Jump To VB.NET

본 글은 AI와 최신 공개 데이터 기반으로 작성되었습니다. 투자 판단은 각자의 책임이므로 실제 매매 전에 공식 기업/펀드 공시 및 전문가 의견을 꼭 참고하세요. AI가 제공하는 자료는 투자 참고용이며, 결과에 대한 책임은 지지 않습니다.

2025년 8월, 국내에서 배당이 높은 개별주·리츠 종목과 ETF(일반·커버드콜)를 월배당, 분기배당, 연배당별로 TOP 20씩 정리했습니다. 배당성향, 배당주기, 배당률, 8월 18일 기준 주가와 최근 4회 배당금까지 한 번에 비교하세요! 알찬 배당주 투자 전략을 원한다면 이 포스팅에서 모두 확인!

2025년 8월 18일 기준 국내 고배당 종목·ETF·커버드콜ETF TOP 20

아래 표는 월배당, 분기배당, 연배당으로 구분하여
일반종목(개별주/리츠), ETF(일반/커버드콜)를 각각 정리한 자료입니다.
각 표에는 코스피/코스닥 구분, 배당성향, 배당주기, 배당률, 2025년 8월18일 주가, 직전4회 배당금 정보를 포함했습니다.

1. 일반종목

1-1. 일반 개별주 (코스피/코스닥)

월배당

• 국내 상장 개별주 중 월배당을 실시하는 종목은 현재 없습니다.

분기배당 상위 20종목

연배당 상위 20종목

1-2. 리츠 종목

월배당

• 국내 상장 리츠 중 월배당을 실시하는 종목은 현재 없습니다.

분기배당 상위 20종목

연배당

• 대부분 리츠는 분기배당 구조로 전환되어, 연배당 리츠는 드뭅니다.

2. ETF

2-1. 일반 ETF

월배당 상위 20종목

분기배당 상위 20종목

2-2. 커버드콜 ETF

월배당 상위 20종목

분기/연배당

• 국내 커버드콜 ETF는 대부분 월배당 구조입니다.

참고 및 유의사항

• 월배당: 국내 개별주·리츠에는 월배당이 없으며, ETF/커버드콜ETF는 월지급 구조가 대세입니다.
• 분기배당: 리츠, 금융주, ETF, 커버드콜ETF 등이 해당합니다.
• 연배당: 일부 금융주·제조업 대형주 중심, ETF/리츠는 대부분 분기·월로 전환됨.
• 투자 전 IR공시, 운용사 공식자료 등 확인 필수입니다.

[1] https://m.seibro.or.kr/cnts/company/selectDiv50.do

[2] https://www.tigeretf.com/ko/product/search/detail/index.do?ksdFund=KR7210780003

[3] https://www.mk.co.kr/news/economy/10992942

[4] https://kr.investing.com/equities/samsung-electronics-co-ltd-dividends

[5] https://econsis.kr/top-5-high-dividend-stocks-by-yield-korea/

[6] https://econsis.kr/top-high-dividend-monthly-etfs-korea-may-2025/

[7] https://biz.newdaily.co.kr/site/data/html/2025/07/18/2025071800333.html

[8] https://www.aceetf.co.kr/cs/notice/4081

[9] https://www.mk.co.kr/news/stock/11338149

[10] https://www.kareit.or.kr/invest/page2.php

Happy GoSu ~

WooGong ))*

\\\\\\\\\\

시간복잡도와 빅오 표기법, 알고리즘 설계 전략 및 실전 팁을 정리한 이 포스팅은 코딩 테스트와 실제 개발에 유용한 효율적인 알고리즘 선택법을 안내합니다. 표와 예시를 통해 가독성과 이해도를 높였습니다.

시간복잡도와 알고리즘 설계의 모든 것: 빅오, 팁, 그리고 실전 전략

블로그 본문

효율적인 개발자가 되려면 반드시 이해해야 할 개념이 바로 시간복잡도(Time Complexity), 그리고 이를 나타내는 빅오 표기법(Big-O Notation)입니다. 오늘은 실제 코딩 테스트와 실무 개발에 꼭 필요한 알고리즘 설계 팁과, 문제 요구사항에 맞는 적절한 알고리즘을 선택하는 방법을 알아봅니다.

1. 시간복잡도란 무엇인가?

시간복잡도는 알고리즘의 성능을 측정하는 지표로, 특정 입력 크기에서 알고리즘이 소요하는 수행 시간을 분석합니다. 동일한 기능을 수행하는 여러 알고리즘이 있다면, 일반적으로 복잡도가 낮을수록 더 우수합니다.

2. 빅오 표기법(Big-O Notation)

빅오 표기법은 가장 빠르게 증가하는 항만을 고려하는 수학적 표기입니다. 예를 들어 연산 횟수가 $3N^3 + 5N^2 + 1,000,000$인 알고리즘이라면, 입력 N이 커질수록 $3N^3$이 다른 항들보다 영향력이 커집니다. 따라서 빅오 표기법에서는 계수를 제외하고, 차수가 가장 큰 항을 사용하여 복잡도를 표시합니다: O(N³).

주요 시간복잡도 예시

3. 알고리즘 설계 Tip

• 일반 PC 또는 채점용 컴퓨터 기준으로, JavaScript에서 1억 번의 연산은 1~5초가 소요될 수 있습니다.
• 알고리즘 문제에서 시간 제한은 보통 1~5초 내외이며, 명시되어 있지 않으면 5초 내 설계하는 것이 합리적입니다.
• 예를 들어 O(N³) 알고리즘에서 N=5,000 이상이면 실행 시간이 길어져 풀이가 불가능해질 수 있습니다.

4. 적절한 알고리즘 설계 전략 (수행 시간과 입력 데이터 크기 기준)

문제를 풀 때, 가장 먼저 확인할 내용은 시간 제한(수행 시간 요구사항)입니다. 제한 시간과 데이터의 크기(N)별로 추천되는 시간복잡도는 다음과 같습니다:

이 표를 참고하여, 문제의 입력 크기(N)와 제한 시간을 반드시 체크하고, 그에 맞는 효율적인 알고리즘을 선택하세요.

결론

시간복잡도와 빅오 표기법 이해는 개발자에게 필수입니다. 문제를 읽고 시간 제한과 데이터 크기를 파악한 뒤, 알맞은 시간복잡도에 맞춘 알고리즘을 설계하면 코딩 테스트뿐만 아니라 실제 프로젝트에서도 더 원하는 성과를 낼 수 있습니다.

Happy GoSu ~

WooGong ))*

\\\\\\\\\\\\\\\\\\\\

Stable Diffusion과 같은 이미지 생성 AI 모델 구동을 위한 최적의 GPU를 고민하고 계신가요? 엔비디아의 최신 AI 슈퍼칩 GB10 Grace Blackwell과 게이밍 플래그십 RTX 5090을 비교 분석하여, 각 제품의 특징과 Stable Diffusion 워크로드에 어떤 GPU가 더 효율적인지 상세히 알려드립니다. VRAM, 대역폭, 성능, 그리고 실질적인 활용도를 고려했을 때 당신의 Stable Diffusion 작업에 더 적합한 선택은 무엇일까요?

Stable Diffusion 구동에는 RTX 5090이 일반적으로 더 적합할 가능성이 높습니다. 그 이유는 다음과 같습니다.

Stable Diffusion의 주요 요구 사항:

• VRAM 용량: Stable Diffusion은 모델의 크기와 생성하려는 이미지의 해상도에 따라 상당한 VRAM(그래픽 카드 메모리)을 요구합니다. 특히 SDXL(Stable Diffusion XL)과 같은 최신, 더 큰 모델은 더 많은 VRAM을 필요로 합니다.
• VRAM 대역폭: 이미지 생성 속도(초당 이미지 수, Iteration per second)에 큰 영향을 미칩니다. VRAM 대역폭이 높을수록 모델 가중치를 더 빠르게 읽고 쓸 수 있어 생성 속도가 빨라집니다.
• FP16 (Half Precision) 성능: Stable Diffusion은 대부분 FP16(반정밀도) 연산을 사용하므로, FP16 성능이 높은 GPU가 유리합니다.
• 소프트웨어 호환성 및 생태계: Stable Diffusion은 PyTorch와 같은 딥러닝 프레임워크를 기반으로 하며, 이 프레임워크는 NVIDIA의 CUDA 기술에 최적화되어 있습니다. 소비자용 GPU에 대한 광범위한 지원과 커뮤니티 자료가 풍부합니다.

각 제품의 Stable Diffusion 적합성 분석:

1. NVIDIA GeForce RTX 5090:

• VRAM 용량: 32GB의 GDDR7 VRAM을 탑재하여 Stable Diffusion, 특히 SDXL 같은 대형 모델을 구동하고 고해상도 이미지를 생성하는 데 충분한 메모리를 제공합니다.
• VRAM 대역폭: 1.79 TB/s에 달하는 엄청난 VRAM 대역폭은 Stable Diffusion의 이미지 생성 속도를 극대화하는 데 매우 유리합니다.
• FP16 성능: 5090은 높은 FP16 TFLOPS를 제공하여 Stable Diffusion의 빠른 추론(inference)에 매우 효율적입니다.
• 소프트웨어 호환성: 일반 소비자용 GPU이기 때문에 Stable Diffusion 관련 도구(Automatic1111, ComfyUI 등) 및 라이브러리(PyTorch, HuggingFace Transformers)와의 호환성이 가장 좋고, 관련 커뮤니티 지원과 튜토리얼이 풍부합니다.
• 전반적인 성능: 게임 및 일반 AI 작업에 최적화된 설계로 인해 Stable Diffusion의 이미지 생성 및 작은 모델의 파인튜닝(fine-tuning)에 탁월한 성능을 보여줄 것입니다.

2. NVIDIA GB10 Grace Blackwell (예: DGX Spark 등 AI 시스템에 탑재):

• VRAM 용량: 128GB의 통합 메모리를 제공하여 VRAM 용량 자체는 RTX 5090보다 훨씬 많습니다. 이는 초대형 LLM (대규모 언어 모델) 구동에 특화된 장점입니다.
• VRAM 대역폭: GB10의 LPDDR5x 통합 메모리는 RTX 5090의 GDDR7 VRAM보다 대역폭이 훨씬 낮을 수 있습니다 (일부 정보에 따르면 RTX 6000 Ada와 유사한 수준). Stable Diffusion과 같이 VRAM 대역폭에 민감한 작업에서는 RTX 5090보다 느릴 수 있습니다.
• FP4/FP8 최적화: GB10은 주로 FP4 및 FP8 정밀도에 최적화되어 있습니다. Stable Diffusion은 주로 FP16을 사용하므로, GB10의 FP4/FP8 강점을 100% 활용하기 어렵거나, FP16 성능이 RTX 5090보다 떨어질 수 있습니다.
• 목표 및 용도: GB10은 주로 AI 추론, 특히 대규모 언어 모델(LLM)의 추론 및 소규모 훈련에 초점을 맞춘 "AI 슈퍼칩"입니다. Stable Diffusion과 같은 이미지 생성 모델보다는 텍스트 기반 AI 모델에 더 적합하게 설계되었습니다.
• 시스템 구성 및 비용: GB10은 단일 GPU 카드가 아니라 CPU와 GPU가 통합된 시스템(DGX Spark와 같은 형태)으로 판매됩니다. 이는 일반 PC에 장착하는 것보다 복잡하고, 비용도 더 높을 수 있습니다.

결론:

Stable Diffusion의 이미지 생성 및 파인튜닝에는 NVIDIA RTX 5090이 훨씬 더 적합합니다.

• RTX 5090은 높은 VRAM 대역폭과 FP16 성능, 그리고 일반 사용자 환경에서의 광범위한 소프트웨어 지원 및 호환성 덕분에 Stable Diffusion 작업에서 훨씬 더 빠르고 효율적인 경험을 제공할 것입니다.
• GB10 Grace Blackwell은 방대한 통합 메모리를 활용한 초대형 LLM 추론에 특화되어 있으며, Stable Diffusion과 같은 이미지 생성 작업에는 오버스펙이거나 오히려 특정 측면(VRAM 대역폭)에서 비효율적일 수 있습니다.

만약 Stable Diffusion을 주로 사용하고, 그 외에 고성능 게이밍이나 3D 렌더링 등의 작업도 한다면 RTX 5090이 가장 합리적인 선택이 될 것입니다.