論文要約：人工知能（AI）とシステミック・リスク

「金融市場におけるパフォーマンス予測、アルゴリズム的群衆心理、および認知的依存の統合モデル」

著者: Shuchen Meng, Xupeng Chen
日付: 2026 年 4 月 7 日（arXiv 投稿日：2026 年 3 月 23 日）

1. 研究の背景と問題提起

本論文は、金融市場における AI 導入が、単なる効率化の手段ではなく、システミック・リスク（システム全体の崩壊リスク）を内生性的に増幅するメカニズムを解明することを目的としています。

従来の研究では、レバレッジ・サイクルや「混雑取引（Crowded Trades）」がシステミック・リスクの主要因とされてきましたが、AI 特有のリスクは以下の 3 つの相互強化メカニズムの複合効果として現れると主張しています。

1. パフォーマンス予測（Performative Prediction）: AI の予測が市場価格に影響し、その価格が再び AI の学習データ（ fundamentals）にフィードバックされる自己実現的なループ。
2. アルゴリズム的群衆心理（Algorithmic Herding）: 共通のトレーニングデータやアーキテクチャに依存する AI 群が、同質的なシグナルに基づいて連動して取引を行う現象。
3. 認知的依存（Cognitive Dependency）: 人間の投資家が AI に過度に依存することで、自らの判断能力（スキル）が劣化し、AI への依存が不可逆的に深まる現象。

これらの相互作用により、市場の深さが減少し、小さなショックが巨大な価格変動へと増幅される「単一栽培（Monoculture）」状態への転換が起きる可能性を指摘しています。

2. 研究方法論

本論文は、理論モデル、実証分析、シミュレーションの 3 つの柱で構成されています。

A. 理論モデル（3 層構造）

Kyle (1985) の市場マイクロストラクチャーモデルを拡張した枠組みを用いています。

1. 第 1 層（内生脆弱性）: 相関シグナルとパフォーマンス予測を組み合わせた最小モデル。市場の深さ（$\lambda$）が AI 導入率（$\phi$）に対して凸関数的に減少し、システミック・リスク・カップリング $r(\phi)$ が凸関数になることを導出。
2. 第 2 層（採用ゲームと相転移）: 超モジュラーな採用ゲームを導入。キャリア懸念（同調圧力）により、AI 導入が「鞍点分岐（Saddle-node bifurcation）」を起こし、分散均衡から単一栽培均衡へ不連続にジャンプすることを示す。
3. 第 3 層（動的蓄積と不可逆性）: 人間のスキル劣化を内生変数（$\sigma_H$）として導入。これにより「ヒステリシス（履歴依存）」が発生し、一度単一栽培に陥ると、元の状態に戻ることが困難になることを証明。

B. 実証分析

• データ: 2013 年〜2024 年の SEC Form 13F 提出データ（9,950 万件の保有、10,957 機関投資家）を全数分析。
• 手法:
  • ポートフォリオ収束分析: ポートフォリオ重みのコサイン類似度や HHI を測定し、AI 導入前後（2016 年を境目）でポートフォリオの類似度が有意に増加したことを確認。
  • 識別戦略: Bartik シフト・シェア・インストルメンタル・バリアブル（IV）を使用。事前の技術受容性と他機関の収束トレンドの相互作用を道具変数とし、AI 導入の内生性を克服。
  • NLP 分析: EDGAR 全文検索を用い、AI 関連キーワードの増加がポートフォリオ収束と相関することを示す。

C. エージェント・ベース・シミュレーション（ABM）

理論モデルの閉形式解を超えた非線形ダイナミクスを検証するため、500 人の機関投資家を含む大規模シミュレーションを実施。規制介入（多様性要件、ヒューマン・イン・ザ・ループ等）の効果を評価。

3. 主要な結果と発見

理論的発見

• システミック・リスク・マルチプライヤー:
  均衡におけるリスク増幅係数 $M = (1 - r)^{-1}$ は、AI 導入率 $\phi$、シグナル相関 $\rho$、パフォーマンス強度 $\beta$、および内生市場深さ $\lambda'(\phi)$ の関数として定義されます。
  $$r(\phi) = \frac{\phi \rho \beta}{\lambda'(\phi)}$$
  ここで $\lambda'(\phi)$ は $\phi$ の増加とともに減少するため、$r(\phi)$ は凸関数となり、$M$ は AI 普及率の増加に対して**超線形（superlinear）**に成長します。
• 3 つの経路の必要性定理:
  システミック・リスクの「存在（相関）」「危険性（増幅）」「不可逆性（ヒステリシス）」の 3 つの質的特徴は、それぞれ異なるメカニズムに依存しており、どれか 1 つが欠ければその特徴は消失します。
  • 相関 ($\rho$) がない $\rightarrow$ 群衆心理が発生しない。
  • パフォーマンス ($\beta$) がない $\rightarrow$ リスク増幅係数 $M=1$ となり、危険ではない。
  • 認知的依存 ($\kappa$) がない $\rightarrow$ ヒステリシスが発生せず、回復可能。
• 不可逆性（ヒステリシス）:
  人間のスキルが AI 使用により劣化するため、AI 導入の閾値と撤退の閾値が一致せず、一度単一栽培に陥ると元に戻すのに多大なコストがかかる「ラチェット効果」が生じます。

実証的発見

• ポートフォリオ収束: AI 導入後の期間（2017-2022）において、機関投資家間のポートフォリオ類似度（コサイン類似度）は導入前（2013-2016）に比べて約 12% 有意に増加しました（$t=3.43$）。
• 危機時の増幅: 2020 年のパンデミック危機期間中、AI 関連ポートフォリオの類似度はさらに急上昇し、理論が予測する「危機時の群衆心理増幅」を支持しました。
• パラメータ推定: 実データから推定されたパラメータ（$\hat{\rho} \approx 0.60$, $\hat{\beta} \approx 0.28$, $\hat{\phi} \approx 0.70$）を用いると、システミック・リスク・マルチプライヤー $M$ は 1.18〜1.54（つまり、テールリスクが 18%〜54% 増幅される）と推定されます。これはバーゼル III の逆周期バッファ（0-2.5%）と比較しても経済的に有意な規模です。

シミュレーション結果

• 安定前の静寂（Calm Before the Storm）: 単一栽培状態では、無条件ボラティリティは低下する一方で、条件付きテールリスク（極端な下落）は劇的に増加します。
• 規制の効果: 「ヒューマン・イン・ザ・ループ（人間による最終判断の義務化）」が最も効果的な規制手段であり、ボラティリティを 26% 削減することがシミュレーションで示されました。

4. 学術的・政策的意義

学術的貢献

• 既存メカニズムとの区別: 本論文は、AI 由来のリスクが「レバレッジ・サイクル」や「混雑取引」とは構造的に異なることを示しました。
  • 状態変数が「金融資本」ではなく「認知的資本（人間のスキル）」である。
  • 相関の源泉が「重なり合うポジション」ではなく「共有された情報生産技術（データ・モデル）」である。
  • フィードバックが「バランスシート」ではなく「情報構造そのもの（再学習によるシグナル汚染）」を通じて働く。
• 不可逆性の理論化: 静的な相関シグナルモデルではヒステリシスが説明できないことを証明し、認知的依存という内生変数の必要性を立証しました。

政策的示唆

論文は、以下の 4 つの規制アプローチを提案しています。

1. マクロプルーデンス・AI ストレステスト: 共通シグナルショックやモデル多様性を評価する新たなテスト枠組みの導入。
2. モデル多様性要件: 共通トレーニングデータやアーキテクチャの多様化を義務付け、相関（$\rho$）に上限を設ける。
3. ヒューマン・イン・ザ・ループ・ガバナンス: AI への依存度（$\bar{d}$）に上限を設け、定期的な人間の判断能力維持（「消防訓練」等）を義務化。
4. 透明性と報告基準: AI モデルのアーキテクチャ、トレーニングデータ、失敗モードなどを記載した「AI モデルカード」の提出義務化。

5. 結論

本論文は、AI の金融市場への浸透が、単なる効率化ではなく、「単一栽培（Monoculture）」への不連続な転換と、人間の判断能力の不可逆的な劣化を通じて、システミック・リスクを非線形的に増幅させることを理論的・実証的に示しました。AI 導入の進展に伴い、是正措置のコストは遅延するほど指数関数的に上昇する可能性があり、予防的な規制（多様性の確保と人間の監督の維持）が極めて重要であると結論付けています。