💰 quantitative finance

AI-Driven Alpha Decay: Algorithmic Homogenization, Reflexive Signal Erosion, and the Paradox of Intelligent Markets

यह शोधपत्र तर्क देता है कि निवेश रणनीतियों में एआई (AI) का व्यापक प्रसार सिग्नल समरूपीकरण (signal homogenization) और त्वरित क्षय (accelerated decay) का एक आत्म-विनाशकारी चक्र बनाता है, जो अंततः बेहतर मूल्य खोज (price discovery) के बावजूद अतिरिक्त रिटर्न को कम करता है, विलुप्ति प्रपातों (extinction cascades) को प्रेरित करता है और प्रणालीगत भंगुरता को बढ़ाता है।

मूल लेखक: Shuchen Meng, Xupeng Chen

प्रकाशित 2026-05-26

📖 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

यहाँ "AI-Driven Alpha Decay" (एआई-संचालित अल्फा डिके) के पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ स्पष्टीकरण दिया गया है।

मुख्य विचार: "स्मार्ट" जाल

कल्पना कीजिए कि खजाना खोजने वाले लोगों का एक समूह एक विशाल मैदान में सोना खोज रहा है। शुरुआत में, केवल कुछ शिकारियों के पास ही मेटल डिटेक्टर हैं। वे आसानी से सोना ढूंढ लेते हैं, और वह मैदान धन-दौलत से भरा होता है।

अब, कल्पना कीजिए कि अचानक हर कोई बिल्कुल एक जैसा हाई-टेक मेटल डिटेक्टर खरीद लेता है, जिसे ठीक एक ही सॉफ्टवेयर के साथ प्रोग्राम किया गया है, और जिसे एक ही नक्शे पर प्रशिक्षित किया गया है।

शुरुआत में, यह बहुत अच्छा लगता है। लेकिन यह पेपर तर्क देता है कि यह एक विरोधाभास पैदा करता है: जितना अधिक "स्मार्ट" हर कोई होता है, उतना ही कम पैसा कोई भी कमा पाता है।

लेखक इसे "रेड क्वीन" ट्रैप (एलिस इन वंडरलैंड के एक पात्र के नाम पर, जिसे एक ही जगह पर बने रहने के लिए तेज़ दौड़ना पड़ता है) कहते हैं। एआई निवेश की दुनिया में, हर कोई तेज़ दौड़ रहा है (अधिक शक्तिशाली एआई का उपयोग कर रहा है), लेकिन "सोना" (अतिरिक्त लाभ) इतनी तेज़ी से गायब हो रहा है कि वास्तव में कोई भी अमीर नहीं बन पा रहा है।

तीन तरीके जिनसे AI अपने ही मुनाफे को खत्म करता है

यह पेपर बताता है कि एआई तीन विशिष्ट तंत्रों के माध्यम से अपने मुनाफे को नष्ट करता है:

1. "भीड़ वाला कमरा" प्रभाव (सिग्नल क्राउडिंग)

उपमा: एक भीड़भाड़ वाली पार्टी की कल्पना करें जहाँ हर कोई एक ही तरह के कपड़े पहने हुए है और एक ही संगीत सुन रहा है। यदि एक व्यक्ति कहता है, "देखो, वहाँ मुफ्त पिज्जा है!" तो हर कोई ठीक उसी समय पिज्जा की ओर झपट पड़ता है। पिज्जा पलक झपकते ही खत्म हो जाता है, और किसी भी एक व्यक्ति को बड़ा टुकड़ा नहीं मिल पाता।
पेपर का दावा: एआई सिस्टम एक ही डेटा (स्टॉक की कीमतें, समाचार, सैटेलाइट इमेज) पर प्रशिक्षित होते हैं और समान मॉडल का उपयोग करते हैं। जब वे "लाभ के अवसर" को देखते हैं, तो वे सभी एक ही समय में खरीदने या बेचने की कोशिश करते हैं। यह इतनी तेज़ी से होता है (मिलीसेकंड में) कि किसी भी एक निवेशक के वास्तविक लाभ कमाने से पहले ही अवसर समाप्त हो जाता है।
परिणाम: लाभ के अवसर की "हाफ-लाइफ" (अर्ध-आयु) कम हो गई है। एआई से पहले, एक अच्छा निवेश विचार 5 से 7 साल तक चल सकता था। अब, उच्च एआई अपनाने के साथ, यह केवल लगभग 18 महीने तक रहता है।

2. "स्व-सिद्ध भविष्यवाणी" का जाल (परफॉर्मेटिव इरोजन)

उपमा: कल्पना कीजिए कि एक मौसम विज्ञानी बारिश की भविष्यवाणी करता है। उस भविष्यवाणी के कारण, हर कोई छाता खरीद लेता है और घर के अंदर रहता है। सड़कें सूखी रहती हैं। अगले दिन, मौसम विज्ञानी डेटा देखता है, देखता है कि बारिश नहीं हुई, और सोचता है, "मेरी भविष्यवाणी गलत थी!" इसलिए, वे अपने मॉडल को बदलते हैं। लेकिन भविष्यवाणी के गलत होने का कारण वह भविष्यवाणी थी। भविष्यवाणी करने के कृत्य ने वास्तविकता को बदल दिया, जिससे भविष्यवाणी करने वाला उपकरण समय के साथ कम सटीक हो गया।
पेपर का दावा: जब एआई एक सिग्नल के आधार पर व्यापार करता है, तो वह बाजार की कीमतों को बदल देता है। एआई फिर अगली बार सीखने के लिए नई कीमतों को देखता है। लेकिन नई कीमतें उसके अपने पिछले ट्रेडों से "दूषित" होती हैं। यह एक ऐसे पूल को देखकर तैरना सीखने जैसा है जिसे आपने अभी-अभी खाली किया है। सिग्नल "घट" या खराब हो जाता है क्योंकि एआई लगातार अपनी ही पूंछ खा रहा है।

3. "हथियारों की दौड़" (रेड क्वीन प्रतियोगिता)

उपमा: दो धावक एक दौड़ में भाग ले रहे हैं। जीतने के लिए, धावक A बेहतर जूते खरीदता है। धावक B यह देखता है और उससे भी बेहतर जूते खरीदता है। धावक A जेटपैक खरीदता है। धावक B रॉकेट खरीदता है। वे उपकरणों पर लाखों खर्च कर रहे हैं, लेकिन वे अभी भी एक-दूसरे के सापेक्ष एक ही गति से दौड़ रहे हैं। वे बस थक चुके हैं और कंगाल हो गए हैं।
पेपर का दावा: चूंकि मुनाफा कम हो रहा है, इसलिए निवेशक आगे रहने के लिए अधिक एआई पर खर्च करने के लिए मजबूर महसूस करते हैं। वे अधिक डेटा, अधिक कंप्यूटर और स्मार्ट मॉडल खरीदते हैं। लेकिन क्योंकि हर कोई ऐसा करता है, प्रतिस्पर्धा और भी तीव्र हो जाती है, और मुनाफा और भी कम हो जाता है। अंत में, उद्योग एआई पर एक बड़ी राशि खर्च करता है, लेकिन शुद्ध लाभ शून्य है। जो बचता है वह केवल एक नाजुक प्रणाली है जो क्रैश होने के प्रति संवेदनशील है।

चार प्रमुख निष्कर्ष

मुनाफा तेज़ी से मरता है: एआई का जितना अधिक उपयोग किया जाता है, निवेश के विचार उतनी ही तेज़ी से बेकार होते जाते हैं। यह एक सीधी रेखा नहीं है; यह और भी तेज़ी से बदतर होता जाता है (कॉन्वेक्स डिके)।
डोमिनो प्रभाव: जब एक प्रकार की निवेश रणनीति काम करना बंद कर देती है (क्योंकि बहुत सारे एआई उसका उपयोग कर रहे हैं), तो सभी एआई सिस्टम अगली सबसे अच्छी रणनीति की ओर झपट पड़ते हैं, जिससे वह भी खत्म हो जाती है, और फिर अगली भी। यह "रणनीति मृत्यु" का एक सिलसिला है।
जीरो-सम गेम: एक ऐसे बाजार में जहाँ हर कोई एक ही एआई का उपयोग करता है, "स्मार्ट" ट्रेडिंग से कुल लाभ शून्य होता है। आप बस एक ही जगह पर दौड़ने के विशेषाधिकार के लिए भुगतान कर रहे हैं।
दक्षता बनाम सुरक्षा: एआई सामान्य दिनों में बाजारों को बेहतर ढंग से काम करने में मदद करता है (कीमतें सटीक होती हैं), लेकिन यह संकट के दौरान उन्हें बहुत अधिक खतरनाक बना देता है। क्योंकि हर कोई बुरी खबरों पर एक ही तरह से प्रतिक्रिया देता है, एक छोटी सी समस्या एक बड़े क्रैश (जैसे 2010 का फ्लैश क्रैश) में बदल सकती है क्योंकि सभी एल्गोरिदम एक साथ घबरा जाते हैं।

समाधान? विविधता ही कुंजी है

पेपर सुझाव देता है कि बाजार को पूर्ण पतन से बचाने वाली एकमात्र चीज़ मानवीय विविधता है।

उपमा: यदि एक जंगल केवल एक ही प्रकार के पेड़ से बना है, तो एक ही बीमारी पूरे जंगल को मार सकती है। लेकिन यदि जंगल में कई अलग-अलग प्रकार के पेड़ हैं, तो बीमारी कुछ को मार सकती है, लेकिन अन्य जीवित रहते हैं।
पेपर का दावा: मानव निवेशक अलग तरह से सोचते हैं। वे सभी एक ही डेटा या एक ही मॉडल का उपयोग नहीं करते हैं। यह "अव्यवस्थितता" वास्तव में बाजार की रक्षा करती है। यदि हर कोई एआई है, तो बाजार नाजुक है। यदि एआई और मनुष्यों का मिश्रण है, तो मनुष्य एक 'शॉक एब्जॉर्बर' (झटका सहने वाले) के रूप में कार्य करते हैं जब सभी एआई एक साथ घबरा जाते हैं।

सारांश

पेपर निष्कर्ष निकालता है कि एआई एक शक्तिशाली उपकरण है जिसने बाजारों को स्मार्ट और तेज़ बना दिया है। हालाँकि, जब हर कोई बिल्कुल एक ही एआई टूल का उपयोग करता है, तो सामूहिक परिणाम लाभ की हानि और खतरे में वृद्धि है। यह एक ऐसा मामला है जहाँ व्यक्तिगत बुद्धिमत्ता सामूहिक मूर्खता की ओर ले जाती है। बाजार "बुद्धिमान" तो हो रहा है, लेकिन साथ ही अविश्वसनीय रूप से नाजुक भी हो रहा है, जैसे कि सुपरकंप्यूटर द्वारा बनाया गया ताश का घर।

तकनीकी सारांश: एआई-संचालित अल्फा क्षय (AI-Driven Alpha Decay)

समस्या विवरण (Problem Statement)

यह शोध पत्र आधुनिक परिसंपत्ति प्रबंधन (asset management) में एक मौलिक विरोधाभास को संबोधित करता है: जबकि आर्टिफिशियल इंटेलिजेंस (AI) सैद्धांतिक रूप से व्यक्तिगत मूल्य भविष्यवाणी (price prediction) की सटीकता को बढ़ाता है, समान AI प्रणालियों का व्यापक रूप से अपनाया जाना उन अतिरिक्त रिटर्न (अल्फा) को कम कर देता है जिन्हें वे कैप्चर करने का प्रयास करते हैं। 2024 तक उच्च अपनाना दर (91% संस्थान) और अमेरिकी इक्विटी वॉल्यूम में एल्गोरिद्मिक ट्रेडिंग का 60-80% प्रभुत्व होने के बावजूद, कुल हेज फंड प्रदर्शन में गिरावट आई है; औसत फंड 2009 के बाद से सरल 60/40 पोर्टफोलियो से भी कम प्रदर्शन कर रहे हैं। केंद्रीय शोध प्रश्न यह है कि क्या AI-संचालित निवेश अपने ही विनाश के बीज अपने भीतर रखता है, जो उन बाजार अक्षमताओं को अंतर्जात रूप से (endogenously) नष्ट कर देता है जो लाभदायक व्यापार के लिए आवश्यक हैं।

कार्यप्रणाली (Methodology)

लेखक एक तीन-स्तरीय सैद्धांतिक संतुलन मॉडल (theoretical equilibrium model) का निर्माण करते हैं जो मार्केट माइक्रोस्ट्रक्चर, मशीन लर्निंग डायनेमिक्स और गेम थ्योरी को एकीकृत करता है, जिसे वास्तविक डेटा के विरुद्ध कैलिब्रेटेड सिमुलेशन के माध्यम से सत्यापित किया गया है।

सैद्धांतिक ढांचा (Theoretical Framework)

मॉडल तीन परस्पर क्रिया करने वाले स्तरों पर आधारित है:

स्तर 1: सिग्नल क्राउडिंग और अल्फा डायनेमिक्स (Signal Crowding and Alpha Dynamics)।
- सिग्नल संरचना: ट्रेड करने योग्य सिग्नल ( $f_k$ ) ऑर्नस्टीन-उहलेनबेक (Ornstein–Uhlenbeck) प्रक्रियाओं का पालन करते हैं जिनमें एक स्वाभाविक मीन-रिवर्जन दर ( $\theta$ ) होती है।
- AI समरूपता (AI Homogeneity): AI निवेशक साझा प्रशिक्षण डेटा और मॉडल आर्किटेक्चर को दर्शाने वाले सहसंबंध पैरामीटर ( $\rho$ ) के साथ सिग्नल देखते हैं। मानव निवेशक स्वतंत्र सिग्नल देखते हैं।
- तंत्र: जैसे-जैसे AI अपनाने की दर ( $\phi$ ) बढ़ती है, $N\phi$ एजेंटों से संबंधित ऑर्डर फ्लो मिसप्राइसिंग के आर्बिट्राज को तेज करता है। यह एक अंतर्जात क्षय घटक $\delta(\phi) = N\phi\rho a / \lambda(\phi)$ पेश करता है, जहाँ $\lambda$ प्राइस इम्पैक्ट है।
- परिणाम: प्रभावी क्षय दर $\theta_{eff} = \theta + \delta(\phi)$ हो जाती है, जिससे ट्रेड करने योग्य सिग्नलों का जीवनकाल छोटा हो जाता है।
स्तर 2: रिफ्लेक्सिव सिग्नल इरोजन (Reflexive Signal Erosion - परफॉर्मेटिव प्रेडिक्शन)।
- तंत्र: AI सिस्टम अपने स्वयं के पूर्व व्यापार के मूल्य परिणामों (price consequences) से दूषित डेटा पर पुन: प्रशिक्षित होते हैं। यह एक फीडबैक लूप बनाता है जहाँ "प्रेक्षित" रिटर्न, "काउंटरफैक्चुअल" रिटर्न और कुल AI ट्रेड के प्राइस इम्पैक्ट का अंतर होता है।
- माइक्रो-फाउंडेशन: परफॉर्मेटिव प्रेडिक्शन फ्रेमवर्क (Perdomo et al., 2020) का उपयोग करते हुए, लेखक व्युत्पन्न करते हैं कि अनुमानित सिग्नल गुणांक कम हो जाता है: $\hat{\beta} = \beta^{CF} \cdot \frac{\theta}{\theta + \delta(\phi)}$ ।
- डायनेमिक्स: यह एक "सिग्नल एक्सटिंक्शन कैस्केड" (Signal Extinction Cascade) की ओर ले जाता है। जब एडॉप्शन एक महत्वपूर्ण सीमा $\phi^*$ को पार कर जाता है, तो सिग्नल की गुणवत्ता का क्षरण नए मिसप्राइसिंग के पुनर्जनन की दर से अधिक हो जाता है, जिससे विशिष्ट फैक्टर क्लास क्रमवार तरीके से अपनी सभी भविष्य कहने वाली शक्ति खो देते हैं।
स्तर 3: रेड क्वीन इक्विलिब्रियम (Red Queen Equilibrium)।
- गेम स्ट्रक्चर: संस्थान सकल अल्फा, निवेश लागत और करियर संबंधी चिंताओं (उद्योग सर्वसम्मति से विचलित होने के प्रतिष्ठित लागत) के आधार पर AI और मानव रणनीतियों के बीच चयन करते हैं।
- संतुलन: एक "रेड क्वीन" इक्विलिब्रियम उभरता है जहाँ संस्थान प्रतिस्पर्धात्मक अप्रचलता (competitive obsolescence) से बचने के लिए AI में अत्यधिक निवेश करते हैं, भले ही AI निवेश से शुद्ध अल्फा शून्य की ओर बढ़ रहा हो। इस हथियारों की दौड़ का प्राथमिक आउटपुट रिटर्न नहीं, बल्कि प्रणालीगत बाहरी प्रभाव (systemic externalities - सहसंबंधित टेल रिस्क) है।

अनुभवजन्य सत्यापन (Empirical Validation)

लेखक तीन दृष्टिकोणों का उपयोग करके अपने मॉडल को मान्य करते हैं:

पोर्टफोलियो अभिसरण (Portfolio Convergence): 99.5 मिलियन SEC फॉर्म 13F होल्डिंग्स (2013–2024) के विरुद्ध कैलिब्रेटेड सिमुलेशन दिखाते हैं कि संस्थागत पोर्टफोलियो अभिसरण (पेयरवाइज कोसाइन समानता द्वारा मापा गया) में 42% की वृद्धि हुई है, जिसमें विशेष रूप से AI अपनाने वाले फंडों में 58% की वृद्धि देखी गई। स्ट्रक्चरल ब्रेक्स AI तकनीक अपनाने की लहरों (जैसे GPT-4 का रिलीज) के साथ संरेखित हैं।
रिटर्न डिस्पर्शन (Return Dispersion): मानव-प्रबंधित फंडों के लिए 10% की गिरावट की तुलना में, AI फंडों के लिए रिटर्न डिस्पर्शन में 29% की गिरावट दिखाते हुए हेज फंड रिटर्न के सिमुलेशन (2010–2024) प्रदर्शित करते हैं।
फ्रैजिलिटी विश्लेषण (Fragility Analysis): मॉडल 2010 के फ्लैश क्रैश का अनुकरण करता है, एक "रिफ्लेक्सिव मल्टीप्लायर" ( $M \approx 1.4$ ) का अनुमान लगाता है जहाँ एल्गोरिद्मिक होमोजेनिटी ने एक मौलिक झटके को लगभग 39% तक बढ़ा दिया, जो देखे गए बाजार डायनेमिक्स के अनुरूप है।

मुख्य योगदान और परिणाम (Key Contributions and Results)

1. अल्फा हाफ-लाइफ थ्योरम (The Alpha Half-Life Theorem)

लेखक अल्फा हाफ-लाइफ $h(\phi)$ को निम्नानुसार व्युत्पन्न करते हैं:
$h(\phi) = \frac{\ln 2}{\theta + \delta(\phi)}$
जहाँ $\delta(\phi)$ एडॉप्शन में कॉनवेक्स-बढ़ता (convex-increasing) है।

निष्कर्ष: ट्रेड करने योग्य सिग्नलों का हाफ-लाइफ AI एडॉप्शन में कॉनवेक्स-घटता (convex-decreasing) है।
परिमाणीकरण: वर्तमान एडॉप्शन स्तरों ( $\phi \approx 0.7, \rho \approx 0.6$ ) पर, मॉडल संकेत देता है कि सिग्नल हाफ-लाइफ 18 महीने है, जो प्री-AI युग के 5–7 वर्षों के अनुमान से एक तीव्र संकुचन है।

2. सिग्नल एक्सटिंक्शन कैस्केड (Signal Extinction Cascade)

मॉडल स्थापित करता है कि अल्फा क्षय समान नहीं है बल्कि डिस्क्रीट "एक्सटिंक्शन वेव्स" के माध्यम से आगे बढ़ता है।

तंत्र: जैसे-जैसे एक सिग्नल क्लास (जैसे मोमेंटम) हाई क्राउडिंग के कारण आर्बिट्रेज द्वारा समाप्त हो जाती है, AI कैपिटल शेष सिग्नलों की ओर पुनर्गठित होता है, जिससे उनके क्षय की गति तेज हो जाती है।
भविदन: वे कारक जिनमें उच्च क्राउडिंग तीव्रता और निम्न पुनर्जनन दर (जैसे मोमेंटम) होती है, पहले मरते हैं, और उसके बाद क्रमवार अन्य कारक आते हैं।

3. रेड क्वीन इम्पॉसिबिलिटी (The Red Queen Impossibility)

मोनोकल्चर इक्विलिब्रियम ( $\phi \to 1$ ) में, AI निवेश से शुद्ध अल्फा समान रूप से शून्य है ( $\alpha_{net} = 0$ )।

विरोधाभास: जबकि व्यक्तिगत AI सिस्टम वास्तविक सूचनात्मक मूल्य निकालते हैं, कुल निष्कर्षण उन्हीं पैटर्न को आर्बिट्रेज कर देता है जिनका वे शोषण कर रहे हैं।
अत्यधिक निवेश: अनमूल्यित बाहरी प्रभावों (सिग्नल क्राउडिंग और प्रणालीगत फ्रैजिलिटी) के कारण, AI निवेश का निजी रूप से इष्टतम स्तर, सामाजिक रूप से इष्टतम स्तर से अधिक है।

4. एफिशिएंसी–फ्रैजिलिटी ट्रेडऑफ (Efficiency–Fragility Tradeoff)

यह शोध पत्र बाजार कल्याण में एक मौलिक ट्रेडऑफ की पहचान करता है:

दक्षता (Efficiency): AI एडॉप्शन औसत मूल्य खोज (एलोकेटिव एफिशिएंसी) में सुधार करता है।
नाजुकता (Fragility): यह टेल रिस्क और फ्लैश क्रैश के प्रति संवेदनशीलता को बढ़ाता है।
परिणाम: वह एडॉप्शन स्तर जो मूल्य खोज को अधिकतम करता है, वह उस स्तर से काफी अधिक है जो प्रणालीगत नाजुकता को न्यूनतम करता है। बाजार का संतुलन दक्षता के इष्टतम स्तर से भी आगे निकल जाता है, जिससे एक "फ्रैजाइल एफिशिएंसी" (fragile efficiency) पैदा होती है।

महत्व और दावे (Significance and Claims)

यह शोध पत्र दावा करता है कि यह पहला औपचारिक संतुलन मॉडल प्रदान करता है जो एंडोजेनस अल्फा क्षय की दर, ट्रेडिंग से सिग्नल गुणवत्ता की प्रतिक्रिया, और AI निवेश के संतुलन स्तर को संयुक्त रूप से निर्धारित करता है।

सैद्धांतिक विशिष्टता: मौजूदा साहित्य के विपरीत जो सिस्टमैटिक रिस्क या मानक परफॉर्मेटिव प्रेडिक्शन पर ध्यान केंद्रित करता है, यह कार्य परफॉर्मेटिव सिग्नल इरोजन को मार्केट माइक्रोस्ट्रक्चर (प्राइस इम्पैक्ट और ऑर्डर फ्लो) के माध्यम से औपचारिक रूप देता है और हेज फंड प्रदर्शन में गिरावट की व्याख्या के रूप में रेड क्वीन इक्विलिब्रियम को पेश करता है।
अनुभवजन्य प्रासंगिकता: मॉडल 2007 के "क्वांट अर्थक्वेक", 2010 के फ्लैश क्रैश और हाल ही में फैक्टर प्रीमियम के संपीड़न की एक एकीकृत व्याख्या प्रदान करता है, जिसका श्रेय सिग्नल क्राउडिंग और रिफ्लेक्सिव फीडबैक की परस्पर क्रिया को जाता है।
नीतिगत निहितार्थ: लेखक तर्क देते हैं कि "कॉम्पिटेंस इल्यूजन" (जहाँ प्रबंधकों को लगता है कि AI बेहतर है क्योंकि शुरुआती एडॉप्शन चरणों में सिग्नल मजबूत दिखाई देते हैं), उन्हें मोनोकल्चर ट्रैप में फंसा देता है। वे सुझाव देते हैं कि मानवीय विविधता एक लचीलापन तंत्र (resilience mechanism) के रूप में कार्य करती है, जो एक "डाइवर्सिटी प्रीमियम" प्रदान करती है जो टेल रिस्क को कम करती है जब सामूहिक रूप से AI रणनीतियां विफल हो जाती हैं।

शोध पत्र निष्कर्ष निकालता है कि जबकि AI व्यक्तिगत मूल्य भविष्यवाणियों में सुधार करता है, सामूहिक एडॉप्शन एक गुणात्मक रूप से भिन्न बाजार वातावरण बनाता है जहाँ अल्फा की खोज एक आत्म-विनाशकारी हथियारों की दौड़ बन जाती है, जिसके परिणामस्वरूप एक ऐसा बाजार बनता है जो औसतन अत्यधिक कुशल है लेकिन संरचनात्मक रूप से नाजुक है।