💰 quantitative finance

Algorithmic Intermediation and the International Transmission of U.S. Monetary Policy

Este artículo sostiene que la transmisión internacional de la política monetaria de los EE. UU. hacia los mercados emergentes no se ve desestabilizada por la intermediación algorítmica en sí misma, sino por la similitud de los modelos entre los fondos, lo que provoca errores correlacionados y comportamiento de rebaño, sugiriendo que la política debería priorizar la preservación de la diversidad de modelos sobre la limitación de la intermediación no bancaria.

Autores originales: Fernando Toledo, Luis Dimotta Bré, Gabriel Montes-Rojas

Publicado 2026-07-20

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Fernando Toledo, Luis Dimotta Bré, Gabriel Montes-Rojas

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina la economía global como un mercado gigante y bullicioso donde el dinero fluye como el agua entre los países. A veces, el agua fluye suavemente, llenando los campos de los mercados emergentes (países que están creciendo rápido pero que aún no están completamente desarrollados). Otras veces, el agua se drena repentinamente, dejando esos campos secos y en dificultades. Durante mucho tiempo, los economistas pensaron que este drenaje era causado por gigantes grandes y de movimientos lentos: los bancos tradicionales y las decisiones lentas y pesadas de los gestores humanos. Pero recientemente, un nuevo tipo de jugador ha entrado en el mercado: los algoritmos. Estos son programas informáticos, a menudo impulsados por la inteligencia artificial, que toman decisiones de inversión en un abrir y cerrar de ojos.

La gran pregunta que todos se hacen es: ¿Están estas superrápidas computadoras salvando al mercado al reaccionar instantáneamente, o lo están volviendo más peligroso al entrar en pánico juntas? Para entender esto, necesitamos saber algunas cosas. Primero, la "política monetaria" es básicamente el banco central de un país rico (como los EE. UU.) abriendo o cerrando un grifo para controlar cuánto dinero hay en el sistema. Cuando aprietan el grifo, el dinero se encarece y, a menudo, fluye hacia afuera de otros países. Segundo, el "comportamiento de rebaño" (herding) es lo que sucede cuando una bandada de aves gira exactamente al mismo tiempo; si todas cometen el mismo error, toda la bandada se estrella. Este documento pregunta: cuando los EE. UU. aprietan su grifo de dinero, ¿actúan estos programas informáticos como una bandada calmada y diversa que distribuye el riesgo, o actúan como una estampida de pánico que empeora la crisis?

Los autores de este documento, Fernando Toledo, Luis Dimotta Bré y Gabriel Montes-Rojas, decidieron investigar esto utilizando una mezcla de simulaciones por computadora y datos del mundo real. Construyeron un modelo matemático del mundo con dos personajes principales: el "Centro" (Estados Unidos) y la "Periferia" (mercados emergentes). En su historia, introdujeron un personaje especial llamado "Homogeneidad Algorítmica". Piensa en esto no como la velocidad de las computadoras, sino como qué tanto están usando el mismo "sombrero de pensar". Si cada programa informático es entrenado con exactamente los mismos datos y utiliza exactamente la misma lógica, son altamente homogéneos. Si todos usan diferentes datos y lógica diferente, son diversos.

El principal descubrimiento del documento es un giro que desafía nuestra intuición. Sugiere que tener gestores de dinero rápidos impulsados por IA no es el problema en sí mismo. El problema es cuando todos piensan exactamente de la misma manera. Los autores descubrieron que cuando estos algoritmos son diversos, en realidad ayudan a estabilizar el mercado. Es como un salón de clases donde cada estudiante tiene una forma diferente de resolver un problema matemático; si un estudiante comete un error, otro podría acertar, y el promedio de la clase se mantiene preciso. En este escenario, los algoritmos actúan como un estabilizador, suavizando el flujo de dinero incluso cuando los EE. UU. cambian su política.

Sin embargo, la historia cambia drásticamente cuando el mercado se estresa. El documento muestra que los algoritmos no necesariamente cambian su nivel de similitud; en cambio, la "línea de seguridad" para el desastre cae. Incluso si los algoritmos siguen usando los mismos "sombreros de pensar" (manteniendo el mismo nivel de similitud), el punto en el que esa similitud se vuelve peligrosa cae a medida que la economía empeora. En tiempos de calma, la línea de seguridad es alta, por lo que incluso los algoritmos similares se mantienen seguros. Pero una vez que llega el estrés, la línea de seguridad cae por debajo del nivel de similitud, y los algoritmos comienzan a actuar en rebaño. En lugar de cancelarse entre sí, sus errores se acumulan. Los autores encontraron que este comportamiento de "rebaño" amplifica el choque. Cuando los EE. UU. aprietan su grifo de dinero, estos algoritmos similares deciden sacar su dinero de los mercados emergentes exactamente al mismo tiempo, convirtiendo una pequeña fuga en una inundación masiva.

Crucialmente, el documento argumenta que esto no se trata solo de cuántos algoritmos hay o qué tan rápidos son. Se trata de su similitud. Los autores realizaron simulaciones y analizaron datos reales de 19 mercados emergentes entre 2000 y 2024. Encontraron que el efecto de amplificación solo ocurre durante periodos de alto estrés, específicamente cuando el miedo global es alto (medido por algo llamado VIX, que es como un "medidor de miedo" para el mercado de valores). En tiempos de calma, incluso si los algoritmos son similares, no causan muchos problemas. Pero una vez que llega el estrés, el umbral para el desastre cae, y los algoritmos similares desencadenan un pánico sincronizado.

El documento también descarta algunas ideas comunes. Establece explícitamente que el peligro no es el tamaño del sector financiero no bancario (cuánto dinero gestionan estos fondos) ni la velocidad del trading. Podrías tener un sector enorme de operadores rápidos, y si todos piensan de manera diferente, podrían ser de hecho seguros. El peligro es específicamente la "correlación de errores": cuando todos se equivocan de la misma manera al mismo tiempo.

Entonces, ¿qué significa esto para el futuro? Los autores sugieren que los reguladores no deberían limitarse solo a intentar restringir qué tan grandes pueden ser estos fondos o qué tan rápido pueden operar. En su lugar, deberían enfocarse en mantener la diversidad de los "sombreros de pensar". Proponen que necesitamos medir qué tan similares son estos algoritmos y fomentar que utilicen diferentes datos y modelos. Es como decirle a una bandada de aves que mire en diferentes direcciones para que no choquen todas contra el mismo árbol. El documento concluye que, aunque la IA y los algoritmos están aquí para quedarse, su impacto depende enteramente de si permitimos que se conviertan en una multitud monolítica que piensa al unísono o si los mantenemos como un grupo diverso de pensadores independientes. La evidencia sugiere que sin esta diversidad, la próxima vez que los EE. UU. cierren el grifo, los algoritmos podrían hacer que el agua se drene mucho más rápido de lo que debería.

Resumen Técnico: Intermediación Algorítmica y la Transmisión Internacional de la Política Monetaria de EE. UU.

Problema y Motivación
Este documento investiga si el auge de la gestión de fondos impulsada por algoritmos e IA altera la transmisión internacional de la política monetaria de EE. UU. hacia los mercados emergentes. Mientras que la literatura existente sobre el Ciclo Financiero Global (p. ej., Rey, 2015; Miranda-Agrippino & Rey, 2020) documenta que los choques de EE. UU. impulsan un factor común en los precios de los activos globales, el mecanismo microfundamentado específico a través del cual la intermediación amplifica o atenúa estos choques sigue siendo una "caja negra".

Los autores argumentan que la fuente de la inestabilidad no es la presencia de algoritmos per se, sino la similitud de los modelos entre los fondos. Cuando los algoritmos dependen de señales y arquitecturas idénticas, producen errores de pronóstico correlacionados. Durante periodos de estrés, estos errores se refuerzan entre sí, intensificando las respuestas de los flujos de capital. Por el contrario, los modelos diversos permiten que los errores se compensen, lo que potencialmente estabiliza los flujos. Esta distinción es crítica dado el rápido crecimiento de la intermediación financiera no bancaria (NBFI, por sus siglas en inglés), que alcanzó el 51% de los activos financieros globales en 2024, con el crecimiento más rápido ocurriendo en los sectores de fondos de cobertura y vehículos de inversión que tienen mayor probabilidad de emplear estrategias algorítmicas.

Metodología
El documento emplea un enfoque de dos vertientes: un modelo teórico estructural y un análisis de panel empírico.

Marco Teórico (Modelo DSGE):
Los autores desarrollan un modelo de Equilibrio General Dinámico Estocástico (DSGE) de dos regiones (centro de EE. UU. y periferia de mercado emergente). La innovación central es el sector de intermediación, que consiste en:
- Fondos Tradicionales: Prestamistas de ajuste lento sujetos a costos de ajuste cuadráticos.
- Fondos Algorítmicos: Un continuo de fondos ( $j \in [0,1]$ ) que prestan basándose en señales ruidosas respecto a los choques de política monetaria de EE. UU. ( $MP_t$ ) y los fundamentos locales ( $F_t$ ).
El modelo introduce un único parámetro, la homogeneidad algorítmica ( $\phi \in [0,1]$ ), definida como la fracción de la varianza del error de pronóstico compartida entre los fondos. Las señales se descomponen en un componente común (impulsado por datos de entrenamiento/arquitectura compartidos) y un componente idiosincrático.

Crucialmente, el modelo incorpora precisión de señal dependiente del estado. Siguiendo a Orlik & Veldkamp (2024), la precisión de las señales locales se deteriora a medida que los fundamentos se alejan de su estado estacionario (es decir, durante recesiones profundas o sobrecalentamientos). Esto crea un mecanismo donde el umbral de amplificación es endógeno al estado económico.
Estrategia Empírica:
Los autores prueban la predicción central del modelo utilizando un panel de flujos de carteras de acciones hacia 19 mercados emergentes desde 2000Q1 hasta 2024Q4 ( $N=1,636$ ).
- Variable Dependiente: Flujos trimestrales de carteras de acciones (IMF BPM6).
- Variables Independientes Clave:
  - Choque Monetario ( $r_t$ ): Sorpresas de política monetaria de EE. UU. de alta frecuencia (San Francisco Fed USMPD).
  - Comportamiento Algorítmico ( $A_{herding}$ ): Un proxy para $\phi$ , construido como la correlación de 8 trimestres móviles entre los cambios en la posición de un país y un índice de referencia global (Estadísticas de Banca Local del BIS).
  - Régimen de Estrés ( $Crisis_t$ ): Una variable dummy igual a 1 cuando el VIX supera 30.
- Especificación: Un modelo de efectos fijos de triple interacción:
  $Y_{it} = \alpha r_t + \beta A_{i,t-1} + \delta Crisis_t + \beta_4 (A \times Crisis) + \beta_5 (r \times A) + \beta_6 (r \times Crisis) + \gamma (r \times A \times Crisis) + \mu_i + \varepsilon_{it}$
  El coeficiente de interés, $\gamma$ , captura la amplificación adicional de las salidas de capital durante los regímenes de estrés impulsada por el comportamiento de rebaño (herding) algorítmico.

Resultados Clave

Proposiciones Teóricas:
- Proposición 1 (Amplificación bajo Homogeneidad): La homogeneidad amplifica la varianza de la respuesta agregada de préstamo a un choque monetario, no la media. Los errores correlacionados sobreviven a la agregación, escalando la volatilidad de la respuesta por $\sqrt{\phi}$ .
- Proposición 2 (Atenuación bajo Heterogeneidad): A medida que $\phi \to 0$ (modelos diversos), los errores de pronóstico se cancelan, convirtiendo al sector algorítmico en un intermediario perfectamente informado y estabilizador.
- Proposición 3 (Umbral Dependiente del Estado): Existe un umbral $\phi^*$ que separa la atenuación de la amplificación. Este umbral depende del estado: cae a medida que los fundamentos locales se deterioran ( $\Delta F$ aumenta). En consecuencia, un sector algorítmico que estabiliza los flujos en tiempos tranquilos puede amplificarlos durante las crisis sin que cambie $\phi$ en sí mismo, simplemente porque el umbral cae por debajo del nivel de homogeneidad prevaleciente.
Hallazgos Empíricos:
- Amplificación Dependiente del Estado: El coeficiente de triple interacción $\gamma$ es negativo y estadísticamente significativo (al 5% en el modelo base). Esto confirma que el comportamiento de rebaño algorítmico amplifica las salidas de capital tras choques de contracción de EE. UU., pero solo durante los regímenes de alta volatilidad (estrés).
- Sin Efecto en Tiempos Tranquilos: La interacción de dos vías ( $r_t \times A_{herding}$ ) es insignificante en tiempos normales, lo que respalda la predicción del modelo de que la homogeneidad no amplifica la transmisión cuando los fundamentos son estables.
- Robustez: El signo negativo de $\gamma$ se mantiene en una batería de 12 especificaciones, incluyendo agrupamientos alternativos, eliminación de valores atípicos y exclusión de países específicos (como China) o episodios de crisis (como el COVID de 2020).
- Limitaciones: La significancia estadística del resultado es sensible a dos decisiones de diseño: (1) definir el régimen de estrés mediante el VIX (medida continua) en lugar de años calendario (función escalón), y (2) incluir la crisis financiera de 2008–09. Cuando se excluye la crisis de 2008–09, el coeficiente sigue siendo negativo y grande pero pierde significancia estadística, un resultado que los autores atribuyen a la pérdida del episodio de estrés más informativo para un mecanismo dependiente del estado.

Significancia y Contribuciones
El documento realiza tres contribuciones primarias a la literatura:

Microfundamentación del Ciclo Financiero Global: A diferencia de trabajos previos que tratan la intermediación como una caja negra, este documento proporciona un mecanismo microfundamentado (la agregación de errores de pronóstico correlacionados) que explica por qué la fuerza de la transmisión monetaria de EE. UU. varía en el tiempo y entre regímenes.
Riesgo Conductual vs. Institucional: Los autores demuestran que el riesgo de amplificación reside en la correlación conductual (homogeneidad de modelos) más que en el tamaño institucional de los intermediarios no bancarios. Un sector NBFI grande no es inherentemente frágil; se vuelve así solo cuando los modelos convergen.
Inversión de Signo Dependiente del Estado: Apartándose de la literatura que postula una relación monótona entre la adopción algorítmica y el riesgo (p. ej., Meng & Chen, 2026; Qiu & Han, 2026), este documento identifica una inversión cualitativa de signo. El mismo sector algorítmico estabiliza los flujos cuando los fundamentos son saludables y los amplifica solo cuando los fundamentos se deterioran.

Implicaciones de Política
Los autores argumentan que los marcos macroprudenciales actuales, que se centran en el tamaño y la concentración de las instituciones, están desalineados con los riesgos planteados por la intermediación algorítmica.

Regulación de la Diversidad: La política debe enfocarse en preservar la diversidad de modelos en lugar de limitar el tamaño de la intermediación no bancaria. Un regulador que limite el tamaño del sector mientras deja los modelos correlacionados podría aumentar inadvertidamente la fragilidad al forzar la consolidación en plataformas comunes.
Evitar la Estandarización: Mandatar modelos de riesgo o escenarios de estrés comunes podría ser contraproducente, ya que aumenta $\phi$ y el factor de amplificación.
Gestión Contracíclica: Debido a que el umbral de amplificación cae durante las crisis, los supervisores deben evaluar la homogeneidad de los modelos frente a un umbral contingente al estado. El momento óptimo para fomentar modelos heterogéneos es durante los periodos de calma, antes de que el incentivo para imitar erosione la diversidad.

El documento concluye que el sistema financiero internacional no tiene por qué volverse más frágil debido a la IA; el resultado es condicional a la diversidad de los modelos. La prioridad de política es hacer que esta diversidad sea observable y defenderla de manera contracíclica.

Más como este