫 페이지(결론 1줄 + 근거 3개 + 리스크 3개)부터 써보자.