論文の概要: AI-Driven Alpha Decay: Algorithmic Homogenization, Reflexive Signal Erosion, and the Paradox of Intelligent Markets
- arxiv url: http://arxiv.org/abs/2605.23905v1
- Date: Mon, 23 Mar 2026 06:49:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 07:09:36.447976
- Title: AI-Driven Alpha Decay: Algorithmic Homogenization, Reflexive Signal Erosion, and the Paradox of Intelligent Markets
- Title（参考訳）: AI駆動型アルファ崩壊:アルゴリズムの均質化、反射性信号エロージョン、インテリジェントマーケットのパラドックス
- Authors: Shuchen Meng, Xupeng Chen,
- Abstract要約: AIによる投資戦略は、本質的には大規模に自給自足していることを示す。
AIの採用が進むにつれ、信号の混雑、信号の侵食、レッドクイーンの競争など、相互に強化する3つのチャンネルが過剰なリターンを圧縮する。
- 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 show that AI-driven investment strategies are inherently self-defeating at scale. As AI adoption rises, three mutually reinforcing channels -- signal crowding, performative signal erosion, and Red Queen competition -- compress excess returns. We derive the alpha half-life $h(φ) = \ln 2/[θ+ δ(φ)]$, where $θ$ is the natural mean-reversion rate and $δ(φ) = Nφρa/λ(φ)$ is the AI-accelerated decay component, which is convex-decreasing in adoption. At current adoption levels ($φ\approx 0.7$, $ρ\approx 0.6$), the model implies signal half-lives of 18 months versus 5-7 years pre-AI. We establish four theoretical results. First, the alpha half-life theorem: signal lifespans are convex-decreasing in AI adoption. Second, a signal extinction cascade: beyond a critical threshold $φ^*$, the decay of one signal class triggers accelerated competition for remaining signals. Third, a Red Queen impossibility: in the monoculture equilibrium, net alpha is identically zero despite heavy AI investment. Fourth, a fragility-efficiency tradeoff: the adoption level maximizing price discovery strictly exceeds the level minimizing systemic fragility. Empirical validation calibrates portfolio convergence to SEC Form 13F filing patterns (99.5 million holdings, 2013-2024), documenting that simulated institutional portfolio convergence increases by 42% over the sample period. We examine simulated hedge fund return dynamics showing declining cross-sectional dispersion among AI-adopting funds, and simulate the 2010 Flash Crash to illustrate fragility consequences.
- Abstract（参考訳）: AIによる投資戦略は、本質的には大規模に自給自足していることを示す。
AIの採用が進むにつれ、信号の混雑、信号の侵食、レッドクイーンの競争など、相互に強化する3つのチャンネルが過剰なリターンを圧縮する。
アルファ半減期$h(φ) = \ln 2/[θ+ δ(φ)]$, ここで$θ$は自然平均回帰率であり、$δ(φ) = Nφρa/λ(φ)$はAI加速崩壊成分であり、これは採用において凸減少する。
現在の採用レベル(φ\approx 0.7$, $ρ\approx 0.6$)では、AI以前の5-7年に対して18ヶ月の半減期を意味する。
理論的結果は4つある。
第一に、アルファ半減期定理:信号寿命はAIの採用で凸減少している。
第二に、信号の消滅カスケード:臨界しきい値$φ^*$を超えると、1つの信号クラスの崩壊が残りの信号の競合を加速させる。
第3に、レッドクイーンの不合理性:モノカルチャー均衡では、AI投資にもかかわらず、ネットアルファはゼロである。
第4に、脆弱性と効率性のトレードオフ:価格発見を最大化する採用レベルは、システム的脆弱性を最小化するレベルを超えています。
実証検証は、SECフォーム13F申請パターン(2013-2024年9950万株)へのポートフォリオの収束を校正し、サンプル期間を通じてシミュレートされた機関ポートフォリオの収束が42%増加することを記録している。
我々は,AIファンド間の断面積分散の減少を示す模擬ヘッジファンドリターンダイナミクスについて検討し,2010年のフラッシュクラッシュをシミュレーションし,脆弱な結果を示す。
関連論文リスト
- Prospect-Theory Behavior from Bellman Optimality in MDPs with Catastrophic States [0.0]
報酬は線形だが、エージェントは効用依存や曲率を持たず、大災害のペイオフは$r = 1.25$、または$r = 2$で13.9%である。
単価より1ドル高いところは、中央値がある。
1ドル以上は 中央値です
1ドル以上は 中央値です
1ドル以上は 中央値です
上のユニティは 境界のコントリビューションを超越しています
全ての細胞への貢献です
論文 参考訳（メタデータ） (2026-05-31T03:01:48Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳（メタデータ） (2026-05-20T19:08:38Z) - Bug or Feature$^2$: Weight Drift, Activation Sparsity and Spikes [53.726365933748134]
標準損失と正に偏りのある活性化関数の相互作用によって引き起こされる負の重みのドリフトを解析する。
79の構成にまたがるスパシティ・精度のトレードオフを特徴付けるとともに、$sim$70%のアクティベーション・スパシティよりも高い精度の崖を識別する。
論文 参考訳（メタデータ） (2026-05-17T21:29:20Z) - Why Training-Free Token Reduction Collapses: The Inherent Instability of Pairwise Scoring Signals [0.0]
ビジョントランスフォーマーのトレーニング不要なトークン削減方法は異なるスコアリング機構を用いるが、高い圧縮で密に一致した崖のような崩壊を共有できる。
我々は,(1)信号非依存のエラー増幅器に分解する2つのツールを用いて,一貫性のランキング $_s$ と非対角相関 $_textoff$ を作成した。
我々はCATISを構成的検証として構築し、単一信号はトリガー閾値を上昇させ、トリアージは利得を抑制する。
論文 参考訳（メタデータ） (2026-04-17T23:26:27Z) - Blind Catalytic Quantum Error Correction: Target-State Estimation and Fidelity Recovery Without \textit{A Priori} Knowledge [0.0]
触媒回収前にノイズ出力のみから目標を推定するEmphblind CQECを導入する。
5つの評価方法が3つのノイズモデルに対してベンチマークされる。
論文 参考訳（メタデータ） (2026-04-13T08:27:08Z) - Artificial Intelligence and Systemic Risk: A Unified Model of Performative Prediction, Algorithmic Herding, and Cognitive Dependency in Financial Markets [0.7016842616745783]
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。
論文 参考訳（メタデータ） (2026-03-23T06:47:55Z) - 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) - 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) - Risk-Sensitive Reinforcement Learning: Near-Optimal Risk-Sample Tradeoff
in Regret [115.85354306623368]
本研究では,未知の遷移カーネルを持つマルコフ決定過程におけるリスク感応性強化学習について検討する。
確率的に効率的なモデルレスアルゴリズムとして、リスク感性価値反復(RSVI)とリスク感性Q-ラーニング(RSQ)を提案する。
RSVIが $tildeObig(lambda(|beta| H2) cdot sqrtH3 S2AT big) に達したことを証明しています。
論文 参考訳（メタデータ） (2020-06-22T19:28:26Z)
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。