Resumen Técnico: GeomHerd

1. Enunciado del Problema

La imitación (herding)—donde los participantes del mercado alinean sus comportamientos y actúan colectivamente—es un impulsor principal de la fragilidad del mercado y del riesgo sistémico. Los enfoques existentes para cuantificar la imitación se basan en observables aguas abajo, como los rendimientos realizados (por ejemplo, Desviación Absoluta de la Sección Transversal, CSAD) o los flujos de negociación divulgados (por ejemplo, desequilibrio institucional LSV). Estos métodos son inherentemente post-hoc y sufren de un retraso en la observabilidad: solo detectan la coordinación una vez que ya se ha propagado en los movimientos de precios o en los documentos públicos.

Aunque los enfoques geométricos recientes que utilizan la curvatura de Ricci discreta se han aplicado al análisis del estrés del mercado, generalmente operan sobre gráficos de correlación de precios, heredando el mismo cuello de botella. El artículo plantea una pregunta fundamental: ¿Se puede cuantificar directamente la geometría evolutiva del proceso de coordinación de agentes (información estructural aguas arriba) para generar una señal prospectiva antes de que la imitación se manifieste en los rendimientos?

2. Metodología: El Marco GeomHerd

GeomHerd es un marco geométrico prospectivo que elude el retraso en la observabilidad al cuantificar la coordinación directamente sobre gráficos de interacción entre agentes.

2.1 Sustrato y Construcción del Gráfico

El marco utiliza un simulador financiero heterogéneo impulsado por LLM (específicamente el modelo de espín continuo Cividino-Sornette o CWS) donde cada comerciante se instancia mediante un LLM condicionado por una personalidad. Esto proporciona un flujo de acciones totalmente observable.

• Nodos: Agentes individuales ($N=66$).
• Aristas: Construidas basándose en el acuerdo de acciones por ventanas. El peso $w_t(i, j)$ es la frecuencia de acciones idénticas (por ejemplo, comprar/mantener/vender) entre los agentes $i$ y $j$ en una ventana $T_w=100$.
• Esparsificación: Las aristas se conservan solo si $w_t(i, j) > 0.5$, asegurando un acuerdo significativo por encima de la línea base uniforme.
• Dinámica del Gráfico: El gráfico se reconstruye cada $\Delta t = 10$ pasos.

2.2 Núcleo Geométrico: Curvatura de Ricci Discreta

El marco calcula la curvatura de Ollivier-Ricci ($\kappa_{OR}$) en el gráfico de agentes utilizando un kernel de transición de caminata perezosa.

• Descomposición de Signo: La curvatura se descompone en dos señales distintas basadas en la topología de puentes de comunidad:
  1. Curvatura Positiva ($\bar{\kappa}^+_{OR}$): Captura la coordinación dentro de la clipe. A medida que los agentes se imitan entre sí, sus vecindades se superponen, aumentando la curvatura positiva. Esto señala el inicio de una cascada de información.
  2. Curvatura Negativa ($\beta^-$): Captura los puentes inter-comunitarios. Una curvatura fuertemente negativa identifica aristas que conectan clusters distintos, señalando la propagación de contagio.
• Lógica de Detección:
  • $\bar{\kappa}^+_{OR}$ se monitorea utilizando un detector CUSUM de un solo lado para identificar cambios de nivel.
  • $\beta^-$ se monitorea utilizando una combinación de CUSUM y una prueba de pendiente Kendall-$\tau$ para detectar tendencias en la aparición de puentes, siendo robusto frente al ruido no gaussiano.

2.3 Descriptores Prospectivos

• Tiempo de Singularidad ($\tau_{sing}$): El marco evoluciona el gráfico bajo flujo de Ricci discreto y registra el tiempo hasta la primera "estrangulación" (singularidad). Esto sirve como un descriptor dinámico y prospectivo de la proximidad al colapso, distinto del agrupamiento estático.
• Vocabulario Efectivo ($V_{eff}$): Una señal de teoría de la información que mide la entropía del lenguaje de acciones de los agentes. $V_{eff}$ se contrae a medida que los agentes homogeneizan sus comportamientos durante una cascada.

2.4 Ancla Teórica

El artículo establece un puente de campo medio (Proposición 1) que vincula la métrica geométrica con la estadística clásica CSAD. Deriva que, bajo supuestos estándar (concentración de campo medio, impacto lineal en el precio), CSAD es monótonamente decreciente en $\bar{\kappa}_{OR}$. Esto ancla teóricamente la señal geométrica a la literatura financiera establecida.

3. Contribuciones Clave

1. Cambio de Sustrato: Desplaza el locus de la detección de imitación desde gráficos de correlación de precios aguas abajo hacia gráficos de interacción entre agentes aguas arriba, aprovechando flujos de acciones totalmente observables en simuladores impulsados por LLM.
2. Geometría Descompuesta por Signo: Desentraña explícitamente la imitación (curvatura positiva, densidad intra-clipe) del contagio (curvatura negativa, puentes inter-cluster), proporcionando señales de alarma complementarias.
3. Flujo Prospectivo: Introduce el tiempo de singularidad del flujo de Ricci ($\tau_{sing}$) como un escalar dinámico de proximidad al colapso en lugar de un operador de agrupamiento estático.
4. Vínculo Teórico: Proporciona una identidad de escala que conecta la curvatura geométrica con la estadística clásica de dispersión de rendimientos CSAD.

4. Resultados Experimentales

Los experimentos se realizaron en el sustrato de espín continuo CWS (400 trayectorias) y se validaron mediante transferencia fuera de dominio al modelo de partículas autoimpulsadas Vicsek.

• Tiempo de Adelanto:
  • El detector principal ($\bar{\kappa}^+_{OR}$) se activa una mediana de 178 pasos antes del evento de imitación del parámetro de orden ($\tau^*$) en un punto de operación orientado a la precisión.
  • En un punto de operación orientado a la recuperación, la mediana de adelanto se extiende a 272 pasos.
  • El detector de contagio ($\beta^-$) recupera el 65% de las trayectorias críticas con una mediana de adelanto de 318 pasos.
  • En trayectorias de activación conjunta, la señal del gráfico de agentes precede a las líneas base de correlación de precios por una mediana agrupada de 40 pasos.
• Consistencia:
  • La señal geométrica es consistente en signo con CSAD (correlación negativa entre curvatura y dispersión de rendimientos).
  • La señal del gráfico de agentes precede a la estadística de flujo de negociación LSV en trayectorias de activación conjunta, ya que la clipe de acciones es detectable antes de que se acumulen los desequilibrios de compra/venta.
• Utilidad de Pronóstico:
  • Una cabeza de pronóstico condicionada a la curvatura (utilizando el triplete $\bar{\kappa}_{OR}, \tau_{sing}, V_{eff}$) reduce el Error Absoluto Medio (MAE) de los rendimientos logarítmicos de la ventana de cascada en comparación con las líneas base solo de precios y condicionadas al detector.
• Generalización:
  • La firma geométrica se transfiere fuera de dominio al modelo Vicsek, separando los regímenes ordenados de los desordenados con un AUROC de 0.99, lo que sugiere que la firma refleja la coordinación colectiva universal en lugar de artefactos específicos de las finanzas.
• Ablación:
  • La construcción de aristas binarias es crítica; las variantes de similitud del coseno no logran detectar la imitación.
  • La descomposición de signo es esencial; eliminarla elimina la señal.

5. Significado y Afirmaciones

El artículo afirma que GeomHerd avanza en la cuantificación prospectiva de la imitación al abordar la "brecha de observabilidad" fundamental en la supervisión del riesgo financiero. Al tratar el gráfico de interacción de agentes como un mundo predecible, el marco captura la topología estructural de la coordinación emergente antes de que se manifieste en los rendimientos realizados.

Los autores enfatizan que GeomHerd no es meramente una nueva estadística, sino un sistema de alerta prospectivo que:

1. Anticipa la imitación significativamente antes que las líneas base agregadas del mercado.
2. Distingue entre la coordinación interna (formación de clipe) y el contagio externo (propagación de puentes).
3. Se generaliza a través de diferentes sustratos físicos y financieros.
4. Mejora la precisión de los pronósticos aguas abajo cuando se utiliza como característica de condicionamiento.

El trabajo se posiciona como un puente entre el aprendizaje profundo geométrico (flujo de Ricci) y la teoría financiera clásica (CSAD/LSV), ofreciendo un mecanismo para monitorear la estabilidad sistémica a nivel microestructural de la interacción entre agentes.