論文の概要: Artificial Intelligence and Systemic Risk: A Unified Model of Performative Prediction, Algorithmic Herding, and Cognitive Dependency in Financial Markets
- arxiv url: http://arxiv.org/abs/2604.03272v1
- Date: Mon, 23 Mar 2026 06:47:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-12 18:41:08.577364
- Title: Artificial Intelligence and Systemic Risk: A Unified Model of Performative Prediction, Algorithmic Herding, and Cognitive Dependency in Financial Markets
- Title（参考訳）: 人工知能とシステムリスク:金融市場における予測・アルゴリズム・ハーディング・認知依存の統一モデル
- Authors: Shuchen Meng, Xupeng Chen,
- Abstract要約: 我々は,金融市場におけるAI導入が3つの相互強化チャネルを通じてシステム的リスクを生み出す統一モデルを構築した。
このモデルは、バーゼルIII反環状バッファと比較して経済的に有意な18〜54%のテールロス増幅を示唆している。
- 参考スコア（独自算出の注目度）: 0.7016842616745783
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop a unified model in which AI adoption in financial markets generates systemic risk through three mutually reinforcing channels: performative prediction, algorithmic herding, and cognitive dependency. Within an extended rational expectations framework with endogenous adoption, we derive an equilibrium systemic risk coupling $r(φ) = φρβ/λ'(φ)$, where $φ$ is the AI adoption share, $ρ$ the algorithmic signal correlation, $β$ the performative feedback intensity, and $λ'(φ)$ the endogenous effective price impact. Because $λ'(φ)$ is decreasing in $φ$, the coupling is convex in adoption, implying that the systemic risk multiplier $M = (1 - r)^{-1}$ grows superlinearly as AI penetration increases. The model is developed in three layers. First, endogenous fragility: market depth is decreasing and convex in AI adoption. Second, embedding the convex coupling within a supermodular adoption game produces a saddle-node bifurcation into an algorithmic monoculture. Third, cognitive dependency as an endogenous state variable yields an impossibility theorem (hysteresis requires dynamics beyond static frameworks) and a channel necessity theorem (each channel is individually necessary). Empirical validation uses the complete universe of SEC Form 13F filings (99.5 million holdings, 10,957 institutional managers, 2013--2024) with a Bartik shift-share instrument (first-stage $F = 22.7$). The model implies tail-loss amplification of 18--54%, economically significant relative to Basel III countercyclical buffers.
- Abstract（参考訳）: 我々は,金融市場におけるAI導入が相互に強化する3つのチャネル(パフォーマンス予測,アルゴリズムの隠蔽,認知依存)を通じて,システム的リスクを生み出す統一モデルを構築した。
内在的適応性を持つ拡張有理期待フレームワーク内では、平衡系リスクカップリング$r(φ) = φρβ/λ'(φ)$, where $φ$ is the AI adoption share, $ρ$ the algorithmic signal correlation, $β$ the Performanceative feedback intensity, $λ'(φ)$ the 内在的有効価格インパクトを導出する。
λ'(φ)$ は$φ$ で減少しているので、結合は採用において凸であり、AIの浸透が増加するにつれて、システム的リスク乗算 $M = (1 - r)^{-1}$ が超直線的に増加することを意味する。
モデルは3層で開発されている。
第一に、内在的脆弱性: 市場深度は減少し、AIの採用は凸している。
第二に、凸結合を超モジュラーな採用ゲームに埋め込むことで、サドルノード分岐をアルゴリズムのモノカルチャーに組み込む。
第三に、内在的状態変数としての認知的依存は、不合理性定理(ヒステリシスは静的な枠組みを超えたダイナミクスを必要とする)とチャネル必要定理(各チャネルは個別に必要)をもたらす。
実証検証ではSECフォーム13Fの完全な宇宙(9950万株、10,957の機関管理者、2013-2024)とバルティックシフトシェア(第1ステージ$F = 22.7$)を使用している。
このモデルは、バーゼルIII反環状バッファと比較して経済的に有意な18〜54%のテールロス増幅を示唆している。
関連論文リスト
- Mutual Information Collapse Explains Disentanglement Failure in $β$-VAEs [4.155522769716163]
$-VAEは、教師なしのアンカンジメントのためのフレームワークである。
MIGやSAPなどのベンチマークは、通常、中間の$でピークに達し、正規化が増加するにつれて崩壊する。
情報崩壊から正規化圧力を分離する$-VAEを導入する。
論文 参考訳（メタデータ） (2026-02-09T23:38:11Z) - Phase Transition for Budgeted Multi-Agent Synergy [41.486076708302456]
マルチエージェントシステムは信頼性を向上させることができるが、固定された推論予算の下では、しばしば役立つか、飽和するか、崩壊するかさえある。
我々は、現代のエージェントスタックの3つの束縛制約からこれらの状態を予測する最小限の校正可能な理論を開発する。
論文 参考訳（メタデータ） (2026-01-24T05:32:50Z) - Deep g-Pricing for CSI 300 Index Options with Volatility Trajectories and Market Sentiment [14.215333503141101]
本稿では,BSMモデルを拡張し,非線形生成器を奥行き微分方程式フレームワーク内で学習する。
本稿では,価値ネットワーク$u_$がオプション価格を学習し,ジェネレータネットワーク$g_$が価格メカニズムを特徴付けるデュアルネットワークアーキテクチャを提案する。
CSI300インデックスオプションを用いた実験結果から, 平均絶対誤差(MAE)を32.2%, 平均絶対誤差(MAPE)を35.3%削減できることがわかった。
論文 参考訳（メタデータ） (2026-01-15T08:58:09Z) - Spectral Sentinel: Scalable Byzantine-Robust Decentralized Federated Learning via Sketched Random Matrix Theory on Blockchain [0.0]
ビザンチンのクライアントは、不均一な(Non-IID)データの下での濃度勾配を中毒する。
本稿では,ビザンチン検出・集約フレームワークであるSpectral Sentinelを提案する。
Polygonネットワーク上でブロックチェーンを統合することで,完全なシステムを実現しています。
論文 参考訳（メタデータ） (2025-12-14T09:43:03Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - Will Neural Scaling Laws Activate Jevons' Paradox in AI Labor Markets? A Time-Varying Elasticity of Substitution (VES) Analysis [0.0]
我々は、人工知能における神経スケーリング法則が労働市場におけるJevonsのパラドックスを活性化するかどうかを分析する。
我々は、AIシステムが補完から人間の労働の代替へと移行する分析条件を確立する。
論文 参考訳（メタデータ） (2025-03-04T16:55:30Z) - Computational-Statistical Tradeoffs at the Next-Token Prediction Barrier: Autoregressive and Imitation Learning under Misspecification [50.717692060500696]
対数損失を伴う次のトーケン予測は自己回帰シーケンスモデリングの基盤となる。
次トーケン予測は、適度な誤差増幅を表す$C=tilde O(H)$を達成するために堅牢にすることができる。
C=e(log H)1-Omega(1)$。
論文 参考訳（メタデータ） (2025-02-18T02:52:00Z) - FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。
Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
論文 参考訳（メタデータ） (2022-10-26T00:23:36Z) - Quantum computational finance: martingale asset pricing for incomplete
markets [69.73491758935712]
金融の価格問題に様々な量子技術を適用することができることを示す。
従来の研究と異なる3つの方法について議論する。
論文 参考訳（メタデータ） (2022-09-19T09:22:01Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。