3배 레버리지 ETF 27년 실측 — 1억이 105억과 14만원으로 갈렸습니다

같은 3배 레버리지 ETF를 똑같이 10년 들고 있었는데, 어떤 구간에서는 1억원이 105억원이 됐고 어떤 구간에서는 같은 1억원이 14만원이 됐습니다. 둘 다 나스닥100을 3배로 따라가는 같은 계산이고, 다른 건 시작한 날짜 하나뿐입니다. 이 글은 그 숫자가 어떻게 나왔는지, 그리고 직접 돌려보는 방법까지 정리합니다.

1. 3배 ETF는 정확히 무엇을 3배 하는가

기초자산이 장기적으로 10% 올랐다면 3배 상품은 30% 정도 오를 것 같습니다. 그런데 아닙니다. 3배가 적용되는 대상은 누적 수익률이 아니라 하루 수익률입니다. 오늘 기초자산이 1% 오르면 그날 약 3% 움직이는 것을 목표로 하고, 다음 날은 바뀐 금액을 새 기준으로 다시 3배를 잡습니다.

100원이 10% 올랐다가 다시 10% 떨어지면 110원을 거쳐 99원이 됩니다. 1원이 사라집니다. 같은 움직임을 3배로 겪으면 100원이 130원을 거쳐 91원이 됩니다. 기초자산은 제자리로 돌아왔는데 3배 상품에서는 9원이 사라졌습니다. 손실의 크기가 9배입니다. 배수의 제곱으로 커지기 때문입니다.

2. 이 계산을 믿어도 되는 이유 — 실물과 먼저 맞춰봤습니다

TQQQ는 2010년 2월 출시입니다. 1999년부터 보려면 그 이전은 시뮬레이션일 수밖에 없습니다. 그래서 실물이 존재하는 구간에서 먼저 맞춰본 뒤 과거로 확장했습니다.

최악의 날도 대조했습니다. 2020년 3월 16일 실물 -34.47%, 계산 -35.94%. 파라미터를 맞추려고 조정한 값이 아닙니다. 공시된 운용보수(0.95%)와 표준적인 조달 가정(무위험수익률+0.5%)을 넣었더니 결과적으로 이 정도 오차가 나왔습니다. 무위험수익률은 가정하지 않고 13주 국채(^IRX) 실제 값을 매일 넣었습니다.

3. 27년을 들고 있으면 얼마가 되나

나스닥100을 1999년 3월부터 2026년 7월까지, 배당 재투자 기준으로 계산했습니다.

3배는 27년 뒤 1배의 13.5% 수준입니다. 2배조차 1배보다 낮습니다. 1999년에 1억원을 3배로 넣었다면 2009년 3월 최저점에서 남은 돈은 151,493원이었습니다.

4. 폭락 때문이 아니다 — 새는 곳은 두 군데

3배 수익률이 어디에서 깎였는지 단계별로 나눠보면 이렇습니다.

감쇠는 배수의 제곱으로 커집니다. 1배에서 연 3.6%p가 사라질 때 3배에서는 그 9배인 32.7%p가 사라집니다. 앞서 본 100원 → 130원 → 91원과 같은 이야기입니다.

비용도 작지 않습니다. 2026년 7월 기준 조달이자 8.5%에 운용보수 0.9%를 더하면 연 9.4%입니다. 기초자산이 제자리여도 나가는 돈입니다.

5. 그런데 S&P500은 3배가 이겼습니다

같은 3배 구조인데 자산이 다르면 결론의 부호가 뒤집힙니다. 핵심은 변동성입니다. 이익은 3배로 늘지만 감쇠는 9배로 늡니다. 그래서 변동성이 어느 선을 넘으면 9배로 커진 감쇠가 3배로 커진 이익을 잡아먹습니다.

나스닥이 아슬아슬하게 넘습니다. 이 한 줄이 부호 뒤집힘을 전부 설명합니다.

6. 진짜 변수는 시작일이었습니다

그렇다고 나스닥에서 3배가 항상 나빴던 건 아닙니다. 10년 보유 구간을 매월 시작일을 바꿔가며 208개를 계산했더니, 3배가 1배를 이긴 구간이 156개(75.0%)였습니다. 다만 원금 손실난 구간도 39개(18.8%) 있었고, 그 꼬리가 아주 날카롭습니다.

닷컴 고점(2000년 3월 24일)에 산 경우를 따로 보면 차이가 더 분명합니다. 1배는 원금의 17.1%까지 내려갔지만 14.9년 만에 회복했습니다. 3배는 원금의 0.02%까지 내려갔고 26년이 지난 지금도 회복하지 못했습니다(현재 원금의 32.25%). 단순히 더 많이 떨어졌다는 이야기가 아니라, 돌아오지 못한 시작일이 있었다는 이야기입니다.

7. 코드 — 전부 공개합니다

데이터는 Yahoo Finance 공개 API에서 받아오므로 키가 필요 없고, 표준 라이브러리만 써서 설치할 패키지도 없습니다. 파이썬만 있으면 그대로 돌아갑니다.

받아서 순서대로 돌리면 됩니다.

python lev_fetch.py       # 데이터 받기 (QQQ · SPY · TQQQ · UPRO · ^IRX)
python lev_backtest.py    # 본 계산
python lev_detail.py      # 임계 변동성 · 최저점
python lev_detail2.py     # 회복 기간 · 수익률 분해
python lev_detail3.py     # 10년 롤링

계산의 심장은 이 함수 하나입니다. 하루치 수익률에 배수를 곱하고 그날의 조달이자와 운용보수를 빼서 다음 날 기준금액으로 넘깁니다.

def sim(series, lev=3.0, er=0.0095, spread=0.005, d0=None, d1=None):
    # 일일 리밸런싱 레버리지 시뮬레이션 → [(date, 누적배수)]
    path, eq = [], 1.0
    for d, r in rets(series, d0, d1):
        cost = (lev - 1) * (rf_on(d) + spread) / 252.0 + er / 252.0
        eq *= (1 + lev * r - cost)
        if eq <= 0:                       # 이론상 -33.3% 하루면 전멸
            eq = 0.0
        path.append((d, eq))
    return path

rf_on(d)가 그날의 실제 무위험수익률입니다. 13주 국채(^IRX) 값을 매일 넣습니다 — 27년간 금리가 0%대에서 5%대까지 오갔는데 이걸 고정값으로 두면 결과가 크게 달라집니다. 기준일을 2026-07-22로 고정해 두었으므로 지금 돌려도 위 표와 같은 값이 나옵니다.

8. 이 계산의 한계

• 1999~2010은 시뮬레이션입니다. 2번의 검증(오차 0.08%p)을 근거로 확장했습니다
• 조달 스프레드 0.5%는 가정입니다. 1.0%로 올리면 검증 구간 기준 연 1.34%p 하락하지만 결론은 바뀌지 않습니다
• 세금과 거래비용은 반영하지 않았습니다. 배당 재투자(adjclose) 기준입니다
• 지수는 QQQ·SPY ETF로 대용했습니다
• 과거 데이터에 대한 결과이지 미래 예측이 아닙니다

9. 정리

레버리지 ETF가 좋다거나 나쁘다는 결론이 아닙니다. 3배는 하루 수익률을 3배로 따라가는 구조이고, 그 결과가 오래 누적되는 동안 변동성과 비용의 영향을 크게 받습니다. 나스닥100 27년에서는 3배가 크게 뒤처졌지만 10년 구간의 75%에서는 1배를 이겼고, S&P500에서는 장기적으로 3배가 앞섰습니다. 자산과 시작일에 따라 결과의 부호가 뒤집힌다는 것이 이 데이터가 말하는 전부입니다.

분산 쪽에서도 비슷한 착시가 있습니다. 종목 수를 늘리면 분산됐다고 생각하지만 위험 요인으로 세면 전혀 다른 숫자가 나옵니다 — 코스피 24종목의 실질 분산을 숫자로 재본 글도 같이 보시면 좋습니다.

이 글은 정보 제공 목적이며 특정 종목의 매수·매도를 권유하지 않습니다. 투자 판단과 그 결과는 투자자 본인에게 있습니다.