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

तकनीकी सारांश: एल्गोरिद्मिक मध्यस्थता और अमेरिकी मौद्रिक नीति का अंतर्राष्ट्रीय संचरण

समस्या और प्रेरणा
यह शोध पत्र इस बात की जांच करता है कि क्या एल्गोरिद्मिक और AI-संचालित फंड प्रबंधन का उदय उभरते बाजारों में अमेरिकी मौद्रिक नीति के अंतर्राष्ट्रीय संचरण को बदल देता है। जबकि वैश्विक वित्तीय चक्र (जैसे, रे, 2015; मिरांडा-एग्रीपिनो और रे, 2020) पर मौजूदा साहित्य यह दस्तावेजीकरण करता है कि अमेरिकी झटके वैश्विक परिसंपत्ति कीमतों में एक सामान्य कारक को संचालित करते हैं, वह विशिष्ट सूक्ष्म-आधारित (micro-founded) तंत्र जिसके माध्यम से मध्यस्थता इन झटकों को बढ़ाती या कम करती है, एक "ब्लैक बॉक्स" बना हुआ है।

लेखक तर्क देते हैं कि अस्थिरता का स्रोत एल्गोरिदम की उपस्थिति नहीं है, बल्कि फंडों के बीच मॉडलों की समानता (similarity of models) है। जब एल्गोरिदम समान संकेतों और आर्किटेक्चर पर निर्भर होते हैं, तो वे सहसंबद्ध पूर्वानुमान त्रुटियां (correlated forecast errors) उत्पन्न करते हैं। तनाव के समय, ये त्रुटियां एक-दूसरे को सुदृढ़ करती हैं, जिससे पूंजी प्रवाह की प्रतिक्रिया तीव्र हो जाती है। इसके विपरीत, विविध मॉडल त्रुटियों को एक-दूसरे को संतुलित करने की अनुमति देते हैं, जिससे प्रवाह को स्थिरता मिल सकती है। यह अंतर महत्वपूर्ण है क्योंकि गैर-बैंक वित्तीय मध्यस्थता (NBFI) का तेजी से विकास हो रहा है, जो 2024 तक वैश्विक वित्तीय परिसंपत्तियों का 51% तक पहुंच गया है, जिसमें सबसे तीव्र वृद्धि उन हेज फंड और निवेश वाहनों के क्षेत्र में हुई है जो एल्गोरिद्मिक रणनीतियों को नियोजित करने की सर्वाधिक संभावना रखते हैं।

कार्यप्रणाली
यह पत्र एक दो-आयामी दृष्टिकोण अपनाता है: एक संरचनात्मक सैद्धांतिक मॉडल और एक अनुभवजन्य पैनल विश्लेषण।

1. सैद्धांतिक ढांचा (DSGE मॉडल):
   लेखक एक दो-क्षेत्रीय (अमेरिकी केंद्र और उभरता हुआ परिधि) डायनेमिक स्टोकेस्टिक जनरल इक्विलिब्रियम (DSв) मॉडल विकसित करते हैं। मुख्य नवाचार मध्यस्थता क्षेत्र है, जो निम्नलिखित से बना है:

• पारंपरिक फंड: द्विघातीय समायोजन लागतों (quadratic adjustment costs) के अधीन धीमे-समायोजित ऋणदाता।
• एल्गोरिद्मिक फंड: एक निरंतर फंड समूह ($j \in [0,1]$) जो अमेरिकी नीतिगत झटकों ($MP_t$) और स्थानीय मौलिक कारकों ($F_t$) के शोर वाले संकेतों (noisy signals) के आधार पर ऋण देते हैं।

मॉडल एक एकल पैरामीटर पेश करता है, एल्गोरिद्मिक समरूपता ($\phi \in [0,1]$), जिसे फंडों के बीच साझा पूर्वानुमान-त्रुटि विचरण (forecast-error variance) के अंश के रूप में परिभाषित किया गया है। संकेतों को एक सामान्य घटक (जो साझा प्रशिक्षण डेटा/आर्किटेक्चर द्वारा संचालित है) और एक व्यक्तिगत (idiosyncratic) घटक में विभाजित किया गया है।

महत्वपूर्ण रूप से, मॉडल में अवस्था-निर्भर संकेत परिशुद्धता (state-dependent signal precision) शामिल है। ओरलिक और वेल्डकैम्पट (2024) के अनुसार, जैसे-जैसे मौलिक कारक अपने स्थिर अवस्था (steady state) से दूर जाते हैं (अर्थात, गहरे मंदी या अत्यधिक उछाल के दौरान), स्थानीय संकेतों की परिशुद्धता कम हो जाती है। यह एक तंत्र बनाता है जहाँ प्रवर्धन (amplification) की दहलीज आर्थिक अवस्था के प्रति अंतर्जात (endogenous) होती है।

2. अनुभवजन्य रणनीति:
   लेखक 2000Q1 से 2024Q4 तक 19 उभरते बाजारों के इक्विटी पोर्टफोलियो प्रवाह के पैनल का उपयोग करके मॉडल के केंद्रीय अनुमान का परीक्षण करते हैं ($N=1,636$)।

• आश्रित चर: तिमाही इक्विटी पोर्टफोलियो प्रवाह (IMF BPM6)।
• प्रमुख स्वतंत्र चर:
  • मौद्रिक झटका ($r_t$): उच्च-आवृत्ति वाले अमेरिकी मौद्रिक नीति आश्चर्य (San Francisco Fed USMPD)।
  • एल्गोरिद्मिक व्यवहार ($A_{herding}$): $\phi$ के लिए एक प्रॉक्सी, जिसे किसी देश के स्थिति परिवर्तन और एक वैश्विक बेंचमार्क (BIS Locational Banking Statistics) के बीच रोलिंग 8-क्वार्टर सहसंबंध के रूप में निर्मित किया गया है।
  • तनाव शासन ($Crisis_t$): एक डमी वेरिएबल जो 1 होगा जब VIX 30 से ऊपर हो।
• विशिष्टीकरण (Specification): एक ट्रिपल-इंटरेक्शन फिक्स्ड-इफेक्ट्स मॉडल:
  $$Y_{it} = \alpha r_t + \beta A_{i,t-1} + \delta Crisis_t + \beta_4 (A \times Crisis) + \beta_5 (r \times A) + \beta_6 (r \times Crisis) + \gamma (r \times A \times Crisis) + \mu_i + \varepsilon_{it}$$
  ब्याज का गुणांक $\gamma$, तनाव के शासन के दौरान एल्गोरिद्मिक हर्डिंग (herding) द्वारा पूंजी बहिर्वाह के अतिरिक्त प्रवर्धन को पकड़ता है।

मुख्य परिणाम

1. सैद्धांतिक प्रस्ताव:

   • प्रस्ताव 1 (समरूपता के तहत प्रवर्धन): समरूपता मौद्रिक झटके के प्रति कुल ऋण प्रतिक्रिया के माध्य (mean) को नहीं, बल्कि विचरण (variance) को बढ़ाती है। सहसंबद्ध त्रुटियां एकत्रीकरण के बाद भी बनी रहती हैं, जिससे प्रतिक्रिया की अस्थिरता $\sqrt{\phi}$ के पैमाने पर बढ़ जाती है।
   • प्रस्ताव 2 (विषमता के तहत क्षीणन): जैसे-जैसे $\phi \to 0$ (विविध मॉडल), पूर्वानुमान त्रुटियां एक-दूसरे को रद्द कर देती हैं, जिससे एल्गोरिद्मिक क्षेत्र एक पूर्णतः सूचित, स्थिर करने वाला मध्यस्थ बन जाता है।
   • प्रस्ताव 3: अवस्था-निर्भर दहलीज: एक दहलीज $\phi^*$ मौजूद है जो क्षीणन और प्रवर्धन को अलग करती है। यह दहलीज अवस्था-निर्भर है: यह मौलिक कारकों के बिगड़ने ($\Delta F$ बढ़ने) के साथ गिरती है। फलस्वरूप, एक एल्गोरिद्मिक क्षेत्र जो शांत समय में प्रवाह को स्थिर करता है, वह बिना $\phi$ में किसी परिवर्तन के, केवल इसलिए संकट के समय प्रवाह को बढ़ा सकता है क्योंकि प्रवर्धन की दहलीज वर्तमान समरूपता स्तर से नीचे गिर जाती है।

2. अनुभवजन्य निष्कर्ष:

   • अवस्था-निर्भर प्रवर्धन: ट्रिपल-इंटरेक्शन गुणांक $\gamma$ नकारात्मक है और सांख्यिकीय रूप से महत्वपूर्ण (आधार रेखा में 5% स्तर पर) है। यह पुष्टि करता है कि एल्गोरिद्मिक हर्डिंग, उच्च-अस्थिरता (तनाव) शासन के दौरान, संकुचनकारी अमेरिकी झटकों के बाद पूंजी बहिर्वाह को बढ़ाती है।
   • शांत समय में कोई प्रभाव नहीं: दो-तरफा इंटरेक्शन ($r_t \times A_{herding}$) सामान्य समय में महत्वहीन है, जो मॉडल के इस अनुमान का समर्थन करता है कि समरूपता शांत समय में संचरण को प्रवर्धित नहीं करती है।
   • मजबूती (Robustness): $\gamma$ का नकारात्मक चिह्न 12 विशिष्टताओं में परिणामों के एक समूह में बना रहता है, जिसमें वैकल्पिक क्लस्टरिंग, आउटलेयर हटाना, और विशिष्ट देशों (जैसे चीन) या संकट काल (जैसे 2020 COVID) को बाहर करना शामिल है।
   • सीमाएँ: परिणाम की सांख्यिकीय सार्थकता दो डिज़ाइन विकल्पों के प्रति संवेदनशील है: (1) तनाव शासन को कैलेंडर वर्षों (स्टेप फंक्शन) के बजाय VIX (निरंतर माप) के माध्यम से परिभाषित करना, और (2) 2008-09 के वैश्विक वित्तीय संकट को शामिल करना। जब 2008-09 के संकट को बाहर कर दिया जाता है, तो गुणांक नकारात्मक और बड़ा रहता है लेकिन सांख्यिकीय महत्व खो देता है, जिसे लेखक एक अवस्था-निर्भर तंत्र के लिए सबसे सूचनात्मक संकट एपिसोड के नुकसान के रूप में देखते हैं।

महत्व और योगदान
यह शोध पत्र साहित्य में तीन प्राथमिक योगदान देता है:

1. वैश्विक वित्तीय चक्र का सूक्ष्म-आधारित निर्माण (Micro-Founding): पूर्ववर्ती कार्यों के विपरीत जो मध्यस्थता को एक 'ब्लैक बॉक्स' के रूप में मानते हैं, यह पत्र एक सूक्ष्म-आधारित तंत्र (सहसंबद्ध पूर्वानुमान त्रुटियों का एकत्रीकरण) प्रदान करता है जो यह समझाता है कि अमेरिकी मौद्रिक संचरण की शक्ति समय और विभिन्न शासनों में क्यों भिन्न होती है।
2. व्यवहार संबंधी बनाम संस्थागत जोखिम: लेखक तर्क देते हैं कि प्रवर्धन का जोखिम व्यवहार संबंधी सहसंबंध (मॉडल समरूपता) में निहित है, न कि गैर-बैंक मध्यस्थों के संस्थागत आकार में। एक बड़ा NBFI क्षेत्र स्वाभाविक रूप से नाजुक नहीं है; यह तभी नाजुक होता है जब मॉडल अभिसरित (converge) होते हैं।
3. अवस्था-निर्भर संकेत परिवर्तन (Sign Reversal): उन अध्ययनों से अलग जो एल्गोरिद्मिक अपनाने और जोखिम के बीच एक एकदिशीय (monotonic) संबंध का प्रस्ताव करते हैं, यह पत्र एक गुणात्मक संकेत परिवर्तन की पहचान करता है। वही एल्गोरिद्मिक क्षेत्र जब मौलिक कारक स्वस्थ होते हैं तो प्रवाह को स्थिर करता है और जब मौलिक कारक बिगड़ते हैं तो उन्हें बढ़ाता है।

नीतिगत निहितार्थ
लेखक तर्क देते हैं कि वर्तमान मैक्रोप्रुडेन्शियल ढांचे, जो संस्थानों के आकार और एकाग्रता पर ध्यान केंद्रित करते हैं, एल्गोरिद्मिक मध्यस्थता से उत्पन्न जोखिमों के साथ संरेखित नहीं हैं।

• विविधता का विनियमन: नीति को गैर-बैंक मध्यस्थता के आकार को सीमित करने के बजाय मॉडल विविधता को संरक्षित करने पर ध्यान केंद्रित करना चाहिए। एक नियामक जो गैर-बैंक मध्यस्थता के आकार को सीमित करता है लेकिन मॉडलों को सहसंबद्ध छोड़ देता है, वह अनजाने में एक सामान्य प्लेटफॉर्म पर समेकन को बढ़ावा देकर नाजुकता बढ़ा सकता है।
• मानकीकरण से बचना: सामान्य जोखिम मॉडल या तनाव परिदृश्यों को अनिवार्य करना आत्मघाती हो सकता है, क्योंकि यह $\phi$ और प्रवर्धन कारक को बढ़ाता है।
• प्रति-चक्रीय प्रबंधन (Counter-Cyclical Management): चूंकि संकट के दौरान प्रवर्धन की दहलीज गिर जाती है, इसलिए पर्यवेक्षकों को मॉडल समरूपता का मूल्यांकन एक अवस्था-संबद्ध दहलीज के विरुद्ध करना चाहिए। विषम मॉडलों को प्रोत्साहित करने का इष्टतम समय शांत अवधि के दौरान है, इससे पहले कि नकल करने का प्रोत्साहन विविधता को नष्ट कर दे।

यह पत्र निष्कर्ष निकालता है कि अंतर्राष्ट्रीय वित्तीय प्रणाली को AI के कारण अधिक नाजुक होने की आवश्यकता नहीं है; परिणाम मॉडल विविधता पर निर्भर है। नीतिगत प्राथमिकता यह है कि इस विविधता को दृश्यमान बनाया जाए और इसका बचाव किया जाए।