💰 quantitative finance

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

Ce papier propose un modèle unifié démontrant que l'adoption de l'intelligence artificielle dans les marchés financiers amplifie le risque systémique de manière convexe via trois canaux interdépendants — prédiction performative, moutonnerie algorithmique et dépendance cognitive —, conduisant à une fragilité endogène et à des pertes en queue de distribution significativement accrues, comme le confirment des données empiriques sur les déclarations 13F de 2013 à 2024.

Auteurs originaux : Shuchen Meng, Xupeng Chen

Publié 2026-04-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Shuchen Meng, Xupeng Chen

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que le marché financier est une immense salle de concert où des milliers de musiciens (les investisseurs) jouent ensemble. Traditionnellement, chaque musicien avait sa propre partition et écoutait un peu les autres pour s'ajuster, mais gardait son propre rythme.

Aujourd'hui, l'Intelligence Artificielle (IA) est arrivée avec un nouveau chef d'orchestre. Ce chef d'orchestre est si brillant et si rapide que tout le monde veut l'écouter. Le problème, c'est que ce chef d'orchestre utilise la même partition pour tout le monde, et cette partition change en fonction de ce que les musiciens jouent.

Voici l'histoire racontée dans ce papier, expliquée simplement :

1. Les trois ingrédients du désastre

Les auteurs disent que le risque ne vient pas d'un seul problème, mais d'une "tempête parfaite" créée par trois ingrédients qui se renforcent mutuellement :

Le Chœur des Robots (L'effet de troupeau algorithmique) :
Imaginez que tous les robots utilisent la même recette de cuisine. Si la recette dit "achetez du poisson", ils achètent tous du poisson en même temps. Comme ils ont tous la même source d'information (les mêmes données d'entraînement), ils ne pensent pas de la même manière, mais de la même façon. C'est comme si 1000 personnes dans une foule décidaient toutes de courir vers la même sortie en même temps.
La Prophétie Auto-Réalisatrice (La prédiction performative) :
C'est le côté magique et dangereux. Si les robots disent "Le prix de l'huile va monter", ils achètent tellement d'huile que le prix monte vraiment ! Leurs prédictions créent la réalité qu'ils prévoyaient. Mais si tous les robots disent "Vendez !", le prix s'effondre, ce qui confirme leur peur. C'est un cercle vicieux : la prédiction crée le marché, et le marché nourrit la prédiction.
L'Amnésie des Humains (La dépendance cognitive) :
C'est le point le plus subtil. À force de laisser les robots prendre les décisions, les humains (les gestionnaires de fonds) oublient comment analyser le marché par eux-mêmes. C'est comme un pilote de ligne qui ne s'entraîne plus jamais à piloter manuellement. Si les robots tombent en panne, les humains ne savent plus comment reprendre le contrôle. Ils sont devenus dépendants de la machine.

2. Le mécanisme : Pourquoi ça explose ?

Le papier explique que plus on utilise l'IA, plus le système devient fragile, mais pas de façon linéaire. C'est comme un tremblement de terre.

Au début, tout va bien. Les robots rendent le marché plus efficace.
Mais à un certain point, on atteint un seuil critique. C'est comme une avalanche : un petit bruit (une petite erreur) peut déclencher un effondrement massif.
Le papier montre que le risque ne croît pas doucement, il explose soudainement. C'est ce qu'ils appellent une "bifurcation". Un jour, tout est stable ; le lendemain, à cause d'un petit changement dans la pression des managers (qui veulent suivre la tendance pour ne pas être licenciés), tout le monde bascule vers l'IA, et le système devient extrêmement fragile.

3. Le piège de l'irréversibilité

C'est la partie la plus inquiétante. Une fois que le système est entré dans ce mode "monoculture" (tout le monde utilise la même IA), il est très difficile d'en sortir.

Pourquoi ? Parce que les humains ont perdu leurs compétences (l'amnésie mentionnée plus haut).
Même si les régulateurs disent "Arrêtez d'utiliser cette IA", les humains ne peuvent pas revenir à l'ancienne méthode aussi vite qu'ils l'ont adoptée. C'est comme essayer de courir après avoir porté des béquilles pendant 10 ans : vos muscles ont rétréci.
Le système est donc "coincé" dans un état dangereux. C'est ce qu'on appelle un phénomène d'hystérésis : le chemin pour entrer dans le danger est différent du chemin pour en sortir.

4. Ce que les données disent

Les auteurs n'ont pas juste théorisé ; ils ont regardé les faits. Ils ont analysé des millions de dossiers de portefeuille (les formulaires 13F aux États-Unis) sur 10 ans.

Ce qu'ils ont vu : Depuis 2016 (l'arrivée massive de l'IA), les portefeuilles des grands investisseurs sont devenus de plus en plus identiques. Ils achètent et vendent exactement les mêmes actions en même temps.
Le test de stress : Quand le marché a eu peur (comme pendant la crise du COVID ou la chute du Nikkei), les investisseurs utilisant l'IA ont réagi exactement de la même manière, confirmant qu'ils ne font pas de "bruit" individuel, mais qu'ils agissent comme un seul bloc.

5. La conclusion : Que faire ?

Le papier ne dit pas "interdisez l'IA". Il dit que l'IA est un outil puissant, mais qu'elle a créé un nouveau type de risque que les régulateurs actuels ne voient pas.

Voici leurs suggestions simples :

Stress-tests pour les IA : Au lieu de tester comment les banques réagissent à une récession, testez comment elles réagissent si toutes leurs IA se trompent en même temps.
Obligation de diversité : Forcez les banques à utiliser différentes IA, avec des données d'entraînement différentes, pour éviter qu'ils ne suivent tous la même "partition".
Gardien humain : Obligez les humains à rester en forme. Ils doivent garder la capacité de piloter l'avion manuellement. Pas de "pilote automatique" sans supervision active.

En résumé :
Ce papier nous met en garde contre un monde où tout le monde utilise le même GPS. Si ce GPS se trompe, tout le monde se trompe en même temps, et comme personne ne sait plus lire une carte (les humains ont oublié), nous sommes tous bloqués dans un cul-de-sac financier. Le danger n'est pas l'IA elle-même, mais le fait que nous ayons tous choisi la même IA et oublié comment penser par nous-mêmes.

1. Problématique et Contexte

L'article examine comment l'adoption de l'intelligence artificielle (IA) dans les marchés financiers génère un risque systémique endogène via trois canaux interdépendants : la prédiction performative, l'alignement algorithmique (herding) et la dépendance cognitive.

Contrairement aux modèles traditionnels qui traitent ces risques séparément (cycles de levier, trades encombrés), les auteurs soutiennent que l'interaction de ces trois mécanismes crée une dynamique non linéaire et irréversible. Le risque n'est pas simplement la somme des parties, mais le produit d'interactions multiplicatives qui peuvent conduire à une « monoculture algorithmique » fragile, où les chocs mineurs sont amplifiés de manière disproportionnée.

2. Méthodologie

L'étude combine une modélisation théorique rigoureuse, une analyse empirique sur de grandes bases de données et des simulations multi-agents.

A. Cadre Théorique (Modèle Unifié)

Les auteurs développent un modèle en trois couches au sein d'une économie de type Kyle étendue avec des anticipations rationnelles et une adoption endogène :

Couche 1 (Fragilité Endogène) : Un marché avec des signaux corrélés et une rétroaction performative. La profondeur du marché ( $\lambda$ ) diminue de manière convexe avec l'adoption de l'IA.
Couche 2 (Jeu d'Adoption) : Intégration d'un jeu supermodulaire avec des coûts de basculement hétérogènes et des pressions de carrière (conformité). Cela permet d'analyser les transitions de phase.
Couche 3 (Dépendance Cognitive) : Introduction d'une variable d'état endogène ( $\sigma_H$ ) représentant la dégradation des compétences humaines due à l'automatisation, créant une irréversibilité.

L'objet central : Le couplage du risque systémique $r(\phi)$ est défini par :
$r(\phi) = \frac{\phi \rho \beta}{\lambda'(\phi)}$
Où :

$\phi$ : Part d'adoption de l'IA.
$\rho$ : Corrélation des signaux algorithmiques (homogénéité).
$\beta$ : Intensité de la rétroaction performative (les prédictions influencent les fondamentaux).
$\lambda'(\phi)$ : Impact de prix effectif endogène (décroissant avec $\phi$ ).

Le multiplicateur de risque systémique est $M = (1 - r)^{-1}$ .

B. Validation Empirique

Données : Univers complet des déclarations SEC Form 13F (99,5 millions de positions, 10 957 gestionnaires, 2013–2024).
Identification : Utilisation d'une variable instrumentale de type Bartik (shift-share) exploitant la réceptivité technologique préexistante et la convergence « leave-one-out » (F-statistique de premier étage = 22,7).
Analyse NLP : Comptage des mots-clés liés à l'IA dans les filings EDGAR pour mesurer l'intensité de l'adoption et la dépendance cognitive.

C. Simulations

Un modèle à base d'agents (ABM) de grande échelle (500 agents institutionnels) est utilisé pour valider les prédictions hors échantillon et tester des scénarios de régulation non couverts par les solutions analytiques fermées.

3. Contributions Clés et Résultats Théoriques

A. Le Couplage Convexe et l'Amplification Superlinéaire

Le résultat central est que le couplage $r(\phi)$ est convexe par rapport à l'adoption $\phi$ .

L'adoption de l'IA réduit la profondeur du marché ( $\lambda$ diminue) car les traders informés partagent des signaux corrélés, ce qui réduit l'asymétrie d'information pour le market maker.
Simultanément, la rétroaction performative ( $\beta$ ) amplifie les écarts de prix.
Conséquence : Le multiplicateur de risque $M$ croît de manière superlinéaire. Une augmentation marginale de l'adoption de l'IA entraîne une accélération disproportionnée du risque de queue (tail risk).

B. Bifurcation Nœud-Selle et Transition de Phase

L'intégration du jeu d'adoption révèle une bifurcation nœud-selle :

L'augmentation progressive de la pression de carrière (conformité) ne conduit pas à une adoption lisse, mais à un saut discontinu vers une équilibre de monoculture ( $\phi \to 1$ ).
Ce saut entraîne une augmentation brutale du multiplicateur de risque systémique, distincte des transitions technologiques standards.

C. Théorèmes d'Impossibilité et de Nécessité

Théorème d'Impossibilité (Hystérèse) : Dans tout modèle statique de signaux corrélés sans variable d'état endogène dégradant les compétences humaines, l'hystérèse est nulle. Le système revient à son état initial si les paramètres changent.
Théorème de Nécessité des Canaux : Chaque canal est indispensable pour une propriété qualitative spécifique :
1. Corrélation ( $\rho$ ) : Nécessaire pour l'existence du piège (échec de coordination).
2. Rétroaction Performative ( $\beta$ ) : Nécessaire pour le danger ( $M > 1$ ).
3. Dépendance Cognitive ( $\kappa$ ) : Nécessaire pour l'irréversibilité (hystérèse). Sans elle, le système peut sortir du piège aussi facilement qu'il y est entré.

D. Le Paradoxe « Calme avant la Tempête »

Le modèle prédit que dans un régime de monoculture, la volatilité inconditionnelle peut être faible (car les erreurs sont corrélées et non diversifiées, mais le marché semble stable), tandis que la volatilité conditionnelle de queue (risque de crash) est extrêmement élevée.

Signature empirique distinctive : La dispersion des rendements au sein du groupe d'IA reste stable ( $\approx 1$ ) même en période de stress (les IA font les mêmes erreurs), contrairement aux modèles de cycle de levier où la dispersion augmente lors du désendettement hétérogène.

4. Résultats Empiriques et Calibration

Convergence de Portefeuille : L'analyse des données 13F montre une augmentation significative de la similarité des portefeuilles (cosinus moyen passant de 0,089 à 0,100) après l'adoption massive de l'IA (post-2016).
Estimation des Paramètres :
- Corrélation des signaux ( $\rho$ ) $\approx 0,60$ .
- Intensité performative ( $\beta$ ) $\approx 0,28$ .
- Part d'adoption ( $\phi$ ) $\approx 0,70$ .
Amplification du Risque : Ces paramètres impliquent un multiplicateur de risque $M \in [1,18 ; 1,54]$ , soit une amplification des pertes de queue de 18 % à 54 %. Cela est économiquement significatif par rapport aux tampons anticycliques de Bâle III.
Preuve d'Irréversibilité : L'analyse textuelle (NLP) confirme une tendance en « ratchet » (cliquet) : la dépendance à l'IA augmente avec le temps et ne diminue pas proportionnellement lors des crises, soutenant l'hypothèse de dégradation des compétences humaines.

5. Signification et Implications Politiques

L'article remet en cause l'idée que l'IA améliore toujours l'efficacité des marchés. Il identifie un risque systémique spécifique à l'IA, distinct des risques de levier traditionnels, car la variable d'état critique est le capital cognitif (compétences humaines) et non le capital financier.

Recommandations de politique publique :

Tests de Résistance Macroprudentiels pour l'IA (MAST) : Évaluer les scénarios de chocs de signaux communs et mesurer la diversité des modèles.
Exigences de Diversité des Modèles : Imposer des plafonds de corrélation ( $\bar{\rho}$ ) et diversifier les données d'entraînement et les architectures.
Gouvernance « Humain dans la Boucle » : Mandats pour limiter la dépendance cognitive (ex: $d \le 0,7$ ) et maintenir les compétences humaines via des exercices de simulation (« fire drills »).
Transparence : Normes de reporting standardisées (Model Cards) pour les architectures d'IA et les sources de données.

Conclusion :
Le papier démontre que la convergence algorithmique, couplée à la rétroaction performative et à l'atrophy des compétences humaines, crée un système financier susceptible de basculer brutalement vers un état de monoculture fragile et irréversible. L'action corrective devient exponentiellement plus coûteuse à mesure que la dépendance cognitive s'installe, soulignant l'urgence d'une régulation proactive ciblant la structure de l'information plutôt que seulement les positions de marché.