💰 quantitative finance

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

यह शोध पत्र एक एकीकृत मॉडल विकसित करता है जो यह प्रदर्शित करता है कि वित्तीय बाजारों में एआई (AI) का अपनाना परफॉर्मेटिव प्रेडिक्शन (performative prediction), एल्गोरिद्मिक हर्डिंग (algorithmic herding) और संज्ञानात्मक निर्भरता (cognitive dependency) के परस्पर सुदृढ़ चैनलों के माध्यम से सुपरलीनियर प्रणालीगत जोखिम (superlinear systemic risk) उत्पन्न करता है, जिससे उत्तल भंगुरता (convex fragility), संभावित एल्गोरिद्मिक मोनोकल्चर (algorithmic monocultures) और 18-54% का अनुभवजन्य रूप से सत्यापित टेल-लॉस प्रवर्धन (tail-loss amplification) होता है।

मूल लेखक: Shuchen Meng, Xupeng Chen

प्रकाशित 2026-04-07

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shuchen Meng, Xupeng Chen

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि वित्तीय बाजार एक विशाल, हलचल भरे ऑर्केस्ट्रा की तरह है। दशकों से, संगीतकार (निवेशक) अलग-अलग शीट संगीत बजा रहे थे, अलग-अलग कंडक्टरों को सुन रहे थे, और कभी-कभी थोड़ा तालमेल से बाहर भी बज रहे थे। इस "शोर" ने संगीत को दिलचस्प बनाए रखा और पूरे समूह को एक ही समय में एक बड़ी, एकीकृत गलती करने से रोका।

अब, कल्पना कीजिए कि ऑर्केस्ट्रा के हर संगीतकार को अचानक बिल्कुल एक जैसा शीट संगीत थमा दिया गया है, एक ही AI शिक्षक द्वारा प्रशिक्षित किया गया है, और एक ही कंडक्टर को सुनने के लिए कहा गया है।

यह शोध पत्र तर्क देता है कि हालांकि यह सुनने में कुशल लगता है, लेकिन यह एक भयानक नए प्रकार का जोखिम पैदा करता है। लेखक, शुचेन मेंग और ज़ुपेन्ग चेन, समझाते हैं कि वित्त में आर्टिफिशियल इंटेलिजेंस (AI) केवल एक उपकरण नहीं है; यह एक तीन-चरणीय जाल है जो एक छोटी सी गलती को वैश्विक वित्तीय आपदा में बदल सकता है।

यहाँ उस जाल की कहानी है, जिसे तीन सरल भागों में विभाजित किया गया है।

1. जाल के तीन पैर

लेखक कहते हैं कि AI तीन सुदृढ़ चैनलों के माध्यम से जोखिम पैदा करता है। इन्हें एक स्टूल के तीन पैरों के रूप में सोचें जो, जब एक साथ जुड़ते हैं, तो अविश्वसनीय रूप से अस्थिर हो जाते हैं।

पैर 1: प्रतिध्वनि कक्ष (एल्गोरिद्मिक हर्डिंग - Algorithmic Herding)
कल्पना कीजिए कि यदि ऑर्केस्ट्रा का हर संगीतकार एक ही रेडियो स्टेशन सुन रहा हो। यदि उस रेडियो स्टेशन में कोई स्टैटिक कड़कड़ाहट (खराब सिग्नल) आती है, तो सभी उसे एक ही समय में सुनते हैं।

वास्तविकता: AI मॉडल अक्सर एक ही विशाल डेटासेट पर प्रशिक्षित होते हैं और समान कोड का उपयोग करते हैं। यदि डेटा में कोई दोष है, या यदि बाजार को कोई अजीब संकेत मिलता है, तो सभी AI सिस्टम एक ही तरह से प्रतिक्रिया देते हैं। वे केवल एक साथ व्यापार नहीं करते; वे एक साथ सोचते हैं। इसे एल्गोरिद्मिक हर्डिंग कहा जाता है।

पैर 2: स्वयं-सिद्ध भविष्यवाणी (परफॉर्मेटिव प्रेडिक्शन - Performative Prediction)
यह सबसे अजीब हिस्सा है। कल्पना कीजिए कि एक मौसम विज्ञानी बारिश की भविष्यवाणी करता है। क्योंकि हर कोई उस पूर्वानुमान पर विश्वास करता है, इसलिए वे सभी छाते खरीदते हैं। छतों की अचानक मांग के कारण छतों की कीमत आसमान छूने लगती है, जिससे किसी तरह मौसम वास्तव में बारिश में बदल जाता है (इस वित्तीय दुनिया में, कीमतें अर्थव्यवस्था को प्रभावित करती हैं)।

वास्तविकता: जब AI भविष्यवाणी करता है कि स्टॉक नीचे जाएगा, तो वह बेच देता है। बिक्री कीमतों को नीचे ले जाती है। क्योंकि कीमत अब कम है, इसलिए AI की भविष्यवाणी "सही" थी। लेकिन AI फिर उस नई, कम कीमत का उपयोग अपने अगले मॉडल को प्रशिक्षित करने के लिए करता है, जिससे यह विचार पुख्ता होता है कि कीमत वास्तव में कम होनी चाहिए। यह एक ऐसा लूप है जहाँ भविष्यवाणी वास्तविकता का निर्माण करती है, जिससे बाजार अधिक नाजुक हो जाता है।

पैर 3: जंग लगा हुआ मस्तिष्क (संज्ञानात्मक निर्भरता - Cognitive Dependency)
यह सबसे खतरनाक पैर है। कल्पना कीजिए कि संगीतकार अपने वाद्य यंत्रों का अभ्यास करना छोड़ देते हैं क्योंकि AI शीट संगीत इतना सटीक है। वे आलसी हो जाते हैं। वे AI के बिना बजाना भूल जाते हैं।

वास्तविकता: जैसे-जैसे मनुष्य AI पर अधिक निर्भर होते जाते हैं, बाजार को समझने की उनकी अपनी क्षमता ("मानवीय कौशल") कम होती जाती है, जैसे कि एक मांसपेशी जो उपयोग नहीं की जा रही है। यदि AI टूट जाता है या पागल हो जाता है, तो मनुष्य हस्तक्षेप करने और उसे ठीक करने के लिए बहुत "जंग लगे" हुए होते हैं। वे AI के तर्क में फंस जाते हैं।

2. "टिपिंग पॉइंट" (सैडल-नोड बिफर्केशन - Saddle-Node Bifurcation)

शोध पत्र एक फैंसी गणितीय शब्द का उपयोग करता है जिसे "सैडल-नोड बिफर्केशन" कहा जाता है, लेकिन आप इसे टिपिंग पॉइंट के रूप में समझ सकते हैं।

कल्पना कीजिए कि आप एक पहाड़ी पर एक भारी पत्थर को धकेल रहे हैं। लंबे समय तक, ऐसा लगता है कि आप प्रगति कर रहे हैं। लेकिन एक विशिष्ट बिंदु आता है जहाँ, यदि आप थोड़ा और जोर से धक्का देते हैं, तो पत्थर केवल थोड़ा आगे नहीं बढ़ता—वह किनारे से नीचे गिर जाता है और अनियस्त रूप से तेज होने लगता है।

बाजार में: जैसे-जैसे अधिक बैंक AI अपनाते हैं, यह सुरक्षित और कुशल लगता है। लेकिन एक बार जब यह अपनाने की सीमा (उनके मॉडल में लगभग 70%) पार हो जाती है, तो सिस्टम बदल जाता है। अचानक, बाजार एक "मोनोकल्चर" (सब कुछ बिल्कुल एक जैसा कर रहे हैं) बन जाता है।
परिणाम: एक छोटा सा झटका (जैसे समाचार रिपोर्ट में टाइपो या ब्याज दर में मामूली बदलाव) एक बड़े क्रैश को ट्रिगर कर सकता है क्योंकि हर कोई ठीक उसी मिलीसेकंड में प्रतिक्रिया दे रहा होता है।

3. "तूफान से पहले की शांति" का विरोधाभास (The "Calm Before the Storm" Paradox)

यहाँ वह डरावना हिस्सा है जिसे लेखक "तूफान से पहले की शांति" कहते हैं।

जब AI मोनोकल्चर काम कर रहा होता है, तो बाजार अत्यधिक स्थिर दिखाई देता है। क्योंकि हर कोई इतना सिंक्रनाइज़ है, कीमतें बहुत कम हिलती हैं। यह एक चिकने, शांत समुद्र जैसा दिखता है।

जाल: यह शांति एक भ्रम है। यह एक खिंचे हुए रबर बैंड की तरह है। यह जितना अधिक "शांत" दिखता है, उतना ही तनाव बनता जा रहा है।
क्रैश: जब रबर बैंड अंततः टूटता है, तो क्रैश हिंसक और अचानक होता है। शोध पत्र सुझाव देता है कि संकट के दौरान, नुकसान इस AI जाल के बिना होने वाले नुकसान की तुलना में 18% से 54% अधिक हो सकता है।

4. हम इसे बंद क्यों नहीं कर सकते? (अपरिवर्तनीयता - The Irreversibility)

यह "रैचेट इफेक्ट" (Ratchet Effect) है।
कल्पना कीजिए कि आप एक ऐसे कमरे में हैं जिसका दरवाजा अंदर से लॉक होता है। आप आसानी से अंदर जा सकते हैं, लेकिन एक बार जब आप अंदर होते हैं, तो आप उसी तरह वापस बाहर नहीं निकल सकते।

समस्या: संज्ञानात्मक निर्भरता (पैर 3) के कारण, एक बार जब मनुष्य AI के बिना व्यापार करना भूल जाते हैं, तो वे चाहकर भी पुराने तरीके पर "वापस" नहीं जा सकते। यदि AI अराजकता पैदा करने लगता है, तो मनुष्य दिन बचाने के लिए हस्तक्षेप नहीं कर सकते क्योंकि वे कौशल खो चुके हैं।
परिणाम: भले ही नियामक इस समस्या को ठीक करने की कोशिश करें, सिस्टम तुरंत सामान्य स्थिति में नहीं लौटता है। यह लंबे समय तक एक "नाजुक" अवस्था में फंसा रहता है।

बड़ी तस्वीर: इसका आपके लिए क्या अर्थ है?

लेखक यह नहीं कह रहे हैं कि AI बुरा है। AI पैटर्न खोजने और बाजारों को कुशल बनाने में महान है। लेकिन वे चेतावनी देते हैं कि हम एक ऐसा सिस्टम बना रहे हैं जहाँ हर कोई एक ही समय में एक ही विचार सोच रहा है।

उपमा: यह मछलियों के झुंड की तरह है। यदि वे सभी पूर्ण तालमेल में तैरते हैं, तो वे सुंदर और कुशल दिखते हैं। लेकिन यदि एक शार्क (बाजार का झटका) दिखाई देती है, और वे सभी एक ही समय में एक ही दिशा में मुड़ते हैं, तो वे एक साथ चट्टान से टकरा सकते हैं।
समाधान: शोध पत्र सुझाव देता है कि हमें अपने AI में "विविधता" की आवश्यकता है। हमें यह नहीं होने देना चाहिए कि हर बैंक एक ही AI मॉडल का उपयोग करे। हमें मनुष्यों को अपने कौशल का अभ्यास जारी रखने के लिए मजबूर करने की आवश्यकता है ताकि यदि रोबोट पागल हो जाए तो वे नियंत्रण संभाल सकें। हमें इन AI सिस्टमों का परीक्षण "तनाव परीक्षणों" (stress tests) के साथ करने की भी आवश्यकता है जो यह सिम्युलेट करते हैं कि क्या होता है जब वे सभी एक साथ घबरा जाते हैं।

संक्षेप में: शोध पत्र चेतावनी देता है कि हमारे वित्तीय तंत्र को स्मार्ट और कुशल बनाकर, हम अनजाने में ताश के पत्तों का एक ऐसा घर बना रहे हैं जो तब तक सुंदर दिखता है जब तक कि हल्की सी हवा उसे गिरा न दे, जिससे हमारे पास इसे जल्दी से फिर से बनाने का कोई तरीका नहीं बचता।

यहाँ शचुन मेंग और ज़ुपेन्ग चेन के शोध पत्र "आर्टिफिशियल इंटेलिजेंस एंड सिस्टेमिक रिस्क: ए यूनिफाइड मॉडल ऑफ परफॉर्मेटिव प्रेडिक्शन, एल्गोरिद्मिक हर्डिंग, एंड कॉग्निटिव डिपेंडेंसी इन फाइनेंशियल मार्केट्स" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र वित्तीय स्थिरता साहित्य के एक महत्वपूर्ण अंतराल को संबोधित करता है: कैसे वित्तीय बाजारों में आर्टिफिशियल इंटेलिजेंस (AI) का व्यापक उपयोग सिस्टेमिक रिस्क (प्रणालीगत जोखिम) उत्पन्न करता है, जो पारंपरिक लीवरेज चक्रों या क्राउडेड ट्रेड्स से भिन्न तंत्रों के माध्यम से होता है। जबकि मौजूदा साहित्य यह स्वीकार करता है कि AI मूल्य खोज (price discovery) में सुधार कर सकता है, लेखक तर्क देते हैं कि उच्च एडॉप्शन रेट और एल्गोरिद्मिक होमोजेनिटी (एकरूपता) मिलकर एक "मोनोकल्चर ट्रैप" (एकल-संस्कृति का जाल) बना देते हैं। यह जाल निम्नलिखित की ओर ले जाता है:

एंडोजनस फ्रैजिलिटी (अंतर्जात भंगुरता): जैसे-जैसे AI का एडॉप्शन बढ़ता है, बाजार की गहराई (market depth) कम होने लगती है।
सुपरलीनियर रिस्क एम्प्लीफिकेशन (अति-रैखिक जोखिम प्रवर्धन): टेल लॉस (अत्यधिक नुकसान) AI पैठ की तुलना में बहुत अधिक तेजी से बढ़ते हैं।
इरवर्सिबिलिटी (अपरिवर्तनीयता): एक बार जब सिस्टम 'मोनोकल्चर स्टेट' में प्रवेश कर जाता है, तो मानवीय कौशल के क्षरण (atrophy) के कारण यह आसानी से विविध अवस्था में वापस नहीं लौट सकता।

केंद्रीय प्रश्न यह है कि क्या परफॉर्मेटिव प्रेडिक्शन (AI भविष्यवाणियां उन मौलिक आधारों को प्रभावित करती हैं जिनका वे पूर्वानुमान लगाती हैं), एल्गोरिद्मिक हर्डिंग (सहसंबंधित संकेत), और कॉग्निटिव डिपेंडेंसी (AI पर मानवीय निर्भरता) का परस्पर प्रभाव एक अनूठा, नॉन-लीनियर सिस्टेमिक रिस्क प्रोफाइल बनाता है जिसे मानक मॉडल पकड़ने में विफल रहते हैं।

2. कार्यप्रणाली (Methodology)

लेखक सैद्धांतिक मॉडलिंग, अनुभवजन्य अर्थशास्त्र (empirical econometrics), और एजेंट-आधारित सिमुलेशन को संयोजित करने वाला एक बहु-स्तरीय दृष्टिकोण अपनाते हैं।

A. सैद्धांतिक ढांचा (तीन-परतीय मॉडल)

यह मॉडल एंडोजेनस मार्केट डेप्थ और सहसंबंधित संकेतों (फॉस्टर और विस्वनाथन, 1996) के साथ काइल (1985) के तर्कसंगत अपेक्षा ढांचे का विस्तार करता है। इसे तीन प्रगतिशील परतों में बनाया गया है:

लेयर 1 (एंडोजेनस फ्रैजिलिटी): एक न्यूनतम अर्थव्यवस्था जिसमें सहसंबंधित AI संकेत और परफॉर्मेटिव फीडबैक शामिल हैं। यह सिस्टेमिक रिस्क कपलिंग $r(\phi)$ $r (ϕ)$ को व्युत्पन्न करता है, जहाँ $\phi$ $ϕ$ AI एडॉप्शन शेयर है।
- मुख्य समीकरण: $r(\phi) = \frac{\phi \rho \beta}{\lambda'(\phi)}$
- जहाँ $\rho$ सिग्नल सहसंबंध है, $\beta$ परफॉर्मेटिव फीडबैक तीव्रता है, और $\lambda'(\phi)$ एंडोजेनस प्रभावी प्राइस इम्पैक्ट (मार्केट डेप्थ) है।
- तंत्र: जैसे-जैसे $\phi$ बढ़ता है, सहसंबंधित ट्रेडिंग मार्केट मेकर्स के लिए एडवर्स सिलेक्शन को कम करती है, जिससे $\lambda'(\phi)$ कम हो जाता है। यह मार्केट डेप्थ की कमी फीडबैक लूप को बढ़ा देती है, जिससे $r(\phi)$ एडॉप्शन के साथ कॉन्वेक्स (उत्तल) हो जाता है।
लेयर 2 (एडॉप्शन गेम एंड फेज ट्रांजिशन): इसमें विषम स्विचिंग लागत और करियर संबंधी चिंताओं (शार्फस्टीन और स्टीन, 1990) के साथ एक सुपरमॉड्यूलर एडॉप्शन गेम को शामिल किया गया है।
- परिणाम: एक विविध साम्यावस्था (equilibrium) से "मोनोकल्चर" साम्यावस्था में संक्रमण एक सैडल-नोड बिफरकेशन है। करियर के दबाव में क्रमिक वृद्धि एडॉप्शन ( $\phi$ ) और रिस्क मल्टीप्लायर $M = (1-r)^{-1}$ में विच्छिन्न उछाल (discontinuous jump) पैदा करती है।
लेयर 3 (कॉग्निटिव डिपेंडेंसी एंड इरवर्सिबिलिटी): यह एक एंडोजेनस स्टेट वेरिएबल $\sigma_H(t)$ $σ_{H} (t)$ पेश करता है जो मानवीय कौशल की सटीकता का प्रतिनिधित्व करता है, जो AI पर निर्भरता ( $d_i$ $d_{i}$ ) बढ़ने के साथ घटता जाता है।
- परिणाम: यह हिस्टेरेसिस (hysteresis) पैदा करता है। मोनोकल्चर से बाहर निकलने की दहलीज ( $c^{**}$ ), मोनोकल्चर में प्रवेश करने की दहलीज ( $c^*$ ) से काफी कम है, जो सिस्टम को पाथ-डिपेंडेंट और अपरिवर्तनीय बनाता है।

B. अनुभवजन्य रणनीति (Empirical Strategy)

डेटा: SEC फॉर्म 13F फाइलिंग (2013-2024) का संपूर्ण ब्रह्मांड, जिसमें 99.5 मिलियन होल्डिंग्स और 10,957 संस्थागत प्रबंधक शामिल हैं।
आइडेंटिफिकेशन: एंडोजेनिटी को दूर करने के लिए एक बार्टिक शिफ्ट-शेयर इंस्ट्रुमेंटल वेरिएबल (IV) का उपयोग किया गया है।
- इंस्ट्रुमेंट: प्री-पीरियड टेक्नोलॉजी रिसेप्टिविटी (पोर्टफोलियो ओवरलैप विद टॉप CUSIPs) और लीव-वन-आउट कन्वर्जेंस ट्रेंड्स का इंटरेक्शन।
- शक्ति: प्रथम-चरण का $F$ -सांख्यिकी 22.7 है।
NLP विश्लेषण: AI एडॉप्शन तीव्रता और कॉग्निटिव डिपेंडेंसी प्रॉक्सी (जैसे, "AI reliance" बनाम "human judgment" भाषा) को ट्रैक करने के लिए EDGAR फुल-टेक्स्ट फाइलिंग का विश्लेषण किया गया है।
पैरामीटर एस्टीमेशन: $\rho \approx 0.60$ (रिटर्न डिस्पर्शन से) और $\beta \approx 0.28$ (प्राइस-फंडामेंटल गैप पर्सिस्टेंस से) को अप्रत्यक्ष रूप से पहचाना गया है।

C. एजेंट-आधारित सिमुलेशन (ABM)

एक बड़े पैमाने का सिमुलेशन ( $N=500$ एजेंट) सीमित आबादी और नॉन-लीनियर डायनेमिक्स के तहत क्लोज्ड-फॉर्म थ्योरी को मान्य करता है, और आउट-ऑफ-सैंपल भविष्यवाणियों जैसे नियामक हस्तक्षेपों और स्पीड बम्प्स का परीक्षण करता है।

3. मुख्य योगदान (Key Contributions)

एकीकृत सिस्टेमिक रिस्क मॉडल: यह शोध पत्र पहला है जो एक एकल साम्यावस्था ढांचे के भीतर परफॉर्मेटिव फीडबैक, एल्गोरिद्मिक हर्डिंग, और कॉग्निटिव डिपेंडेंसी को संयुक्त रूप से मॉडल करता है। यह प्रदर्शित करता है कि ये चैनल संरचनात्मक रूप से अविभाज्य हैं; इनमें से किसी एक को हटाने से एक विशिष्ट गुणात्मक विशेषता (अस्तित्व, खतरा, या अपरिवर्तनीयता) समाप्त हो जाती है।
कॉन्वेक्स कपलिंग और सुपरलीनियर मल्टीप्लायर: लेखक यह व्युत्पन्न करते हैं कि सिस्टेमिक रिस्क मल्टीप्लायर $M$ , AI एडॉप्शन के साथ सुपरलीनियरली बढ़ता है। रैखिक मॉडलों के विपरीत, स्थिरता सीमा के पास AI पैठ में मामूली वृद्धि भी टेल रिस्क में विस्फोटक वृद्धि का कारण बनती है।
इम्पॉसिबिलिटी थ्योरम (असंभवता प्रमेय): यह पेपर सिद्ध करता है कि हिस्टेरेसिस (अपरिवर्तनीयता) स्टैटिक कोरिलेटेड-सिग्नल मॉडल्स (मौजूदा साहित्य) में तब तक उत्पन्न नहीं हो सकती जब तक कि कोई एंडोजेनस स्टेट वेरिएबल जैसे कॉग्निटिव डिपेंडेंसी मौजूद न हो। यह वित्तीय स्थिरता मॉडलों के लिए एक नया सैद्धांतिक सीमा स्थापित करता है।
विशिष्ट अनुभवजन्य हस्ताक्षर (Distinct Empirical Signature): मॉडल भविष्यवाणी करता है कि AI मोनोकल्चर के तहत, विथ-इन-ग्रुप रिटर्न डिस्पर्शन स्थिर रहता है ( $\Delta_{stress}/\Delta_{calm} \approx 1$ ), जबकि लीवरेज-साइकिल मॉडल तनाव के दौरान डिस्पर्शन स्पाइक्स की भविष्यवाणी करते हैं। अनुभवजन्य डेटा इस AI तंत्र का समर्थन करता है।
नीति-प्रासंगिक तंत्र: यह पेपर केवल जोखिम की पहचान करने से आगे बढ़कर विशिष्ट, तंत्र-लक्षित नियामक उपकरणों (जैसे, विविधता जनादेश, ह्यूमन-इन-द-लूप आवश्यकताएं) का प्रस्ताव देता है।

4. मुख्य परिणाम (Key Results)

सैद्धांतिक परिणाम

सिस्टेमिक रिस्क मल्टीप्लायर: $M \in [1.18, 1.54]$ , जिसका अर्थ है टेल-लॉस एम्प्लीफिकेशन 18–54%। यह बेसल III काउंटरसाइक्लिकल बफर्स के सापेक्ष आर्थिक रूप से महत्वपूर्ण है।
फेज ट्रांजिशन: मोनोकल्चर की ओर बदलाव एक विच्छिन्न उछाल (discontinuous jump) है, न कि एक सुचारू संक्रमण।
इरवर्सिबिलिटी: एक बार जब मानवीय कौशल घट जाता है, तो सिस्टम विविध अवस्था में वापस नहीं लौट सकता, भले ही एडॉप्शन प्रोत्साहन हटा दिए जाएं, जिससे एक "रैचेट इफेक्ट" पैदा होता है।
तूफान से पहले की शांति: मॉडल कम अनकंडीशनल वोलैटिलिटी के साथ उच्च कंडीशनल टेल रिस्क के सह-अस्तित्व की भविष्यवाणी करता है, जो "निक्केई कोलैप्स" और "लिफ्ट टाइपो" जैसी घटनाओं द्वारा पुष्ट होता है।

अनुभवजन्य निष्कर्ष

पोर्टफोलियो कन्वर्जेंस: पोस्ट-2016 (AI युग), पेयरवाइज पोर्टफोलियो कोसाइन सिमिलरिटी में 12% की वृद्धि हुई (0.089 से 0.100), और टॉप-10 होल्डिंग ओवरलैप में 14.2 प्रतिशत अंक की वृद्धि हुई।
AI एडॉप्शन ट्रेंड: SEC फाइलिंग में AI-संबंधित खुलासे 2013 और 2024 के बीच 50 गुना से अधिक बढ़े हैं।
कारण संबंध (Causal Link): बार्टिक IV पुष्टि करता है कि AI एडॉप्शन तीव्रता और पोर्टफोलियो कन्वर्जेंस के बीच एक कारण संबंध है।
डिस्पर्शन टेस्ट: तनाव के दौरान बनाम शांत अवधि के दौरान विथ-AI-ग्रुप रिटर्न डिस्पर्शन का अनुपात 1.08 है (सांख्यिकीय रूप से 1 से अविभेदित), जो "हेटरोजीनियस डीलीवरेजिंग" हाइपोथीसिस के बजाय "कोरिलेटेड एरर" हाइपोथीसिस का समर्थन करता है।

सिमुलेशन परिणाम

टेल रिस्क एम्प्लीफिकेशन: ABM में, जैसे-जैसे एडॉप्शन और सहसंबंध बढ़ता है, अधिकतम ड्रॉडाउन 2.9 गुना ( -13.8% से -39.8% तक) बढ़ जाता है।
हस्तक्षेप प्रभावकारिता: एक "ह्यूमन-इन-द-लूप" जनादेश (AI निर्भरता को सीमित करना) ने अस्थिरता को 26% कम कर दिया, जो यह सिद्ध करता है कि यह विविधता जनादेश या स्पीड बम्प्स (जो कभी-कभी लिक्विडिटी को अस्थिर कर देते हैं) की तुलना में अधिक प्रभावी है।

5. महत्व और नीतिगत निहितार्थ (Significance and Policy Implications)

यह शोध पत्र AI जोखिम की समझ को "ब्लैक बॉक्स" चिंता से बदलकर एक मात्रात्मक, संरचनात्मक भेद्यता (vulnerability) में बदल देता है।

नियामक बदलाव: यह तर्क देता है कि मानक पूंजी आवश्यकताएं (जो वित्तीय लीवरेज को लक्षित करती हैं) अपर्याप्त हैं। जोखिम कॉग्निटिव कैपिटल के क्षरण और सूचना संरचना की होमोजेनिटी से उत्पन्न होता है।
प्रस्तावित हस्तक्षेप:
1. मैक्रोप्रूडेंशियल AI स्ट्रेस टेस्टिंग (MAST): स्ट्रेस टेस्ट में सहसंबंधित सिग्नल शॉक और परफॉर्मेटिव फीडबैक लूप शामिल होने चाहिए।
2. मॉडल विविधता जनादेश: सिग्नल सहसंबंध ( $\rho$ ) पर कैप और विविध प्रशिक्षण डेटा/आर्किटेक्चर की आवश्यकता।
3. ह्यूमन-इन-द-लूप गवर्नेंस: कौशल क्षरण को रोकने के लिए अनिवार्य मानवीय निरीक्षण और "फायर ड्रिल"।
4. पारदर्शिता: वित्तीय AI के लिए आर्किटेक्चर और प्रशिक्षण डेटा स्रोतों को ट्रैक करने के लिए मानकीकृत "मॉडल कार्ड्स"।

निष्कर्ष: लेखक चेतावनी देते हैं कि वित्तीय प्रणाली एक विभक्ति बिंदु (inflection point) के करीब है। उच्च एडॉप्शन, होमोजेनिटी और फीडबैक का परस्पर प्रभाव एक ऐसा "टिपिंग पॉइंट" बनाता है जहाँ सुधारात्मक कार्रवाई की लागत देरी के साथ तेजी से बढ़ती है। यह ढांचा AI-प्रेरित प्रणालीगत जोखिम को विनियमित करने के लिए पहला कठोर गणितीय और अनुभवजन्य आधार प्रदान करता है।