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

1. Il Problema: Il Rischio Sistemico Endogeno dell'AI

Il paper affronta come l'adozione dell'Intelligenza Artificiale (AI) nei mercati finanziari eroda endogenamente la profondità del mercato e amplifichi il rischio sistemico. A differenza delle crisi tradizionali guidate dalla leva finanziaria o dalle posizioni sovrapposte, gli autori sostengono che l'AI crea un nuovo tipo di fragilità derivante dall'interazione di tre canali mutuamente rinforzanti:

1. Previsione Performativa: Le previsioni dell'AI influenzano i fondamentali che cercano di prevedere (riflessività).
2. Imbrigliamento Algoritmico (Algorithmic Herding): Gli algoritmi condividono segnali correlati a causa di dati di addestramento e architetture comuni.
3. Dipendenza Cognitiva: L'uso eccessivo dell'AI degrada le competenze umane, rendendo il sistema incapace di uscire da uno stato di monocultura algoritmica.

L'obiettivo è dimostrare che il rischio sistemico non è la somma di questi fattori, ma il loro prodotto moltiplicativo, che porta a una transizione di fase discontinua verso un equilibrio di "monocultura" fragile.

2. Metodologia

L'approccio è ibrido, combinando teoria economica formale, analisi empirica su larga scala e simulazioni computazionali.

A. Modello Teorico (Tre Strati)

Il modello si basa su un'estensione dell'economia di Kyle (1985) con segnali correlati e adozione endogena:

• Livello 1 (Fragilità Endogena): In un'economia con segnali correlati e feedback performativo, la profondità del mercato ($\lambda$) diminuisce in modo convesso all'aumentare della quota di adozione dell'AI ($\phi$). Viene derivato un oggetto di equilibrio centrale: il accoppiamento del rischio sistemico $r(\phi) = \phi \rho \beta / \lambda'(\phi)$.
• Livello 2 (Gioco di Adozione): L'accoppiamento convesso è inserito in un gioco di adozione supermodulare. Questo genera una biforcazione nodo-sella: un aumento graduale della pressione competitiva porta a un salto discontinuo nell'adozione dell'AI e nel rischio sistemico.
• Livello 3 (Dipendenza Cognitiva): Viene introdotto una variabile di stato endogena ($\sigma_H$) che rappresenta la precisione del segnale umano, la quale si degrada esponenzialmente con l'uso dell'AI. Questo crea un'irreversibilità (isteresi).

B. Analisi Empirica

• Dati: Universo completo dei moduli SEC Form 13F (99,5 milioni di posizioni, 10.957 gestori istituzionali, 2013-2024).
• Identificazione: Utilizzo di una variabile strumentale Bartik shift-share che combina la "receptività tecnologica" pre-periodo dei gestori con la convergenza "leave-one-out" degli altri gestori. Questo affronta l'endogeneità dell'adozione dell'AI (F-statistica di primo stadio = 22,7).
• Analisi NLP: Conteggio delle parole chiave relative all'AI nei documenti EDGAR per tracciare la diffusione.

C. Simulazione Agent-Based (ABM)

Un modello computazionale con 500 agenti istituzionali e un market maker di tipo Kyle, calibrato sui momenti empirici dei rendimenti azionari USA, utilizzato per validare le previsioni fuori campione e testare interventi normativi.

3. Contributi Chiave e Risultati Teorici

Il Moltiplicatore del Rischio Sistemico

Il risultato centrale è la derivazione di un moltiplicatore del rischio sistemico $M(\phi)$:
$$M(\phi) = (1 - r(\phi))^{-1} = \left(1 - \frac{\phi \rho \beta}{\lambda'(\phi)}\right)^{-1}$$
Dove:

• $\phi$: Quota di adozione dell'AI.
• $\rho$: Correlazione dei segnali algoritmici.
• $\beta$: Intensità del feedback performativo.
• $\lambda'(\phi)$: Impatto endogeno del prezzo (che diminuisce con $\phi$).

Poiché $\lambda'(\phi)$ è decrescente e convessa, $M(\phi)$ cresce super-linearmente. Ciò significa che all'aumentare della penetrazione dell'AI, le perdite negli eventi di coda (tail events) vengono amplificate a un tasso accelerato.

Teoremi Fondamentali

1. Teorema dell'Impossibilità (Hysteresis): In qualsiasi modello statico di segnali correlati senza degradazione delle competenze umane (variabile di stato endogena), l'isteresi è impossibile. Il sistema può entrare in una monocultura ma non può rimanervi intrappolato in modo irreversibile. La dipendenza cognitiva è necessaria per creare il "ratchet" (scatto irreversibile).
2. Teorema della Necessità dei Canali: Ognuno dei tre canali è necessario per una caratteristica qualitativa distinta dell'equilibrio:
   • Correlazione dei segnali ($\rho$) $\rightarrow$ Esistenza della trappola (fallimento di coordinamento).
   • Feedback performativo ($\beta$) $\rightarrow$ Pericolosità ($M > 1$).
   • Dipendenza cognitiva ($\kappa$) $\rightarrow$ Irreversibilità (isteresi).
     Rimuovere anche un solo canale elimina una proprietà qualitativa specifica che gli altri due non possono compensare.
3. Paradosso "Calma prima della Tempesta": In equilibrio di monocultura, la volatilità incondizionata può apparire bassa (simile a un regime diversificato), mentre la volatilità condizionata agli eventi di coda è drasticamente più alta.

Risultati Empirici

• Convergenza dei Portafogli: Dopo il 2016 (inizio dell'era AI profonda), la similarità coseno tra i portafogli delle istituzioni è aumentata significativamente (+12%, p=0.002).
• Dispersione dei Rendimenti: Durante lo stress di mercato, la dispersione dei rendimenti all'interno del gruppo AI rimane stabile ($\Delta \approx 1$), a differenza del modello di ciclo della leva finanziaria dove la dispersione aumenterebbe. Questo conferma che gli errori sono correlati (stesso segnale) e non eterogenei.
• Stime dei Parametri:
  • Correlazione segnali $\rho \approx 0.60$.
  • Feedback performativo $\beta \approx 0.28$.
  • Moltiplicatore del rischio $M \in [1.18, 1.54]$, implicando un'amplificazione delle perdite di coda del 18-54%, un impatto economico significativo rispetto ai buffer anticiclici di Basilea III.

4. Significato e Implicazioni Normative

Il paper dimostra che il rischio sistemico dell'AI è strutturalmente diverso dai rischi tradizionali (ciclo della leva, trade affollati) perché:

1. La variabile di stato è il capitale cognitivo (competenze umane) e non il capitale finanziario.
2. La correlazione nasce dalla tecnologia di produzione dell'informazione (dati comuni), non dalle posizioni sovrapposte.
3. Il feedback è interno al processo informativo (ri-addestramento su dati contaminati dai prezzi).

Implicazioni Politiche:

• Stress Test Macroprudenziali per l'AI (MAST): Necessità di scenari che testino shock di segnali comuni e feedback performativi, non solo scenari macroeconomici.
• Requisiti di Diversità: Imporre limiti alla correlazione dei modelli ($\bar{\rho}$) o diversificare i dati di addestramento per rompere la trappola della monocultura.
• Governance "Human-in-the-Loop": Mandati per mantenere un livello minimo di giudizio umano (es. $\bar{d} \le 0.7$) per prevenire la degradazione irreversibile delle competenze e l'isteresi.
• Trasparenza: Standard di reporting per la metadati dei modelli AI (architettura, fonti dati, modalità di fallimento).

Conclusione

Il lavoro fornisce un quadro unificato che spiega come l'adozione dell'AI possa portare a transizioni di fase discontinue verso equilibri fragili e irreversibili. La combinazione di teoria, dati empirici su larga scala e simulazioni suggerisce che senza interventi normativi mirati a preservare la diversità cognitiva e la varietà dei segnali, il sistema finanziario rischia un'amplificazione non lineare delle crisi di coda, con costi di correzione che crescono esponenzialmente con il ritardo dell'azione.