"종 모양은 강력한 도구야. 그래서 더 조심해서 써야 해. 익숙하다는 이유로 선택하지 말고 자료와 질문이 허락할 때 선택해."
이 트랙이 남긴 것
블랙 스완은 모든 경우에 분포오류와 같은 말이 아니었어. LTCM은 꼬리와 상관관계뿐 아니라 레버리지와 유동성의 실패였고, 2008년 위기는 위험지표 하나보다 훨씬 큰 시스템 실패였어. 소셜 도달과 자산은 심하게 비대칭일 수 있지만 자료를 보기도 전에 멱법칙이라고 부를 수는 없지.
공통된 교훈은 단순해. 모형의 이름보다 생성과정, 자료, 의사결정의 취약성을 먼저 보라.
정규근사를 멈추고 점검할 신호
- 의존성: 공통 원인과 피드백이 관측을 함께 움직이나? 그렇다면 공분산과 군집구조를 반영해야 해.
- 상태변화: 평상시와 위기의 변동성·상관관계가 다른가? 하나의 고정분포가 두 상태를 섞고 있을 수 있어.
- 심한 비대칭과 극단값: 평균과 중앙값 차이가 크고 꼬리 관측이 결과를 좌우하나? 견고한 요약치와 꼬리모형을 비교해.
- 꼬리자료 부족: 관심사가 99.9백분위인데 그 구간의 관측이 거의 없나? 계산된 소수점보다 모형불확실성이 더 클 수 있어.
- 실패의 증폭: 레버리지, 자동화, 연쇄의존성 때문에 작은 오차가 시스템 손실로 커지나? 분포 적합도만으로는 충분하지 않아.
대신 쓸 수 있는 도구
- 중앙값, IQR, 절사평균 같은 견고한 요약치
- 로그정규, Student-t, 혼합분포, 절단 멱법칙 등 후보모형 비교
- 극값이론과 꼬리초과 자료 분석
- 군집·시계열·공간 의존성을 반영한 표준오차와 모형
- 스트레스테스트, 시나리오 분석, 민감도 분석
베이즈 방법도 무거운 꼬리 가능도와 모형불확실성을 표현할 수 있지만 자동 해결책은 아니야. 가능도와 사전분포를 잘못 고르면 베이즈 계산도 정교하게 틀릴 수 있어.
종합
두 번째 시그마 트릭은 종을 불신하는 습관이 아니라, 종을 쓸 근거와 쓰지 않을 근거를 구분하는 습관이야. 다음 트랙에서는 사전확률과 가능도를 명시하는 베이즈 렌즈를 배우되, 그 렌즈 역시 가정 위에 서 있다는 사실을 계속 기억할 거야.