💰 quantitative finance

Artificial Intelligence and Systemic Risk: A Unified Model of Performative Prediction, Algorithmic Herding, and Cognitive Dependency in Financial Markets

Diese Studie entwickelt ein einheitliches Modell, das zeigt, wie die KI-Adoption in Finanzmärkten durch performative Vorhersagen, algorithmisches Herden und kognitive Abhängigkeit ein überproportional wachsendes systemisches Risiko erzeugt, das zu einer nichtlinearen Verstärkung von Verlusten und einem möglichen Übergang in eine algorithmische Monokultur führt.

Ursprüngliche Autoren: Shuchen Meng, Xupeng Chen

Veröffentlicht 2026-04-07

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Shuchen Meng, Xupeng Chen

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

🤖 Der KI-Blasen-Effekt: Warum alle denselben Fehler machen

Stellen Sie sich den Finanzmarkt wie eine riesige, geschäftige Party vor. Früher haben die Gäste (die Investoren)各自 (jeder für sich) ihre eigenen Gespräche geführt und eigene Meinungen gebildet. Heute nutzen immer mehr Gäste denselben KI-Chatbot, um ihre Entscheidungen zu treffen.

Diese Studie warnt: Wenn zu viele Menschen denselben KI-Ratgeber hören, kann die ganze Party in eine Katastrophe kippen. Es ist nicht nur ein technisches Problem, sondern ein psychologisches und strukturelles, das in drei Schritten passiert.

Hier sind die drei „Übeltäter", die zusammenarbeiten:

1. Der Echo-Kammer-Effekt (Algorithmisches Herden)

Stellen Sie sich vor, alle Gäste auf der Party tragen Kopfhörer, die denselben Podcast hören. Wenn der Podcast sagt: „Die Musik wird laut!", rennen alle gleichzeitig zur Tanzfläche.

Das Problem: Die KI-Modelle der Banken lernen oft von denselben Daten und nutzen ähnliche Algorithmen. Sie bekommen also fast denselben „Podcast".
Die Folge: Wenn eine KI einen Fehler macht, machen alle denselben Fehler zur gleichen Zeit. Sie kaufen oder verkaufen alle gleichzeitig. Das macht den Markt instabil, weil es keine gegenteiligen Stimmen mehr gibt, die den Kurs stabilisieren.

2. Die sich selbst erfüllende Prophezeiung (Performative Vorhersage)

Stellen Sie sich vor, ein KI-System sagt voraus: „Der Aktienkurs von Firma X wird morgen fallen."

Der Mechanismus: Weil die KI so intelligent wirkt, verkaufen alle Investoren sofort die Aktie von Firma X. Durch den massiven Verkauf fällt der Kurs tatsächlich.
Der Teufelskreis: Die KI sieht den fallenden Kurs, denkt: „Aha, meine Vorhersage war richtig!" und trainiert sich darauf weiter. Sie lernt aus den Preisen, die sie selbst verursacht hat. Es ist wie ein Spiegel, der sich selbst beleuchtet: Je mehr die KI auf ihre eigene Vorhersage vertraut, desto mehr wird sie zur Wahrheit, auch wenn die eigentliche Firma gar nicht schlecht läuft.

3. Der Muskel-Schwund (Kognitive Abhängigkeit)

Das ist der gefährlichste Teil. Stellen Sie sich einen Piloten vor, der jahrelang nur noch auf den Autopiloten vertraut.

Das Problem: Wenn die KI die Entscheidungen trifft, verlieren die menschlichen Analysten ihre Fähigkeiten. Sie hören auf, kritisch zu denken oder eigene Analysen zu machen. Ihr „Gehirn-Muskel" für Finanzanalysen verkümmert (wie ein Arm, der nicht benutzt wird).
Die Falle: Wenn die KI dann plötzlich einen Fehler macht oder ausfällt, sind die Menschen nicht mehr in der Lage, schnell einzugreifen und den Kurs zu stabilisieren. Sie sind zu abhängig von der Maschine, um sie zu stoppen.

🚨 Warum ist das so gefährlich? (Der „Super-Effekt")

Die Studie zeigt, dass diese drei Effekte nicht einfach nur addiert werden (1 + 1 + 1 = 3), sondern sich multiplizieren (1 x 1 x 1 = 1, aber wenn sie zusammenkommen, explodiert es).

Der „Stille vor dem Sturm": Solange alles ruhig ist, sieht der Markt super stabil aus. Die KI-Modelle funktionieren gut, die Kurse schwanken wenig. Das gibt den Menschen ein falsches Sicherheitsgefühl.
Der plötzliche Kollaps: Wenn dann ein kleines Problem auftritt (z. B. eine schlechte Nachricht), reagieren alle KIs gleichzeitig panisch. Da die Menschen ihre Fähigkeiten verloren haben (Muskel-Schwund), können sie nicht eingreifen. Der Markt stürzt viel schneller und tiefer ab als je zuvor.
Der „Einweg-Tür"-Effekt: Das Schlimmste ist: Selbst wenn man die KI abschaltet, ist es schwer, wieder herauszukommen. Weil die menschlichen Fähigkeiten so sehr verkümmert sind, dauert es Jahre, bis die Menschen wieder so gut analysieren können wie früher. Der Schaden ist irreversibel.

🛠️ Was sagt die Studie zur Lösung?

Die Autoren schlagen vor, dass wir nicht nur auf die Technik schauen, sondern auf die Menschen und die Vielfalt:

Vielfalt erzwingen: Wir müssen sicherstellen, dass Banken nicht alle denselben KI-Modell-Hersteller nutzen. Unterschiedliche „Meinungen" (Modelle) sind wie verschiedene Instrumente in einem Orchester – sie brauchen alle, damit die Musik nicht schief klingt.
Der Mensch im Loop: Es muss Regeln geben, die erzwingen, dass Menschen aktiv mitdenken und nicht nur passiv auf den Bildschirm starren. Wir brauchen „Notfall-Übungen" (Feuerwehr-Drills), damit die menschlichen Fähigkeiten erhalten bleiben.
Stress-Tests für KI: Banken müssen nicht nur testen, wie sie bei einer Wirtschaftskrise bestehen, sondern auch, was passiert, wenn alle ihre KIs gleichzeitig einen Fehler machen.

Fazit

Die Studie warnt uns: KI ist ein mächtiges Werkzeug, aber wenn wir sie blind vertrauen und alle dasselbe Werkzeug benutzen, bauen wir uns eine Falle. Wir verlieren unsere eigene Urteilskraft, und wenn die KI stolpert, fallen wir alle mit ihr. Die Lösung liegt nicht darin, KI zu verbieten, sondern sie so zu gestalten, dass sie unsere menschliche Intelligenz ergänzt und nicht ersetzt.

1. Problemstellung und Motivation

Das Papier untersucht, wie die zunehmende Adoption von Künstlicher Intelligenz (KI) in Finanzmärkten endogen die Markttiefe (Market Depth) erodiert und systemische Risiken verstärkt. Während bestehende Literatur KI-Risiken oft isoliert betrachtet (z. B. als „Crowded Trades" oder Leverage-Zyklen), argumentieren die Autoren, dass das spezifische Zusammenspiel von drei sich gegenseitig verstärkenden Kanälen zu einem nichtlinearen, potenziell irreversiblen Systemversagen führt:

Performative Vorhersage (Performative Prediction): KI-Modelle werden auf Daten trainiert, die von früheren Vorhersagen beeinflusst wurden (Selbsterfüllende Prophezeiungen).
Algorithmisches Herding (Algorithmic Herding): KI-Systeme nutzen gemeinsame Trainingsdaten und Architekturen, was zu hochkorrelierten Signalen führt.
Kognitive Abhängigkeit (Cognitive Dependency): Der Verzicht auf menschliche Urteilsfähigkeit führt zu einer Degradierung menschlicher Fähigkeiten (Skill Atrophy), was den Ausweg aus einem KI-dominierten Gleichgewicht erschwert.

Das zentrale Problem ist, dass diese Interaktionen zu einem systemischen Risikomultiplikator führen, der mit steigender KI-Penetration superlinear wächst und zu einem „Monokultur-Gleichgewicht" (Algorithmic Monoculture) führt, das extrem anfällig für Schocks ist.

2. Methodik

Die Autoren entwickeln einen dreischichtigen theoretischen Rahmen, der um empirische Validierung und agentenbasierte Simulationen erweitert wird.

A. Theoretisches Modell (Erweiterter Kyle-Rahmen)

Das Modell basiert auf einer Erweiterung des Kyle-Modells (1985) mit korrelierten Signalen und endogener Adoption:

Marktstruktur: Ein risikoneutraler Market Maker setzt Preise basierend auf Orderflüssen. KI-Händler erhalten korrelierte Signale ( $x^{AI}_i = v + \rho \eta + \dots$ ), während menschliche Händler unabhängige Signale erhalten.
Endogene Markttiefe: Der Preisimpact-Parameter $\lambda(\phi)$ ist endogen und nimmt mit dem KI-Anteil $\phi$ ab, da korrelierte Orders für den Market Maker vorhersehbarer werden (geringere adverse Selektion).
Performative Feedback-Schleife: Der fundamentale Wert $v_{t+1}$ wird durch die Abweichung des Preises vom Fundamentwert beeinflusst ( $v_{t+1} = v_t + \beta(p_t - v_t)$ ).
Kognitive Abhängigkeit: Ein endogener Zustand $\sigma_H(t)$ (menschliche Signalpräzision) verschlechtert sich exponentiell, wenn Institutionen auf KI setzen ( $d_i > 0$ ).

B. Empirische Analyse

Daten: Vollständiger Datensatz der SEC Form 13F (99,5 Mio. Positionen, 10.957 Manager, 2013–2024).
Identifikation: Verwendung eines Bartik Shift-Share Instruments (Shift-Share IV), das die prä-Adoptions-Technologieaffinität von Institutionen mit dem „Leave-One-Out"-Konvergenztrend anderer Manager kombiniert.
- First-Stage F-Statistik: 22,7 (starkes Instrument).
NLP-Analyse: Auswertung von EDGAR-Filings auf KI-bezogene Schlüsselwörter zur Messung der Adoption und kognitiven Abhängigkeit.
Schätzung: Indirekte Identifikation der Parameter $\rho$ (Korrelation), $\beta$ (Feedback-Intensität) und $\phi$ (Adoptionsrate) mittels Momentenbedingungen.

C. Agentenbasierte Simulation (ABM)

Ein großes Simulationsmodell (500 Institutionen, 20 Jahre) dient zur Validierung der geschlossenen Lösungen, zur Untersuchung von Nichtlinearitäten und zur Generierung von Vorhersagen außerhalb des analytischen Rahmens (z. B. regulatorische Schocks).

3. Schlüsselbeiträge und Theoretische Ergebnisse

A. Der Systemische Risikomultiplikator

Die Autoren leiten einen zentralen Gleichgewichtsparameter ab, den Systemic Risk Coupling $r(\phi)$ :
$r(\phi) = \frac{\phi \rho \beta}{\lambda'(\phi)}$
Dabei ist $\lambda'(\phi)$ der endogene effektive Preisimpact. Da $\lambda'(\phi)$ mit steigendem $\phi$ abnimmt (flacherer Markt), ist $r(\phi)$ konvex in $\phi$ .
Der Systemic Risk Multiplier $M$ ist definiert als:
$M(\phi) = (1 - r(\phi))^{-1}$
Dieser Multiplikator wächst superlinear mit der KI-Penetration. Das bedeutet, dass Tail-Risiken (Extremverluste) bei hoher KI-Durchdringung nicht nur linear, sondern exponentiell verstärkt werden.

B. Drei Schichten der Analyse

Endogene Fragilität: Ohne performative Feedback ( $\beta=0$ ) gibt es keinen Multiplikator ( $M=1$ ). Ohne endogene Markttiefe ist der Zusammenhang linear. Erst die Interaktion erzeugt die Konvexität.
Phasenübergang (Saddle-Node Bifurkation): In einem supermodularen Adoptionsspiel (getrieben durch Karrierebedenken und Konformitätsdruck) führt eine graduelle Erhöhung des Drucks zu einem diskontinuierlichen Sprung von einem diversifizierten Gleichgewicht zu einer KI-Monokultur. Dies ist kein sanfter Übergang, sondern ein „Tipping Point".
Irreversibilität und Unmöglichkeitstheorem: Durch kognitive Abhängigkeit entsteht eine Hysterese. Das System kann in die Monokultur fallen, aber nicht bei denselben Bedingungen wieder herausfinden, da die menschliche Kompetenz ( $\sigma_H$ $σ_{H}$ ) während der Monokultur-Phase degradiert ist.
- Theorem 3.15 (Unmöglichkeit): In statischen Modellen ohne endogene Zustandsvariablen (wie Skill-Degradation) ist Hysterese unmöglich.
- Theorem 3.12 (Notwendigkeit): Alle drei Kanäle ( $\rho, \beta, \kappa$ ) sind notwendig für die jeweiligen qualitativen Merkmale (Existenz der Falle, Gefahr, Irreversibilität).

C. Unterscheidung von bestehenden Mechanismen

Das Modell unterscheidet sich fundamental von Leverage-Zyklen (Brunnermeier, 2009) und Crowded Trades (Cont, 2013):

Zustandsvariable: Kognitives Kapital (Fähigkeiten) statt Finanzkapital.
Korrelationsquelle: Geteilte Informationsproduktionstechnologie (Daten/Algorithmen) statt überlappender Positionen.
Feedback: Intern im Informationsproduktionsprozess (Retraining auf verunreinigten Daten) statt über Bilanzen.
Testbare Vorhersage: Im KI-Modell bleibt die Streuung der Renditen innerhalb der KI-Gruppe während Stressphasen konstant ( $\approx 1$ ), da alle denselben Fehler machen. Bei Leverage-Zyklen würde die Streuung explodieren (heterogenes Deleveraging).

4. Empirische Ergebnisse

Portfolio-Konvergenz: Nach der Einführung von KI (Post-2016) stieg die paarweise Kosinus-Ähnlichkeit von Portfolios signifikant um +12% (von 0,089 auf 0,100). Die Überlappung der Top-10-Holdings stieg um 14,2 Prozentpunkte.
Kognitive Abhängigkeit: NLP-Analysen zeigen einen „Hockey-Stick"-Trend bei KI-Erwähnungen in SEC-Filings (>50-faches Wachstum). Die Abhängigkeitsquote (Dependency Ratio) korreliert positiv mit der Dauer der KI-Nutzung.
Parametrisierung:
- Geschätzte Signal-Korrelation $\rho \approx 0,60$ .
- Feedback-Intensität $\beta \approx 0,28$ .
- KI-Adoptionsanteil $\phi \approx 0,70$ .
- Ergebnis: Der systemische Risikomultiplikator $M$ liegt im Bereich 1,18 bis 1,54. Das bedeutet eine Verstärkung von Tail-Verlusten um 18–54%, was ökonomisch signifikant ist (im Vergleich zum Basel-III-Puffer von 0–2,5%).

5. Bedeutung und Implikationen

Das Papier liefert einen unified framework, der zeigt, dass KI-Risiken nicht einfach die Summe ihrer Teile sind, sondern durch multiplikative Interaktionen entstehen, die zu neuen, gefährlichen Gleichgewichten führen.

Regulatorische Implikationen:

KI-Stresstests: Einführung von „Macroprudential AI Stress Tests" (MAST), die Szenarien mit korrelierten Modellfehlern und performative Feedback-Effekte testen.
Diversitätsvorschriften: Regulierung der Trainingsdaten und Architekturen, um die Korrelation $\rho$ zu begrenzen (z. B. Obergrenze $\bar{\rho} \le 0,5$ ).
Human-in-the-Loop: Mandate für menschliche Aufsicht und regelmäßige „Fire Drills", um Skill-Atrophy zu verhindern und die Irreversibilität zu durchbrechen.
Transparenz: Standardisierte „AI Model Cards" für Finanzregulierung, die Architektur, Trainingsdaten und Fehlermodi offenlegen.

Fazit: Die Autoren warnen davor, dass das Finanzsystem einen kritischen Wendepunkt erreicht hat. Wenn die Monokultur-Dynamik und kognitive Abhängigkeit weiter zunehmen, werden die Kosten für Korrekturmaßnahmen mit jeder Verzögerung exponentiell steigen. Die Gefahr liegt nicht in der KI selbst, sondern in der spezifischen Kombination aus hoher Adoption, Homogenität und fehlender menschlicher Gegenkontrolle.