Riepilogo Tecnico: GeomHerd

1. Enunciato del Problema

L'effetto gregario (herding) — in cui i partecipanti al mercato allineano i propri comportamenti e agiscono collettivamente — è un motore primario della fragilità di mercato e del rischio sistemico. Gli approcci esistenti per quantificare l'effetto gregario si basano su osservabili a valle, come i rendimenti realizzati (ad esempio, Deviazione Assoluta della Sezione Trasversale, CSAD) o i flussi di negoziazione dichiarati (ad esempio, lo squilibrio istituzionale LSV). Questi metodi sono intrinsecamente post-hoc e soffrono di un ritardo nell'osservabilità: rilevano il coordinamento solo dopo che si è già propagato nei movimenti dei prezzi o nelle dichiarazioni pubbliche.

Sebbene recenti approcci geometrici che utilizzano la curvatura di Ricci discreta siano stati applicati all'analisi dello stress di mercato, operano tipicamente su grafi di correlazione dei prezzi, ereditando lo stesso collo di bottiglia. Il lavoro pone una domanda fondamentale: è possibile quantificare direttamente la geometria evolutiva del processo di coordinamento degli agenti stessi (informazioni strutturali a monte) per generare un segnale prospettico prima che l'effetto gregario si manifesti nei rendimenti?

2. Metodologia: Il Framework GeomHerd

GeomHerd è un framework geometrico prospettico che supera il ritardo nell'osservabilità quantificando il coordinamento direttamente sui grafi di interazione tra agenti.

2.1 Substrato e Costruzione del Grafo

Il framework utilizza un simulatore finanziario multi-agente eterogeneo guidato da LLM (specificamente il modello a spin continuo Cividino-Sornette o CWS) in cui ogni trader è istanziato da un LLM condizionato da una persona. Ciò fornisce un flusso di azioni completamente osservabile.

• Nodi: Agenti individuali ($N=66$).
• Archi: Costruiti in base all'accordo sulle azioni in finestre temporali. Il peso $w_t(i, j)$ è la frequenza di azioni identiche (ad esempio, compra/mantiene/vende) tra gli agenti $i$ e $j$ su una finestra $T_w=100$.
• Sparsificazione: Gli archi sono mantenuti solo se $w_t(i, j) > 0.5$, garantendo un accordo significativo al di sopra della linea di base uniforme.
• Dinamiche del Grafo: Il grafo viene ricostruito ogni $\Delta t = 10$ passi.

2.2 Cuore Geometrico: Curvatura di Ricci Discreta

Il framework calcola la curvatura di Ollivier-Ricci ($\kappa_{OR}$) sul grafo degli agenti utilizzando un kernel di transizione a passeggiata pigra (lazy-walk).

• Decomposizione del Segno: La curvatura è decomposta in due segnali distinti basati sulla topologia dei ponti tra comunità:
  1. Curvatura Positiva ($\bar{\kappa}^+_{OR}$): Cattura il coordinamento intra-clique. Mentre gli agenti si imitano a vicenda, i loro vicinati si sovrappongono, aumentando la curvatura positiva. Questo segnala l'inizio di una cascata informativa.
  2. Curvatura Negativa ($\beta^-$): Cattura i ponti inter-comunità. Una curvatura fortemente negativa identifica gli archi che collegano cluster distinti, segnalando la propagazione del contagio.
• Logica di Rilevamento:
  • $\bar{\kappa}^+_{OR}$ è monitorato utilizzando un rivelatore CUSUM unilaterale per identificare i cambiamenti di livello.
  • $\beta^-$ è monitorato utilizzando una combinazione di CUSUM e test di pendenza di Kendall-$\tau$ per rilevare le tendenze nell'emergere dei ponti, robusto al rumore non gaussiano.

2.3 Descrittori Prospettici

• Tempo di Singolarità ($\tau_{sing}$): Il framework evolve il grafo sotto flusso di Ricci discreto e registra il tempo fino alla prima "strozzatura" (neckpinch) (singolarità). Ciò funge da descrittore dinamico e prospettico della vicinanza al collasso, distinto dal clustering statico.
• Vocabolario Effettivo ($V_{eff}$): Un segnale di teoria dell'informazione che misura l'entropia del linguaggio delle azioni degli agenti. $V_{eff}$ si contrae mentre gli agenti omogeneizzano i propri comportamenti durante una cascata.

2.4 Ancoraggio Teorico

Il lavoro stabilisce un ponte di campo medio (Proposizione 1) che collega la metrica geometrica alla statistica classica CSAD. Deriva che, sotto ipotesi standard (concentrazione di campo medio, impatto lineare dei prezzi), la CSAD è monotonicamente decrescente in funzione di $\bar{\kappa}_{OR}$. Ciò ancorà teoricamente il segnale geometrico alla letteratura finanziaria consolidata.

3. Contributi Chiave

1. Cambio di Substrato: Sposta il locus del rilevamento dell'effetto gregario dai grafi di correlazione dei prezzi a valle ai grafi di interazione tra agenti a monte, sfruttando flussi di azioni completamente osservabili nei simulatori guidati da LLM.
2. Geometria a Segno Decomposto: Scompone esplicitamente l'effetto gregario (curvatura positiva, densità intra-clique) dal contagio (curvatura negativa, ponti inter-cluster), fornendo segnali di allarme complementari.
3. Flusso Prospettico: Introduce il tempo di singolarità del flusso di Ricci ($\tau_{sing}$) come uno scalare dinamico di vicinanza al collasso, piuttosto che come operatore di clustering statico.
4. Collegamento Teorico: Fornisce un'identità di scala che collega la curvatura geometrica alla statistica classica di dispersione dei rendimenti CSAD.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti sul substrato a spin continuo CWS (400 traiettorie) e validati tramite trasferimento fuori dominio al modello di particelle auto-azionate di Vicsek.

• Tempo di Anticipo:
  • Il rivelatore principale ($\bar{\kappa}^+_{OR}$) si attiva con una mediana di 178 passi prima dell'evento di effetto gregario del parametro d'ordine ($\tau^*$) a un punto operativo orientato alla precisione.
  • A un punto operativo orientato al richiamo, il anticipo mediano si estende a 272 passi.
  • Il rivelatore di contagio ($\beta^-$) richiama il 65% delle traiettorie critiche con un anticipo mediano di 318 passi.
  • Sulle traiettorie con attivazione congiunta, il segnale del grafo degli agenti precede le linee di base di correlazione dei prezzi di una mediana raggruppata di 40 passi.
• Coerenza:
  • Il segnale geometrico è coerente nel segno con la CSAD (correlazione negativa tra curvatura e dispersione dei rendimenti).
  • Il segnale del grafo degli agenti precede la statistica del flusso di negoziazione LSV sulle traiettorie con attivazione congiunta, poiché il clique di azioni è rilevabile prima che si accumulino gli squilibri di acquisto/vendita.
• Utilità di Previsione:
  • Una testa di previsione condizionata alla curvatura (utilizzando la terna $\bar{\kappa}_{OR}, \tau_{sing}, V_{eff}$) riduce l'Errore Assoluto Medio (MAE) dei rendimenti logaritmici della finestra di cascata rispetto alle linee di base basate solo sui prezzi e condizionate al rivelatore.
• Generalizzazione:
  • La firma geometrica si trasferisce fuori dominio al modello di Vicsek, separando i regimi ordinati da quelli disordinati con un AUROC di 0,99, suggerendo che la firma riflette un coordinamento collettivo universale piuttosto che artefatti specifici della finanza.
• Ablazione:
  • La costruzione binaria degli archi è critica; le varianti basate sulla similarità del coseno non riescono a rilevare l'effetto gregario.
  • La decomposizione del segno è essenziale; rimuoverla elimina il segnale.

5. Significato e Affermazioni

Il lavoro afferma che GeomHerd avanza la quantificazione prospettica dell'effetto gregario affrontando il fondamentale "vuoto di osservabilità" nel monitoraggio del rischio finanziario. Trattando il grafo di interazione tra agenti come un mondo prevedibile, il framework cattura la topologia strutturale del coordinamento emergente prima che si manifesti nei rendimenti realizzati.

Gli autori sottolineano che GeomHerd non è semplicemente una nuova statistica, ma un sistema di allerta prospettico che:

1. Anticipa l'effetto gregario significativamente prima delle linee di base aggregate di mercato.
2. Distingue tra coordinamento interno (formazione di clique) e contagio esterno (propagazione dei ponti).
3. Si generalizza attraverso diversi substrati fisici e finanziari.
4. Migliora l'accuratezza delle previsioni a valle quando utilizzato come caratteristica di condizionamento.

Il lavoro si posiziona come un ponte tra deep learning geometrico (flusso di Ricci) e teoria finanziaria classica (CSAD/LSV), offrendo un meccanismo per monitorare la stabilità sistemica a livello micro-strutturale dell'interazione tra agenti.