🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Dan Loeb는 AI와 Credit이 투자 지형을 다시 짜는 국면에서, Third Point의 강점은 특정 자산군이 아니라 변화에 맞춰 자본구조·품질·거버넌스·시장심리를 함께 읽는 적응력이라고 본다.

📌 핵심 요점

1. 기술은 더 이상 독립 섹터가 아니라 경제 전반을 움직이는 복합 변수이며, AI는 전력·반도체·인프라·LLM·소프트웨어·애플리케이션으로 이어지는 전체 스택에서 투자 기회와 리스크를 만든다.
2. Third Point의 출발점은 크레딧, distressed debt, 이벤트 드리븐, 스핀오프 같은 특수상황 투자였지만, 시간이 지나며 저평가만 보는 접근에서 품질·성장성·자본수익률을 함께 보는 방식으로 확장됐다.
3. AI 시대에는 과거처럼 더 많은 정보를 직접 수집하고 분석하는 능력만으로 알파를 만들기 어려워지지만, 인간 심리, 시장 구조 왜곡, 신용 협상, 구조조정, 기업 금융처럼 사람이 개입해야 하는 영역은 여전히 남아 있다.
4. 반도체와 AI 인프라 기업은 강한 펀더멘털을 보이더라도 기대치가 과도하게 높아지면 좋은 실적이 곧바로 주가 상승으로 이어지지 않을 수 있으며, 시장은 낙관과 비관 사이를 반복적으로 오간다.
5. Loeb가 보는 좋은 투자자는 단일 전략에 고정된 사람이 아니라, 특수상황·품질 기업·AI 인프라·크레딧·해외시장·거버넌스를 연결해 가장 좋은 위험보상 위치, 즉 fulcrum security를 찾는 사람이다.

🧩 배경과 문제 정의

• 기술은 더 이상 독립된 섹터가 아니라 경제 전반에 영향을 미치는 성장 동력이며, 산업·소비재·헬스케어 같은 전통 분류만으로는 시장을 충분히 이해하기 어렵다.
• 정보가 과잉 공급되는 환경에서는 모든 뉴스를 따라가기보다, 경제와 포트폴리오에 실제로 중요한 변수를 선별하는 능력이 더 중요해졌다.
• 현재 거시 환경의 핵심 변수는 전통 지표만이 아니라 유가와 지정학, AI 인프라 투자, 그에 따른 사회·경제적 파급력과도 깊게 연결돼 있다.
• Third Point의 투자 방식은 초기에는 이벤트와 크레딧 기반의 저평가 기회에 집중했지만, 이후 사업의 품질·성장성·자본수익률까지 함께 평가하는 방식으로 확장됐다.

🕒 시간순 섹션별 상세정리

1. 기술 중심 시장과 정보 과잉 속 투자 판단

• 기술은 경제에서 비중이 커지고 복리처럼 확장되는 영역이며, 다른 산업까지 흔들기 때문에 기술을 피한 투자는 갈수록 어려워졌다 [00:16]
• 펀더멘털 방향과 주가가 엇갈릴 때는 인간의 판단이 중요해지고, 많은 정보 중 무엇이 실제로 중요한지 가려내는 능력이 투자 결정의 핵심이 된다 [00:31]

2. 유가·지정학과 AI가 거시 변수의 중심으로 이동

• 유가는 전쟁과 지정학의 영향을 직접 받으며, 에너지 가격 변화는 거시 환경과 포트폴리오 판단의 핵심 변수로 작동한다 [02:13]
• AI는 지출 규모, 인프라 투자, 사회·경제적 영향이 동시에 얽힌 구조적 변화의 중심축이다 [02:21]

3. AI 스택과 반도체 재평가

• AI 스택은 전력·에너지, 칩·인프라, LLM, 소프트웨어, 애플리케이션으로 이어지며, 각 층마다 투자 기회와 리스크가 생긴다 [03:17]
• Third Point는 산업재, 인프라, 하이퍼스케일러 등 여러 경로를 통해 AI 흐름에 접근했다 [03:30]

4. Third Point의 출발점: 크레딧과 이벤트 드리븐 투자

• Third Point의 뿌리는 Jefferies 시절 쌓은 크레딧 경험과 distressed debt, event-driven, risk arbitrage 학습에 있다 [05:17]
• 초기 투자 관점은 크레딧의 위계 구조와 이벤트 드리븐 사고에 기반했고, 주식도 특정 사건이 가격을 바꾸는 구조로 보았다 [06:02]

5. 스핀오프와 신규 증권의 비효율이 만든 초과수익

• 초기 전략은 사업의 품질이나 해자보다 새로 생긴 증권이 유동성 부족 때문에 싸게 거래되는지에 집중했다 [07:16]
• 대기업 스핀오프에서는 기존 투자자들이 새 주식을 기계적으로 매도했고, 이 매도 압력이 유동성 공백과 저평가를 만들었다 [07:43]

6. 저평가 특수상황에서 품질·성장 투자로의 확장

• 1995년 펀드 시작 이후 2013~2015년 무렵까지 특수상황과 이벤트 기반 접근은 Third Point의 핵심 방식이었다 [09:53]
• 오늘날에도 특수상황 기회는 있지만, 단순 저평가만으로는 부족하며 사업 품질 관점을 결합해야 더 큰 기회가 열린다 [10:17]

7. 고품질 기업 투자와 AI가 만든 품질의 재평가

• 『Quality Investing』은 높은 진입장벽, 높은 자본수익률, 장기 보유 가능한 초고품질 기업이라는 기준을 형성하는 데 영향을 줬다 [12:08]
• AI disruption이 커지면서 겉으로는 초고품질처럼 보였던 기업들도 빠르게 품질이 낮아졌고, 일부 소프트웨어 기업의 지속성도 흔들렸다 [12:24]

8. 전략 전환 능력과 기술 변화 가속의 맥락

• 30년 동안 투자 전략을 바꾸고 진화시킨 능력이 핵심 차별점이며, 앞으로의 변화 속도도 계속 전략 적응을 요구한다 [14:18]
• 2013년 전후에는 우버, 아이폰 앱 생태계, SaaS, 마이크로소프트 재정비가 동시에 진행됐지만, 당시 혁신은 지금보다 소박하게 느껴졌다 [14:56]

9. 가속되는 혁신과 필수주의의 필요성

• 기술 혁신과 disruption이 안정적인 성장 속도로 돌아갈 것이라는 기대와 달리, 변화는 이후에도 계속 가속됐다 [16:01]
• 현재 AI는 아직 초기 국면이며 변화 속도는 더 빨라지고, 인간은 정보 과잉과 사회 변화에 정신적으로 적응해야 한다 [16:34]

10. AI 시대에도 남는 자본 배분자의 역할

• AI가 데이터 수집, 패턴 인식, 분석, 종합에서 인간을 앞서면 자료를 직접 파고들어 알파를 얻는 방식은 약해진다 [17:27]
• 기업은 계속 자금을 조달하고 증권은 거래되며 사람들은 저축·투자·차입을 하기 때문에, 완전한 AI 운용 시스템만으로 시장이 대체되기는 어렵다 [18:11]

11. 인간 심리와 기대치가 만드는 반도체·기술주 변동성

• AI가 투자 과정에서 인간의 감정적 결함을 제거할 수 있는지가 핵심 질문이지만, 시장에는 낙관·비관·버블·패닉이 반복된다 [19:03]
• SOX 상승에는 강한 반도체 펀더멘털이 있었지만, 기대치가 과도해지면 좋은 실적도 곧바로 주가 상승으로 이어지지 않는다 [20:04]

12. 구조적 시장 왜곡과 인간 중심 거래 영역의 잔존

• 펀더멘털이 개선되는 동안에도 주가는 반대로 움직일 수 있으며, 단기 손실을 견디고 어려운 매매 결정을 내리는 능력이 중요하다 [21:34]
• 퀀트, CTA, pod 전략은 집합적으로 하락 구간의 강제 매도를 유발해, 장기 펀더멘털 투자자에게 비합리적인 가격 기회를 만든다 [22:06]

13. 거버넌스 문제의 출발점과 가족적 배경

• OpenAI 사례처럼 이사회 구조와 구성은 기업의 결과를 크게 좌우하며, 거버넌스는 투자 성과와 회사의 방향성에 직접적인 영향을 준다 [24:09]
• Dan Loeb의 아버지는 증권 변호사이자 기업 거버넌스 전문가였고, 그는 어릴 때부터 기업 책임과 이사회 역할에 관한 논의를 접하며 자랐다 [24:33]

14. 좋은 거버넌스와 나쁜 거버넌스의 기준

• 미국 자본주의에서 이사회는 주주에게 책임을 지며, 경영진의 책임성·전략 방향·핵심 재무 결정을 감독하는 역할을 맡는다 [26:02]
• 거버넌스 문제는 이사들이 수탁 의무를 잊거나, 이사회에 깊은 전문성·지적 다양성·인재 다양성이 부족할 때 발생한다 [26:46]

15. CEO 견제 실패와 행동주의 개입 조건

• 나쁜 거버넌스의 핵심은 이사회가 부적합한 CEO와의 관계나 충성심 때문에 주주에 대한 의무를 후순위로 미루는 상황이다 [28:26]
• 이사회는 회사를 직접 운영하는 조직이 아니라 전략을 감독하는 조직이며, 자본배분과 경영진 책임성이 무너지면 행동주의 개입의 여지가 생긴다 [28:38]

16. 글쓰기와 사회적 압박의 투자 기능

• 좋은 글쓰기는 명확한 사고를 바탕으로 원하는 결과를 얻기 위해 생각을 분명하고 설득력 있게 전달하는 능력이다 [29:49]
• 행동주의 투자에서 글은 다른 주주와 이사회의 주의를 끌고, 미디어의 관심을 특정 기업 문제로 집중시키는 수단이 된다 [30:00]

17. 지위와 책임의 괴리가 만든 Sotheby’s 기회

• 일부 이사회 구성원은 이사회 자리를 주주 대표의 책임보다 지위나 수입의 원천으로 여기며, 이 괴리가 개입 명분을 만든다 [31:37]
• Sotheby’s는 상장사였지만 주주 중심으로 운영되지 않았고, 고지위 사업이라는 인식과 과거 명성이 낮은 성과를 가리고 있었다 [32:17]

18. 경영진 교체, 운영 개선, 투자 기회 선별의 변화

• 당시 CEO는 예술 지식과 컬렉터 네트워크가 부족했고, 1년의 기회를 준 뒤에도 적합성이 낮다는 판단이 이사회 안에서 커졌다 [33:29]
• 이후 Tad Smith가 MSG에서 영입되며 운영 정리와 기술 개선이 진행됐고, 최종적으로 회사 매각을 통해 좋은 결과로 이어졌다 [33:55]

19. Third Point의 복합 운용 구조와 헤지펀드 중심축

• Third Point는 여러 사업으로 구성되어 있지만 핵심 축은 헤지펀드 전략이며, 이 전략은 300만 달러에서 약 90억 달러 규모로 성장했다 [36:10]
• 헤지펀드 내 전체 크레딧 비중은 약 30%이고 나머지는 주로 주식이며, 일반적인 주식 북은 110% long과 30~40% short 수준이다 [36:23]

20. 여러 자산군을 묶는 풀크럼 증권 원칙

• venture capital, risk arbitrage, credit, equity 경험이 결합되며 초기·중기·성숙 기업을 기업가치 관점에서 비교하는 프레임이 형성됐다 [37:57]
• 투자 대상은 기업 안에서 가장 좋은 위험보상 구조를 가진 fulcrum security이며, 초기 기업에서는 사실상 equity가 유일한 fulcrum이 된다 [38:21]

21. Twitter·XAI 크레딧 투자와 조직별 의사결정 구조

• Twitter와 XAI의 기업가치를 어느 정도 이해한 상태에서 equity 보유 여부와 별개로 두 건의 financing transaction이 투자 기회가 됐다 [39:36]
• Twitter 부채는 Elon Musk 인수금융 때 생긴 debt가 Morgan Stanley에 남아 있다가 par에 가까워지자 재판매된 구조였다 [40:03]

22. 빅테크와 AI 인프라 주식의 매력

• 현재 빅테크와 AI 관련 기업의 투자 환경은 좋고, Nvidia도 여전히 매수 가능한 대상으로 평가된다 [42:27]
• Nvidia는 2027년 15배, 2028년 12배 수준의 multiple로 거론될 만큼 dominant하고 빠르게 성장하는 대형 기업으로 평가된다 [42:36]

23. AI 버블 논쟁과 닷컴 버블과의 차이

• AI capex가 수익을 만들지 못한다고 보려면 대형 기술기업들이 막대한 자본을 허공에 버리고 있다는 전제가 필요하다 [43:44]
• capex 이후 free cash flow 우려가 있어도, 이 기업들은 강한 balance sheet로 투자하며 동시에 막대한 현금을 창출한다 [44:02]

24. 미국 밖 시장의 기회와 소니 투자 회고

• 미국 기업이 대부분의 관심을 받는 상황에서도 해외 투자는 가능하며, 미국 밖 시장에서는 국가별로 다른 기회와 제약이 나타난다 [46:12]
• 이스라엘은 niche market에 가깝지만, 전쟁에도 불구하고 포트폴리오 내 상위 투자 중 하나가 매우 좋은 성과를 냈다 [46:39]

25. Sony 구조개편 요구와 언론 공개로 확산된 행동주의 압박

• Sony는 스튜디오, 반도체, 생명보험, 소비자 전자사업을 함께 보유한 복합기업이었고, Third Point는 사업 분리와 보험사업 분리를 요구했다 [48:01]
• 경영진 미팅에서는 투자 논리를 담은 대형 자료가 공유됐고, 같은 논리가 뉴욕타임스에도 전달되며 공개 압박으로 확산됐다 [48:36]

26. 일본 행동주의의 어려움과 지배구조 개혁 압력

• Sony는 약 5년에 걸쳐 반도체 사업을 분리하고 금융서비스 사업의 부분 분사 또는 분사 계획을 추진하며 과거 제안 일부를 실행했다 [49:57]
• 일본 행동주의는 어렵지만, 정부와 주주는 기업 변화에 우호적이고 경영진의 고착성이 더 큰 장애물로 작용했다 [50:15]

27. Danaher에서 얻은 고품질 기업과 운영 시스템 학습

• Danaher 투자는 가장 교육적인 사례였고, 뛰어난 경영 품질과 기업 운영 시스템을 내재화한 고품질 사업의 중요성을 보여줬다 [52:24]
• Danaher는 5일짜리 DBS 교육을 하루 과정으로 압축해 제공했고, 이를 통해 기업 운영체계가 실제로 어떻게 작동하는지 확인했다 [52:56]

28. Danaher 문화가 만든 지속적 개선과 책임 시스템

• 매도 이후 최근 주가 하락을 계기로 소규모 재진입이 이뤄졌고, 앞으로 AI 변화에 어떻게 대응할지가 새로운 관찰 지점이 됐다 [54:04]
• Danaher의 핵심 학습은 운영 시스템, 최적화, 팀 동기부여, 조직 내 실행 방식을 깊게 설계하는 기업의 사고방식에 있었다 [54:16]

29. 보험 사업의 출발과 잘못된 보험 구조의 비용

• 2010년 Bermuda 기반 재보험사가 설립됐고, Loeb, Kelso, Pinebrook이 참여한 구조에서 재보험 거래와 float 운용을 결합하는 전략이 출발했다 [56:27]
• 초기 논리는 재보험 float를 Third Point와 국채에 나눠 투자하고, 세금 이연과 자본 레버리지를 얻는 구조였다 [56:40]

30. 보험 플랫폼 재편과 FTX에서 드러난 실사 리스크

• 재보험사는 영국 폐쇄형 펀드 Third Point Offshore Investors와 합쳐졌고, 법적 소재지는 Guernsey에서 Cayman으로 바뀌었다 [57:59]
• 새 플랫폼은 추가 재보험 거래와 직접 연금 발행을 할 수 있고, Third Point는 private credit, structured credit, mortgages, 부동산 직접대출 등을 운용한다 [58:31]

31. AI 시대의 실사 실패와 조직 내 활용 방식

• 기본 실사에서 은행 잔고 확인 같은 핵심 절차가 누락되지 않았다면 사기나 부실 운영을 더 일찍 포착할 수 있었고, 이는 FTX 사례가 남긴 직접적인 교훈이다 [1:00:01]
• AI가 정보서비스 사업 일부에 큰 영향을 주지 않을 것이라는 판단은 오판이었고, 독점 데이터가 충분한 방어력이 된다는 가정도 약해졌다 [1:00:48]

32. AI 낙관론과 신용투자로 확장되는 차별화

• AI는 일자리와 기회를 일방적으로 줄이는 종말적 변화가 아니라, 일부 영역의 손실과 다른 영역의 증가가 동시에 일어나는 변화로 보는 낙관론이 강하다 [1:03:09]
• 시장 불확실성이 커질 때 주식에만 머물지 않고 신용투자로 전환할 수 있는 구조가 Third Point의 핵심 차별점이다 [1:03:30]

33. 애널리스트 역량의 변화와 직접 관찰의 가치

• 과거의 뛰어난 애널리스트는 복잡한 구조조정 문서와 모델을 빠르게 읽고 해석하는 능력으로 차별화됐다 [1:05:15]
• 1990~2000년대에는 청산 구조와 청구권 구조 분석이 강점이었지만, 지금은 산업과 기술의 미묘한 변화를 깊이 이해하는 능력이 더 중요해졌다 [1:06:17]

34. 다음 10년의 기회와 개인적 우려

• 가장 큰 걱정은 사업 자체보다 가족과 보내는 시간, 서핑, 읽고 싶은 책처럼 개인적으로 중요한 일에 쓸 시간이 부족해지는 문제다 [1:07:37]
• 투자 기회는 산업·기술·소비자 행동·미국 경제·정치·지역 변화를 함께 학습하고 연결할 수 있다는 점에서 여전히 매력적이다 [1:08:04]

35. 친절, 신뢰, 초기 후원의 장기적 힘

• 친절은 정직함·똑똑함·혁신성만큼 중요한 성격 요소이며, 깊은 관계와 공감 능력을 만들고 장기적으로 사람과 사업 모두에 영향을 준다 [1:09:35]
• 이해관계가 분명한 사람에게만 친절할 필요는 없으며, 어떤 이익으로 돌아올지 모르는 사람에게도 친절할 때 관계와 평판이 축적된다 [1:10:39]

36. 자본 배분과 보안·리스크 운영의 자동화

• 작은 이점은 시간이 지나며 복리처럼 누적되고, 기업의 지출 시스템은 단순 비용 관리가 아니라 자본 배분 전략의 일부가 된다 [1:12:04]
• Ramp는 더 나은 데이터와 의사결정, 장기적인 경제성을 기본값으로 만드는 지출 관리 흐름을 제시한다 [1:12:12]

37. 월가·AI 기업·자산운용사를 위한 특화 인프라

• Rogo는 일반 AI가 투자회사의 고유한 프로세스를 이해하지 못한다는 문제의식에서 출발해, 월가 업무와 내부 데이터에 연결된 AI 플랫폼을 지향한다 [1:12:28]
• WorkOS는 OpenAI, Cursor, Perplexity 같은 AI·소프트웨어 기업이 엔터프라이즈 준비를 빠르게 갖추고 제품 개발에 집중하도록 돕는다 [1:12:42]

🧾 결론

• 이 대화의 핵심은 AI가 단순한 기술 테마가 아니라 자본 배분, 산업 구조, 기업 품질, 시장 기대치, 투자 조직의 일하는 방식까지 바꾸는 구조적 변화라는 점이다.
• Dan Loeb는 AI에 대해 낙관적이지만, 무조건적 낙관론자는 아니다. 그는 AI가 일부 기업의 방어력을 무너뜨리고 기존의 고품질 기업 판단 기준을 흔들 수 있다는 점도 분명히 인식한다.
• Third Point의 장기적 강점은 특정 스타일의 우월성보다 스타일을 바꾸는 능력에 있다. 초기에는 스핀오프와 저평가 특수상황을 봤고, 이후에는 품질 기업, AI 인프라, 크레딧, 보험 플랫폼, private credit까지 투자 범위를 넓혔다.
• AI가 데이터 분석과 패턴 인식에서 인간을 앞설수록, 투자자의 역할은 더 많은 정보를 보는 것보다 무엇이 중요한지 선별하고, 기대치와 가격, 자본구조, 인간 행동의 왜곡을 판단하는 쪽으로 이동한다.
• 거버넌스와 행동주의 투자에 대한 Loeb의 관점은 주주가치와 기업 책임을 대립시키지 않는다. 좋은 이사회와 경영진은 직원, 제품, 지역사회, 올바른 행동을 통해 장기 주주가치를 만든다는 인식에 가깝다.

📈 투자·시사 포인트

• AI 관련 투자는 단일 종목 베팅보다 전력, 반도체, 장비, 하이퍼스케일러, 모델, 소프트웨어, 애플리케이션으로 이어지는 공급망 전체를 보는 접근이 중요하다.
• Nvidia와 반도체 섹터처럼 강한 성장성과 지배력을 가진 기업도 기대치가 너무 높아지면 주가 변동성이 커질 수 있으므로, 펀더멘털뿐 아니라 시장이 이미 무엇을 가격에 반영했는지를 함께 봐야 한다.
• 크레딧 투자는 위기 때 갑자기 들어가 수익을 내는 관광객형 전략이 아니라, 발행사·딜러·시장 참여자와의 관계, 자본구조 이해, 사전 네트워크가 축적되어야 작동하는 영역이다.
• AI가 확산될수록 독점 데이터, 기존 소프트웨어의 품질, 정보서비스 기업의 방어력에 대한 과거 가정은 재검토가 필요하다. 겉으로 고품질처럼 보이는 기업도 disruption 앞에서는 빠르게 재평가될 수 있다.
• 일본, 한국, 대만 같은 미국 밖 시장도 좋은 기업을 찾을 수 있는 hunting ground로 언급되며, 특히 거버넌스 개선이나 자본효율 변화가 함께 나타나는 시장은 추가적인 투자 기회를 만들 수 있다.
• 투자자에게 필요한 태도는 모든 뉴스를 따라가는 것이 아니라, 유가·지정학·AI capex·신용시장·기업 거버넌스처럼 실제 포지션과 경제에 큰 영향을 주는 변수만 골라내는 필수주의다.

⚠️ 불확실하거나 확인이 필요한 부분

• 영상에서 언급된 Third Point의 운용 규모, 헤지펀드 규모, CLO 사업 규모, 크레딧 비중 등 수치는 발언 시점 기준으로 보이며, 최신 공식 자료와 일치하는지는 별도 확인이 필요하다.
• Nvidia의 2027년·2028년 밸류에이션 배수, 반도체 지수 상승률, Micron 및 SOX 관련 수익률·주가 반응은 시장 시점에 따라 달라질 수 있어 원자료 확인이 필요하다.
• Twitter/XAI 부채 투자, Credit Suisse 자본구조 사례, Sony 지분율 및 구조개편 일정은 발언자의 경험과 해석에 기반한 설명이므로 거래 조건·시점·결과를 외부 자료로 대조필요가 있다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• Third Point의 최신 AUM, 전략별 자산 구성, 크레딧·주식·보험·CLO 사업 규모를 공식 자료나 신뢰 가능한 인터뷰 자료로 확인하기
• 영상에서 언급된 주요 투자 사례인 Sotheby’s, Sony, Danaher, Twitter/XAI, Credit Suisse, FTX를 별도 타임라인으로 정리하기
• AI 스택을 전력·에너지, 반도체, 인프라, LLM, 소프트웨어, 애플리케이션 층으로 나누고 각 층의 투자 논리와 리스크를 표로 정리하기
• Dan Loeb가 말한 “저평가 특수상황 → 품질·성장 → AI/크레딧 복합 전략”의 변화 과정을 Third Point 투자 철학 변화 요약으로 재구성하기

❓ 열린 질문

• AI가 분석·패턴 인식·정보 종합을 더 잘하게 될수록, 인간 투자자의 차별화는 실제로 판단력·관계·협상·리스크 감내 능력 쪽으로 이동할까요?
• 현재 AI 인프라 투자는 닷컴 버블과 달리 현금흐름이 강한 빅테크가 주도한다는 점에서 충분히 정당화될 수 있을까요, 아니면 기대치 과잉이 이미 가격에 반영된 상태일까요?
• Third Point처럼 주식, 크레딧, 구조화신용, 보험, private credit을 함께 다루는 복합 운용 모델은 앞으로 더 유리해질까요, 아니면 조직 복잡성이 새로운 리스크가 될까요?