🔗 GitHub Repository: MING-beta/fire-calculator 구경하기
👉 실제 서비스 써보기: FIRE Tribe 계산기 접속하기
은퇴 계산기의 숫자들이 아무리 아름답게 나와도, 마음 한구석에는 불안함이 남기 마련입니다. “만약 내가 은퇴하자마자 1929년 대공황 같은 역사적 폭락장이 오거나, 물가가 미친 듯이 치솟는 최악의 상황이 닥치면 내 자산은 언제 바닥을 드러낼까?”
9단계에서는 파이어족의 경제적 생존 확률을 검증하는 끝판왕 기능, ‘몬테카를로(Monte Carlo) 스트레스 테스트’를 바이브 코딩으로 어떻게 구현해 냈는지 그 정교한 알고리즘을 파헤쳐 봅니다.
1. 몬테카를로 시뮬레이션이란? (Vibe 정의)
몬테카를로 시뮬레이션은 매년 수익률이 고정되어 움직이는 것이 아니라, 확률적 변동성(Volatility)을 주어 컴퓨터가 1,000번이 넘는 가상의 평행 세계(시나리오)를 무작위로 돌려보는 기법입니다.
💬 나의 피드백 프롬프트
“은퇴 후 파산 확률을 측정할 수 있는 ‘몬테카를로 스트레스 테스트’ 모달 창(#mc-modal)을 만들어 줘.
사용자가 버튼을 누르면 1,000번의 시장 변동성 시뮬레이션을 돌려야 해.
- 매년 수익률은 평균값에 15%의 변동성(Volatility)을 가진 정규 분포 난수를 따르게 해 줘.
- 시뮬레이션 결과 자산이 0원이 되면 ‘실패(Failed)’로 간주하고, 1,000번 중 파산하지 않고 살아남은 비율을 성공 확률(%)로 화면에 띄워줘.
- 그리고 그 수많은 자산 궤적 중 일부 샘플 라인들을 Chart.js로 겹쳐서 시각화해 줘.”
2. 정규 분포 난수 생성과 확률 시뮬레이션 엔진
수학적으로 자산의 변동성을 표현하려면 정규 분포를 따르는 난수가 필요합니다. 전통적인 방법인 박스-뮬러 변환(Box-Muller Transform) 알고리즘을 AI에게 요청했습니다.
// script.js 에서 발췌: 박스-뮬러 변환을 이용한 정규 분포 난수 생성기
const boxMullerRandom = () => {
let u = 0, v = 0;
while (u === 0) u = Math.random();
while (v === 0) v = Math.random();
return Math.sqrt(-2.0 * Math.log(u)) * Math.cos(2.0 * Math.PI * v);[cite: 3]
};이 난수 생성기를 장착하고, 1,000번 동안 반복문을 돌며 시장 폭락과 호황을 무작위로 시뮬레이션하는 코어 루프가 완성되었습니다.
// script.js 에서 발췌: 1,000번 반복하는 몬테카를로 메인 루프
const iterations = 1000;[cite: 3]
let successHits = 0;[cite: 3]
const yearsTotal = lifeEx - age;[cite: 3]
const sampleTraces = [];[cite: 3]
for (let i = 0; i < iterations; i++) {
let currentBalance = startSavings;[cite: 3]
let failed = false;[cite: 3]
let trace = [Math.floor(currentBalance)];[cite: 3]
for (let yr = 0; yr <= yearsTotal; yr++) {
// 매년 무작위 수익률 계산 (평균 수익률 + 변동성 * 정규분포 난수)
const annualRandomRet = nominalMean + boxMullerRandom() * volatility;[cite: 3]
let realRandomRet = ((1 + annualRandomRet) / (1 + inflationRate)) - 1;[cite: 3]
// 월 단위 복리로 환산하여 자산 갱신 및 파산(0원 이하) 여부 검사...
if (currentBalance <= 0) {
failed = true;[cite: 3]
currentBalance = 0;[cite: 3]
}
}
if (!failed && currentBalance > 0) {
successHits++;[cite: 3]
}
// 시각화용 샘플 트레이스 저장
if (i < 15) sampleTraces.push({ data: trace, failed: failed });[cite: 3]
}
const successRatio = (successHits / iterations) * 100;[cite: 3][코드 리뷰 💡]
- 1,000번의 평행 세계: 컴퓨터가 1,000번의 인생을 순식간에 살아보며 폭락장을 몇 번이나 견뎌내는지 검증합니다.
- 생존 확률 산출: 1,000번 중 950번 살아남았다면 “은퇴 성공 확률 95.0%”라는 강력하고 신뢰성 있는 지표가 도출됩니다.
- 시각화 트레이스: 수천 개의 선을 그리면 브라우저가 멈추므로, 상위 15개의 샘플 궤적만 추출하여 차트에 겹쳐 그림으로써 시각적 화려함과 성능을 동시에 잡았습니다.
3. 무거운 연산 처리와 UI 로딩 스피너 UX
1,000번의 루프를 돌리는 동안 자칫하면 웹 브라우저 화면이 멈추거나 렉이 걸린 것처럼 보일 수 있습니다. 이 디테일도 AI에게 피드백을 주어 해결했습니다.
💬 나의 피드백 프롬프트
“몬테카를로 시뮬레이션 버튼을 누르면 계산량이 많아서 순간적으로 멈칫할 수 있으니까, 모달 창 안에 로딩 스피너(mc-loading)를 먼저 띄우고,setTimeout으로 브라우저 렌더링 여유를 준 다음에 계산을 실행해 줘.”
결과적으로 유저는 “시뮬레이션 계산 중…”이라는 부드러운 로딩 애니메이션을 보며 안심하고 결과를 기다릴 수 있게 되었습니다[cite: 2, 3].
💡 9단계 회고: 금융 공학의 대중화
몬테카를로 시뮬레이션은 원래 고가의 자산 관리 소프트웨어에서나 쓰이는 복잡한 금융 공학 기법입니다. 하지만 바이브 코딩 환경에서는 통계학적 개념(정규 분포, 난수)과 알고리즘 구현을 AI가 알아서 척척 소화해 주기 때문에, 단 몇 번의 대화만으로 전문적인 스트레스 테스트 도구를 웹 서비스에 뚝딱 이식할 수 있었습니다.
🚀 다음 단계 예고
기획부터 디자인, 복리 엔진, 역산 알고리즘, 차트, 마일스톤, 그리고 몬테카를로 스트레스 테스트까지 완벽한 FIRE 계산기가 탄생했습니다.
이제 이 모든 여정을 총정리하고, 바이브 코딩으로 웹 서비스를 만들며 느낀 최종 소감과 인사이트를 나누는 대망의 [10단계: 회고와 앞으로의 확장]으로 시리즈를 마무리하겠습니다!