💰 quantitative finance

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

Questo articolo sostiene che la trasmissione internazionale della politica monetaria statunitense verso i mercati emergenti non sia destabilizzata dall'intermediazione algoritmica in sé, bensì dalla somiglianza dei modelli tra i fondi, che causa errori correlati e comportamenti di gregarismo, suggerendo che la politica debba dare priorità alla preservazione della diversità dei modelli piuttosto che alla limitazione dell'intermediazione non bancaria.

Autori originali: Fernando Toledo, Luis Dimotta Bré, Gabriel Montes-Rojas

Pubblicato 2026-07-20

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Fernando Toledo, Luis Dimotta Bré, Gabriel Montes-Rojas

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate l'economia globale come un enorme e frenetico mercato dove il denaro scorre come l'acqua tra i paesi. A volte, l'acqua scorre fluidamente, riempiendo i campi dei mercati emergenti (paesi che stanno crescendo rapidamente ma non sono ancora completamente sviluppati). Altre volte, l'acqua si drena improvvisamente, lasciando quei campi secchi e in difficoltà. Per molto tempo, gli economisti hanno pensato che questo drenaggio fosse causato da giganti lenti e pesanti: le banche tradizionali e le decisioni lente e ponderate dei gestori umani. Ma recentemente, un nuovo tipo di giocatore è entrato nel mercato: gli algoritmi. Questi sono programmi informatici, spesso alimentati dall'intelligenza artificiale, che prendono decisioni di investimento in un battito di ciglia.

La grande domanda che tutti si pongono è: questi super-computer stanno salvando il mercato reagendo istantaneamente, o lo stanno rendendo più pericoloso facendo prendere il panico insieme? Per capire questo, dobbiamo sapere alcune cose. Primo, la "politica monetaria" è fondamentalmente la banca centrale di un paese ricco (come gli Stati Uniti) che apre o chiude un rubinetto per controllare quanta acqua c'è nel sistema. Quando stringono il rubinetto, il denaro diventa costoso e spesso fluisce fuori da altri paesi. Secondo, lo "stormo" (herding) è ciò che accade quando uno stormo di uccelli vola tutti nella stessa direzione nello stesso momento; se compiono tutti lo stesso errore, l'intero stormo si schianta. Questo articolo chiede: quando gli Stati Uniti stringono il loro rubinetto del denaro, questi programmi informatici agiscono come uno stormo calmo e diversificato che distribuisce il rischio, o agiscono come una carica di panico che aggrava la crisi?

Gli autori di questo articolo, Fernando Toledo, Luis Dimotta Bré e Gabriel Montes-Rojas, hanno deciso di investigare su questo tema utilizzando un mix di simulazioni informatiche e dati del mondo reale. Hanno costruito un modello matematico del mondo con due personaggi principali: il "Centro" (gli Stati Uniti) e la "Periferia" (i mercati emergenti). Nella loro storia, hanno introdotto un personaggio speciale chiamato "Omogeneità Algoritmica". Pensate a questo non come alla velocità dei computer, ma a quanto essi indossino lo stesso "cappello del pensiero". Se tutti i programmi informatici sono addestrati esattamente sugli stessi dati e usano esattamente la stessa logica, sono altamente omogenei. Se usano tutti dati e logica differenti, sono diversificati.

La scoperta principale dell'articolo è un colpo di scena che ribalta la nostra intuizione. Suggerisce che avere gestori di denaro veloci e guidati dall'IA non è il problema in sé. Il problema è quando pensano tutti esattamente allo stesso modo. Gli autori hanno scoperto che quando gli algoritmi sono diversificati, essi aiutano effettivamente a stabilizzare il mercato. È come una classe in cui ogni studente ha un modo diverso di risolvere un problema di matematica; se uno studente commette un errore, un altro potrebbe farcela e la media della classe rimane accurata. In questo scenario, gli algoritmi agiscono come un stabilizzatore, ammortizzando il flusso di denaro anche quando gli Stati Uniti cambiano la loro politica.

Tuttavia, la storia cambia drasticamente quando il mercato è sotto stress. L'articolo mostra che gli algoritmi non cambiano necessariamente il loro grado di somiglianza; invece, la "linea di sicurezza" per il disastro si abbassa. Anche se gli algoritmi continuano a indossare gli stessi "cappelli del pensiero" (mantenendo lo stesso livello di somiglianza), il punto in cui quella somiglianza diventa pericolosa scende man mano che l'economia peggiora. In tempi calmi, la linea di sicurezza è alta, quindi anche gli algoritmi simili rimangono sicuri. Ma una volta che arriva lo stress, la linea di sicurezza scende al di sotto del livello di somiglianza e gli algoritmi iniziano a comportarsi come uno stormo coordinato. Invece di annullarsi a vicenda, i loro errori si accumulano. Gli autori hanno scoperto che questo comportamento di "stormo" amplifica lo shock. Quando gli Stati Uniti stringono il loro rubinetto del denaro, questi algoritmi simili decidono tutti di ritirare il proprio denaro dai mercati emergenti esattamente nello stesso momento, trasformando una piccola perdita in un'alluvione massiccia.

Fondamentalmente, l'articolo sostiene che non si tratta solo di quanti algoritmi ci siano o di quanto siano veloci. Si tratta della loro somiglianza. Gli autori hanno eseguito simulazioni e analizzato dati reali di 19 mercati emergenti tra il 2000 e il 2024. Hanno scoperto che l'effetto di amplificazione avviene solo durante i periodi di alto stress, specificamente quando la paura globale è alta (misurata da qualcosa chiamato VIX, che è come un "indicatore della paura" per il mercato azionario). In tempi calmi, anche se gli algoritmi sono simili, non causano troppi problemi. Ma una volta che lo stress colpisce, la soglia per il disastro scende e gli algoritmi simili innescano un panico sincronizzato.

L'articolo esclude anche alcune idee comuni. Afferma esplicitamente che il pericolo non è la dimensione del settore finanziario non bancario (quanto denaro gestiscono questi fondi) o la velocità del trading. Potreste avere un enorme settore di trader veloci, e se stanno tutti pensando in modo diverso, potrebbero essere sicuri. Il pericolo è specificamente la "correlazione degli errori": quando tutti sbagliano la stessa cosa nello stesso momento.

Quindi, cosa significa questo per il futuro? Gli autori suggeriscono che i regolatori non dovrebbero solo cercare di limitare quanto grandi possano diventare questi fondi o quanto velocemente possano operare. Dovrebbero invece concentrarsi sul mantenere diversificati i "cappelli del pensiero". Propongono che abbiamo bisogno di misurare quanto sono simili questi algoritmi e incoraggiare loro a usare dati e modelli differenti. È come dire a uno stormo di uccelli di guardare in direzioni diverse per evitare che si schiantino tutti contro lo stesso albero. L'articolo conclude che, sebbene l'IA e gli algoritmi siano qui per restare, il loro impatto dipende interamente dal fatto che permettiamo loro di diventare una folla monolitica che pensa all'unisono o li manteniamo come un gruppo diversificato di pensatori indipendenti. L'evidenza suggerisce che, senza questa diversità, la prossima volta che gli Stati Uniti stringeranno il rubinetto, gli algoritmi potrebbero far sì che l'acqua defluisca molto più velocemente di quanto dovrebbe.

Sintesi Tecnica: Intermediazione Algoritmica e la Trasmissione Internazionale della Politica Monetaria Statunitense

Problema e Motivazione
Questo articolo investiga se l'ascesa della gestione dei fondi guidata da algoritmi e IA alteri la trasmissione internazionale della politica monetaria degli Stati Uniti verso i mercati emergenti. Mentre la letteratura esistente sul Ciclo Finanziario Globale (ad es., Rey, 2015; Miranda-Agrippino & Rey, 2020) documenta che gli shock statunitensi guidano un fattore comune nei prezzi degli asset globali, il meccanismo specifico, basato su micro-fondamenti, attraverso il quale l'intermediazione amplifica o smorza tali shock rimane una "scatola nera".

Gli autori sostengono che la fonte dell'instabilità non sia la presenza di algoritmi in sé, ma la similitudine dei modelli tra i fondi. Quando gli algoritmi si affidano a segnali e architetture identiche, producono errori di previsione correlati. Durante i periodi di stress, questi errori si rinforzano a vicenda, intensificando le risposte dei flussi di capitale. Al contrario, modelli diversificati permettono agli errori di compensarsi, stabilizzando potenzialmente i flussi. Questa distinzione è critica dato la rapida crescita dell'intermediazione finanziaria non bancaria (NBFI), che ha raggiunto il 51% delle attività finanziarie globali nel 2024, con la crescita più rapida registrata nei settori dei fondi hedge e dei veicoli di investimento, i più propensi a impiegare strategie algoritmiche.

Metodologia
Il documento impiega un approccio a due rami: un modello teorico strutturale e un'analisi panel empirica.

Quadro Teorico (Modello DSGE):
Gli autori sviluppano un modello di Equilibrio Generale Dinamico Stocastico (DSGE) a due regioni (centro statunitense e periferia dei mercati emergenti). L'innovazione principale è il settore dell'intermediazione, che consiste in:

Fondi Tradizionali: Prestatori con aggiustamenti lenti, soggetti a costi di aggiustamento quadratici.
Fondi Algoritmici: Un continuo di fondi ( $j \in [0,1]$ ) che prestano in base a segnali rumorosi riguardanti gli shock della politica monetaria statunitense ( $MP_t$ ) e i fondamentali locali ( $F_t$ ).

Il modello introduce un singolo parametro, l'omogeneità algoritmica ( $\phi \in [0,1]$ ), definita come la frazione della varianza dell'errore di previsione condivisa tra i fondi. I segnali sono scomposti in una componente comune (guidata da dati di addestramento/architettura condivisi) e una componente idiosincratica.

Crucialmente, il modello incorpora una precisione del segnale dipendente dallo stato. Seguendo Orlik & Veldkamp (2024), la precisione dei segnali locali deteriora man mano che i fondamentali si allontanano dal loro stato stazionario (ovvero durante recessioni profonde o sovraespansioni). Ciò crea un meccanismo in cui la soglia di amplificazione è endogena allo stato economico.

Strategia Empirica:
Gli autori testano la previsione centrale del modello utilizzando un panel di flussi di portafoglio azionario verso 19 mercati emergenti dal 2000Q1 al 2024Q4 ( $N=1.636$ ).

Variabile Dipendente: Flussi trimestrali di portafoglio azionario (IMF BPM6).
Variabili Indipendenti Chiave:
- Shock Monetario ( $r_t$ ): Sorprese ad alta frequenza della politica monetaria statunitense (San Francisco Fed USMPD).
- Comportamento Algoritmico ( $A_{herding}$ ): Una proxy per $\phi$ , costruita come la correlazione a 8 trimestri mobili tra le variazioni di posizione di un paese e un benchmark globale (BIS Locational Banking Statistics).
- Regime di Stress ( $Crisis_t$ ): Una variabile dummy pari a 1 quando il VIX supera 30.
Specificazione: Un modello a effetti fissi con tripla interazione:
$Y_{it} = \alpha r_t + \beta A_{i,t-1} + \delta Crisis_t + \beta_4 (A \times Crisis) + \beta_5 (r \times A) + \beta_6 (r \times Crisis) + \gamma (r \times A \times Crisis) + \mu_i + \varepsilon_{it}$
Il coefficiente di interesse, $\gamma$ , cattura l'amplificazione aggiuntiva delle fughe di capitali durante i regimi di stress guidata dall'herding algoritmico.

Risultati Chiave

Proposizioni Teoriche:
- Proposizione 1 (Amplificazione sotto Omogeneità): L'omogeneità amplifica la varianza della risposta aggregata del prestito a uno shock monetario, non la media. Gli errori correlati sopravvivono all'aggregazione, scalando la volatilità della risposta per $\sqrt{\phi}$ .
- Proposizione 2 (Attenuazione sotto Eterogeneità): Man mano che $\phi \to 0$ (modelli diversificati), gli errori di previsione si annullano, rendendo il settore algoritmico un intermediario perfettamente informato e stabilizzante.
- Proposizione 3 (Soglia Dipendente dallo Stato): Esiste una soglia $\phi^*$ che separa l'attenuazione dall'amplificazione. Questa soglia è dipendente dallo stato: essa scende man mano che i fondamentali locali deteriorano ( $\Delta F$ aumenta). Di conseguenza, un settore algoritmico che stabilizza i flussi in tempi tranquilli può amplificarli durante le crisi senza alcun cambiamento in $\phi$ stesso, semplicemente perché la soglia scende al di sotto del livello di omogeneità prevalente.
Risultati Empirici:
- Amplificazione Dipendente dallo Stato: Il coefficiente di tripla interazione $\gamma$ è negativo e statisticamente significativo (al 5% nel baseline). Ciò conferma che l'herding algoritmico amplifica le fughe di capitali a seguito di shock monetari restrittivi degli Stati Uniti, ma solo durante i regimi di alta volatilità (stress).
- Nessun Effetto in Tempi Tranquilli: L'interazione a due vie ( $r_t \times A_{herding}$ ) è insignificante nei tempi normali, supportando la previsione del modello che l'omogeneità non amplifica la trasmissione quando i fondamentali sono stabili.
- Robustezza: Il segno negativo di $\gamma$ regge in una batteria di 12 specifiche, incluse diverse tecniche di clustering, rimozione di outlier ed esclusione di specifici paesi (es. Cina) o episodi di crisi (es. COVID 2020).
- Limitazioni: La significatività statistica del risultato è sensibile a due scelte di design: (1) definire il regime di stress tramite il VIX (misura continua) piuttosto che anni solari (funzione a gradino), e (2) includere la crisi finanziaria globale del 2008–09. Quando la crisi 2008–09 viene esclusa, il coefficiente rimane negativo e grande, ma perde significatività statistica, un risultato che gli autori attribuiscono alla perdita dell'episodio di stress più informativo per un meccanismo dipendente dallo stato.

Significatività e Contributi
Il documento apporta tre contributi primari alla letteratura:

Micro-fondare il Ciclo Finanziario Globale: A differenza del lavoro precedente che tratta l'intermediazione come una scatola nera, questo articolo fornisce un meccanismo micro-fondato (l'aggregazione di errori di previsione correlati) spiegando perché la forza della trasmissione monetaria statunitense vari nel tempo e tra i regimi.
Rischio Comportamentale vs. Istituzionale: Gli autori dimostrano che il rischio di amplificazione risiede nella correlazione comportamentale (omogeneità del modello) piuttosto che nella dimensione istituzionale degli intermediari non bancari. Un settore NBFA di grandi dimensioni non è intrinsecamente fragile; lo diventa solo quando i modelli convergono.
Inversione di Segno Dipendente dallo Stato: Distaccandosi dalla letteratura che postula una relazione monotona tra l'adozione algoritmica e il rischio (ad es., Meng & Chen, 2026; Qiu & Han, 2026), questo articolo identifica un'inversione qualitativa del segno. Lo stesso settore algoritmico stabilizza i flussi quando i fondamentali sono sani e li amplifica solo quando i fondamentali deteriorano.

Implicazioni Politiche
Gli autori sostengono che gli attuali quadri macroprudenziali, che si concentrano sulla dimensione e sulla concentrazione delle istituzioni, sono disallineati con i rischi posti dall'intermediazione algoritmica.

Regolazione della Diversità: La politica dovrebbe concentrarsi sulla preservazione della diversità dei modelli piuttosto che limitare la dimensione dell'intermediazione non bancaria. Un regolatore che pone un limite alla dimensione del settore pur lasciando i modelli correlati potrebbe involontariamente aumentare la fragilità, forzando la consolidazione su piattaforme comuni.
Evitare la Standardizzazione: Imporre modelli di rischio o scenari di stress comuni potrebbe rivelarsi controproducente, poiché aumenta $\phi$ e il fattore di amplificazione.
Gestione Controciclica: Poiché la soglia di amplificazione scende durante le crisi, i supervisori devono valutare l'omogeneità dei modelli rispetto a una soglia contingente allo stato. Il momento ottimale per incoraggiare modelli eterogenei è durante i periodi di calma, prima che l'incentivo all'imitazione eroda la diversità.

L'articolo conclude che il sistema finanziario internazionale non deve necessariamente diventare più fragile a causa dell'IA; l'esito è condizionato dalla diversità dei modelli. La priorità politica è rendere questa diversità osservabile e difenderla in modo controciclico.

Articoli simili