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

Résumé Technique : Intermédiation Algorithmique et la Transmission Internationale de la Politique Monétaire des États-Unis

Problématique et Motivation
Cet article examine si l'essor de la gestion de fonds pilotée par les algorithmes et l'IA modifie la transmission internationale de la politique monétaire américaine vers les marchés émergents. Alors que la littérature existante sur le cycle financier mondial (par exemple, Rey, 2015 ; Miranda-Agrippino & Rey, 2020) documente que les chocs américains entraînent un facteur commun dans les prix des actifs mondiaux, le mécanisme microfondé spécifique par lequel l'intermédiation amplifie ou atténue ces chocs demeure une « boîte noire ».

Les auteurs soutiennent que la source de l'instabilité n'est pas la présence d'algorithmes en soi, mais la similarité des modèles entre les fonds. Lorsque les algorithmes s'appuient sur des signaux et des architectures identiques, ils produisent des erreurs de prévision corrélées. En période de stress, ces erreurs se renforcent mutuellement, intensifiant les réponses des flux de capitaux. À l'inverse, des modèles diversifiés permettent aux erreurs de s'annuler, ce qui peut stabiliser les flux. Cette distinction est cruciale étant donné la croissance rapide de l'intermédiation financière non bancaire (NBFI), qui a atteint 51 % des actifs financiers mondiaux en 2024, avec la croissance la plus rapide dans les secteurs des hedge funds et des véhicules d'investissement, les plus susceptibles d'employer des stratégies algorithmiques.

Méthodologie
L'article emploie une approche à deux volets : un modèle théorique structurel et une analyse de panel empirique.

1. Cadre Théorique (Modèle DSGE) :
   Les auteurs développent un modèle d'équilibre général dynamique stochastique (DSGE) à deux régions (un centre américain et une périphérie émergente). L'innovation centrale est le secteur de l'intermédiation, qui se compose de :

   • Fonds Traditionnels : Prêteurs à ajustement lent soumis à des coûts d'ajustement quadratiques.
   • Fonds Algorithmiques : Un continuum de fonds ($j \in [0,1]$) qui prêtent sur la base de signaux bruités concernant les chocs de politique monétaire américaine ($MP_t$) et les fondamentaux locaux ($F_t$).

   Le modèle introduit un paramètre unique, l'homogénéité algorithmique ($\phi \in [0,1]$), définie comme la fraction de la variance de l'erreur de prévision partagée entre les fonds. Les signaux sont décomposés en une composante commune (pilotée par des données d'entraînement/architectures partagées) et une composante idiosyncrasique.

   Crucialement, le modèle intègre une précision du signal dépendante de l'état. Suivant Orlik & Veldkamp (2024), la précision des signaux locaux se détériore lorsque les fondamentaux s'éloignent de leur état stationnaire (c'est-à-dire lors de récessions profondes ou de surchauffe). Cela crée un mécanisme où le seuil d'amplification est endogène à l'état économique.

2. Stratégie Empirique :
   Les auteurs testent la prédiction centrale de leur modèle à l'aide d'un panel de flux de portefeuilles d'actions vers 19 marchés émergents de 2000Q1 à 2024Q4 ($N=1\,636$).

   • Variable Dépendante : Flux de portefeuilles d'actions trimestriels (FMI BPM6).
   • Variables Indépendantes Clés :
     • Choc Monétaire ($r_t$) : Surprises de politique monétaire américaine à haute fréquence (San Francisco Fed USMPD).
     • Comportement Algorithmique ($A_{herding}$) : Un proxy pour $\phi$, construit comme la corrélation glissante sur 8 trimestres entre les changements de position d'un pays et un indice de référence mondial (Statistiques locatives de la BRI).
     • Régime de Stress ($Crisis_t$) : Une variable dummy égale à 1 lorsque le VIX dépasse 30.
   • Spécification : Un modèle à effets fixes à triple interaction :
     $$Y_{it} = \alpha r_t + \beta A_{i,t-1} + \delta Crisis_t + \beta_4 (A \times Crisis) + \beta_5 (r \times A) + \beta_6 (r \times Crisis) + \gamma (r \times A \times Crisis) + \mu_i + \varepsilon_{it}$$
     Le coefficient d'intérêt, $\gamma$, capture l'amplification supplémentaire des sorties de capitaux pendant les régimes de stress induite par l'instabilité algorithmique (herding).

Résultats Clés

1. Propositions Théoriques :

   • Proposition 1 (Amplification sous Homogénéité) : L'homogénéité amplifie la variance de la réponse globale du prêt à un choc monétaire, et non sa moyenne. Les erreurs corrélées survivent à l'agrégation, multipliant la volatilité de la réponse par $\sqrt{\phi}$.
   • Proposition 2 (Atténuation sous Hétérogénéité) : À mesure que $\phi \to 0$ (modèles diversifiés), les erreurs de prévision s'annulent, faisant de l'intermédiation algorithmique un intermédiaire parfaitement informé et stabilisateur.
   • Proposition 3 (Seuil dépendant de l'état) : Il existe un seuil $\phi^*$ séparant l'atténuation de l'amplification. Ce seuil est dépendant de l'état : il chute lorsque les fondamentaux locaux se détériorent ($\Delta F$ augmente). Par conséquent, un secteur algorithmique qui stabilise les flux en période de calme peut les amplifier en période de crise, sans aucun changement de $\phi$ lui-même, simplement parce que le seuil tombe en dessous du niveau d'homogénéité actuel.

2. Résultats Empiriques :

   • Amplification dépendante de l'état : Le coefficient de triple interaction $\gamma$ est négatif et statistiquement significatif (au seuil de 5 % dans la baseline). Cela confirme que l'instabilité algorithmique (herding) amplifie les sorties de capitaux suite à des chocs monétaires restrictifs américains, mais uniquement durant les régimes de haute volatilité (stress).
   • Aucun effet en période de calme : L'interaction double ($r_t \times A_{herding}$) est insignifiante en temps normal, soutenant la prédiction du modèle selon laquelle l'homogénéité n'amplifie pas la transmission lorsque les fondamentaux sont stables.
   • Robustesse : Le signe négatif de $\gamma$ se maintient à travers une batterie de 12 spécifications, incluant des regroupements alternatifs, la suppression des valeurs aberrantes et l'exclusion de certains pays (ex: Chine) ou épisodes de crise (ex: COVID 2020).
   • Limites : La signification statistique du résultat est sensible à deux choix de conception : (1) définir le régime de stress via le VIX (mesure continue) plutôt que par années civiles (fonction par paliers), et (2) l'inclusion de la crise financière de 2008-09. Lorsque la crise de 2008-09 est exclue, le coefficient reste négatif et important, mais perd sa signification statistique, un résultat que les auteurs attribuent à la perte de l'épisode de stress le plus informatif pour un mécanisme dépendant de l'état.

Signification et Contributions
L'article apporte trois contributions principales à la littérature :

1. Micro-fondation du Cycle Financier Mondial : Contrairement aux travaux antérieurs qui traitent l'intermédiation comme une boîte noire, cet article fournit un mécanisme microfondé (l'agrégation d'erreurs de prévision corrélées) expliquant pourquoi la force de la transmission monétaire américaine varie dans le temps et selon les régimes.
2. Risque Comportemental vs Institutionnel : Les auteurs démontrent que le risque d'amplification réside dans la corrélation comportementale (homogénéité des modèles) plutôt que dans la taille institutionnelle des intermédiaires non bancaires. Un large secteur NBFI n'est pas intrinsèquement fragile ; il le devient seulement lorsque les modèles convergent.
3. Renversement de Signe Dépendant de l'État : S'écartant de la littérature qui postule une relation monotone entre l'adoption algorithmique et le risque (ex: Meng & Chen, 2026 ; Qiu & Han, 2026), cet article identifie un renversement qualitatif de signe. Le même secteur algorithmique stabilise les flux lorsque les fondamentaux sont sains et les amplifie uniquement lorsque les fondamentaux se détériorent.

Implications Politiques
Les auteurs soutiennent que les cadres macroprudentiels actuels, qui se concentrent sur la taille et la concentration des institutions, sont mal alignés avec les risques posés par l'intermédiation algorithmique.

• Régulation de la Diversité : La politique devrait se concentrer sur la préservation de la diversité des modèles plutôt que sur la limitation de la taille de l'intermédiation non bancaire. Un régulateur plafonnant la taille du secteur tout en laissant les modèles corrélés pourrait involontairement accroître la fragilité en forçant la consolidation vers des plateformes communes.
• Éviter la Standardisation : Imposer des modèles de risque ou des scénarios de stress communs pourrait être contre-productif, car cela augmente $\phi$ et le facteur d'amplification.
• Gestion Contre-cyclique : Puisque le seuil d'amplification chute pendant les crises, les superviseurs doivent évaluer l'homogénéité des modèles par rapport à un seuil dépendant de l'état. Le moment optimal pour encourager des modèles hétérogènes est durant les périodes de calme, avant que l'incitation à l'imitation n'érode la diversité.

L'article conclut que le système financier international n'a pas nécessairement besoin de devenir plus fragile à cause de l'IA ; le résultat est conditionné par la diversité des modèles. La priorité politique est de rendre cette diversité observable et de la défendre de manière contre-cyclique.