S-RIM(잔여이익모델) · PEG(주가수익성장비율) · DCF(현금흐름할인법) 세 가지 밸류에이션 모델을 결합해 미국 개별 주식의 복합 적정주가를 산출하고, 시장 주가와의 괴리율(Discrepancy Rate) 을 추적하는 도구입니다.
세 모델은 서로 다른 재무적 렌즈로 기업을 조명하며 상호 견제(Checks and Balances)합니다.
| 모델 | 평가 대상 | 역할 |
|---|---|---|
| DCF | 미래 현금 창출력 | 미래 FCF 할인 + 현금 가산 − 부채 차감 ÷ 완전 희석 주식수 |
| S-RIM | 현재 자산 가치 | 자본총계 + 초과이익(ROE − 요구수익률)의 현재가치 → 하방 지지선 |
| PEG | 성장 프리미엄 | 적정 PER = EPS 성장률 × 적정 PEG(1.0) → 고성장주 보완 |
단일 점추정의 한계를 보완하기 위해, 세 모델의 산출값을 교정·검증하는 보정 지표를 함께 제공합니다. 새로운 절대가치 모델을 더하는 대신, 기존 세 모델의 가중치·신뢰도·판정 구간을 조정하는 메타 지표입니다.
| 보정 지표 | 역할 |
|---|---|
| 신뢰밴드 (composite_low/high) | 할인율 ±1%p·성장률 ±3%p 보수·낙관 시나리오로 적정가를 구간으로 산출. 신호는 점추정이 아닌 이 밴드 기준으로 판정 |
| 모델 수렴도 (dispersion, CV) | 세 모델 산출값의 변동계수. 발산할수록 밴드를 넓혀 섣부른 저평가/과열 판정을 억제하고 신뢰도를 낮춤 |
| ROIC − 요구수익률 스프레드 | 음수면(성장이 가치를 파괴) 성장 기반 모델(DCF·PEG) 가중을 자동 축소하고 자산가치(S-RIM) 중심으로 평가 |
| FCF 전환율 (FCF÷순이익) | 회계이익이 실제 현금으로 뒷받침되는지 검증. 60% 미만이면 이익의 질을 경고하고 신뢰도를 한 단계 하향 |
| DCF 2단계 성장(fade) | 초기 성장률을 영구 성장률로 선형 감쇠시켜 고성장주 과대평가를 완화 |
| 적용한계 플래그 (out_of_domain) | 밴드 괴리율이 ±300%를 넘고 동시에 모델이 크게 발산(CV ≥ 0.35)하면 점추정 적정가의 정밀도가 무의미해진다. 이때 과열 경고 대신 측정한계 신호로 분리해 거짓 정밀도(예: 3020% 괴리율)를 격리한다. 적정가 계산식은 건드리지 않고, 모델이 자기 유효범위 밖임을 스스로 알린다 |
ROIC 게이트(
growth_gate)와 DCF 감쇠(dcf_fade)는Assumptions플래그로 끌 수 있어, 보정 전후 결과를 비교하거나 손쉽게 되돌릴 수 있습니다.
pip install -r requirements.txtconfig/watchlist.yml 에 등록한 종목을 매일 자동 수집해 일자별 JSON
스냅샷으로 누적하고, 깔끔한 HTML 보고서로 시각화합니다.
# 1) 수집 대상 등록 — config/watchlist.yml 편집 (한국/미국만)
# 2) 데이터 수집 → data/snapshots/YYYY-MM-DD.json
python -m valuation.collector
# 3) 보고서 생성 → docs/index.html
python -m valuation.report
# (수집 + 보고서 한 번에)
python -m valuation.collector --report- 수집 대상 등록 (
config/watchlist.yml): 미국은 일반 심볼(AAPL), 한국은 6자리코드 + 접미사(005930.KS코스피 /247540.KQ코스닥). 시장 표기 규칙을 검증하며, 잘못된 티커는 로드 단계에서 걸러냅니다. - 확장 가능한 저장 포맷 (
data/snapshots/): 일자별 JSON에schema_version을 두고, 종목 record를valuation/inputs/meta로 분리해 새 필드를 추가해도 기존 보고서가 깨지지 않습니다. 종목별 수집 실패는error필드에 격리되어 전체 수집을 막지 않습니다. - 계산 과정·출처 기록 (
data/audit/): 스냅샷의 결과값이 어떤 입력으로 어떻게 계산됐는지(단계별 수식 + 실제 숫자 대입)와 각 입력값의 출처를 주요 3대 지표(DCF/S-RIM/PEG)에 한해 일자별로 남깁니다. 수집된 값이 유효하게 계산에 반영되는지 사람이 직접 검증하기 위한 용도입니다. 계산 단계는 모델의*_explain함수에서 나오므로 스냅샷 산출값과 항상 일치합니다. 기존 스냅샷은python -m valuation.audit로 백필할 수 있습니다. - HTML 보고서 (
docs/index.html): 신호별 요약 카드, 시장 탭(전체/미국/한국), 검색·정렬 표, 괴리율 추세 스파크라인, 행 클릭 시 현재가 vs 적정가 시계열 차트. 데이터가 늘어도 종목 단위로 직관적으로 탐색할 수 있습니다.
매일 자동 실행은 GitHub Actions(.github/workflows/daily-collect.yml)로
구성되어 있습니다. 활성화에 필요한 GitHub 설정은 GITHUB_SETUP.md
를 참고하세요.
python -m valuation.cli AAPL MSFT GOOGL
python -m valuation.cli NVDA --provider tradingview # TradingView 스캐너 사용
python -m valuation.cli NVDA --risk-free 0.045 --terminal-growth 0.03 --srim-w 0.9
python -m valuation.cli AAPL MSFT --save # data/history.csv에 일별 스냅샷 누적출력 예:
티커 시장가 DCF S-RIM PEG 복합적정가 괴리율 신호
AAPL $245.50 $178.50 $120.30 $210.00 $169.60 +44.8% 과열 경고
streamlit run app.py- 괴리율 신호등 현황판: 종목별 모델 산출가·복합 적정주가·괴리율 (🟢 저평가 / 🔴 과열)
- 적정주가 궤적 오버레이 차트: 시장 가격 vs 내재가치 선 비교로 수렴 여부 복기
- 민감도 분석: 할인율 × 성장률 변화에 따른 적정주가 행렬
- 보유종목 CSV 연동:
ticker, quantity, avg_cost컬럼의 CSV를 업로드하면 내 평균 매수단가가 내재가치 대비 어느 구간이었는지 복기 (portfolio.sample.csv참고)
미국 장 마감 직후 cron 등으로 매일 1회 실행하면 괴리율 수렴 이력이 쌓입니다.
# 매일 미 동부 16:30 (UTC 21:30) — 보유 종목 스냅샷
30 21 * * 1-5 cd /path/to/stockValuation && python -m valuation.cli AAPL MSFT GOOGL --save재무 지표(자본총계·부채·FCF)는 분기 공시(10-Q) 반영 시 야후 파이낸스를 통해 자동 갱신됩니다.
괴리율 = (시장 주가 − 복합 적정주가) ÷ 복합 적정주가 × 100
| 괴리율 | 신호 | 해석 |
|---|---|---|
| ≤ −15% | 🟢🟢 강한 저평가 | 안전마진 大 — 공포 장세 속 매수 검토 구간 |
| −15% ~ −5% | 🟢 저평가 | 안전마진 확보 |
| −5% ~ +10% | ⚪ 적정 | 내재가치 부합 |
| +10% ~ +20% | 🟡 프리미엄 | 성장 기대 선반영 |
| > +20% | 🔴 과열 경고 | 심리적 프리미엄 과다 — 신규 진입 자제 / 부분 익절 검토 |
| 측정한계 | 🟣 측정한계 | 밴드 괴리 ±300% 초과 + 모델 발산(CV ≥ 0.35) 동시 성립. 펀더멘털로 설명 불가능한 내러티브 프리미엄 구간으로, 괴리율 숫자 자체는 무의미하고 방향·추세로만 해석. 보고서엔 범위 초과로 표기 (예: TSLA) |
데이터 수집은 DataProvider 인터페이스로 추상화되어 있어 소스를 자유롭게
교체·추가할 수 있습니다. CLI는 --provider, 대시보드는 사이드바에서 선택합니다.
| 프로바이더 | 펀더멘털 | 가격 이력 | 과거 재무(궤적 차트) | 비고 |
|---|---|---|---|---|
yahoo (기본) |
✅ | ✅ | ✅ (4개년) | yfinance, 원천 SEC EDGAR |
tradingview |
✅ | ❌ | ❌ | 스캐너 API, 최신 스냅샷만. NASDAQ:AAPL 프리픽스 지정 가능 |
kiwoom |
템플릿 | — | — | Windows 32bit 전용 — valuation/providers/kiwoom.py의 골격 참고 |
새 소스 추가는 세 단계면 됩니다:
from valuation.providers import register_provider
from valuation.providers.base import DataProvider
class MyProvider(DataProvider):
name = "mysource"
def fetch_inputs(self, ticker): # 필수
... # CompanyInputs 반환 (없는 항목은 None — 모델이 자동 제외)
register_provider(MyProvider) # CLI/대시보드에 즉시 노출- 완전 희석 주식수 우선: 스톡옵션·전환사채 희석 효과를 반영해 고평가 오류 방지.
- ROE 함정 주의: 자산 매각 등 일회성 이익으로 ROE가 급등한 종목은 별도 확인 필요.
- 적용 범위: 자체 현금 창출력이 검증된 미국 개별 주식 한정. ETF·적자 바이오텍· 신규 상장주(IPO)는 모델 전제가 성립하지 않아 자동 거부되거나 일부 모델이 제외됩니다.
- 영구 성장률·할인율을 소수점 단위로만 바꿔도 결과가 크게 흔들립니다(민감도 문제). 대시보드의 민감도 탭으로 범위(Range) 로 해석하세요.
- 테슬라처럼 재무제표로 증명되지 않은 내러티브 프리미엄이 큰 종목은 플러스 괴리율이 장기간 지속될 수 있습니다. 이때 +괴리율은 매도 명령이 아니라 경고 알람입니다.
- 산출값을 절대 목표가로 맹신하지 말고, 괴리율의 방향성과 추이를 모니터링하는 '동적 검증 도구'로 사용하세요.
config/watchlist.yml # 수집 대상 티커 등록 (한국/미국)
valuation/
├── models.py # DCF / S-RIM / PEG 순수 계산 로직(+_explain 과정 기록) + 복합 + 민감도
├── providers/
│ ├── base.py # DataProvider 추상 인터페이스 (새 소스 연동 지점)
│ ├── yahoo.py # 야후 파이낸스 구현 (기본)
│ ├── tradingview.py # TradingView 스캐너 구현
│ └── kiwoom.py # 키움증권 Open API+ 연동 템플릿 (Windows 전용, 미구현)
├── watchlist.py # watchlist.yml 로더 + 시장/티커 검증
├── collector.py # 일별 수집 파이프라인 (watchlist → 수집 → 스냅샷)
├── storage.py # 확장 가능한 일자별 JSON 스냅샷 저장소
├── audit.py # DCF/S-RIM/PEG 계산 과정·출처 기록(검증용) + 스냅샷 백필
├── report.py # 스냅샷 → HTML 보고서 생성기
├── templates/
│ └── report.html # 보고서 디자인 템플릿 (데이터는 빌드 시 주입)
├── tracker.py # 대화형 대시보드용 괴리율 CSV 저장소
└── cli.py # 커맨드라인 계산기 (--provider로 소스 선택)
app.py # Streamlit 대시보드 (사이드바에서 소스 선택)
data/snapshots/ # 수집 이력 = 보고서용 결과값 (일자별 JSON, git에 누적)
data/audit/ # 계산 과정·출처 기록 = DCF/S-RIM/PEG 검증용 (일자별 JSON)
docs/index.html # 생성된 HTML 보고서 (GitHub Pages 배포 대상)
.github/workflows/ # 매일 자동 수집·배포 워크플로우
tests/ # 모델·프로바이더·파이프라인 단위 테스트 (네트워크 불필요)
테스트 실행: pytest
- 키움증권 Open API+(
pykiwoom, Windows 32bit Python 필요) 연동으로 보유 종목·매수 단가 자동 동기화 →valuation/providers/kiwoom.py템플릿 참고, 현재는 CSV 업로드로 대체 - PostgreSQL + FastAPI + Airflow 기반 수집 파이프라인 고도화
- 거래 기록(Trade Log) 타임라인 마커 차트