💰 quantitative finance

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

이 논문은 미국 통화 정책의 신흥 시장으로의 국제적 전파가 알고리즘 중개 그 자체에 의해 아니라 펀드 간 모델의 유사성으로 인한 상관된 오류와 쏠림 현상에 의해 불안정해진다고 주장하며, 이는 정책이 비은행 중개를 제한하기보다 모델의 다양성을 보존하는 것을 우선시해야 함을 시사한다.

원저자: Fernando Toledo, Luis Dimotta Bré, Gabriel Montes-Rojas

게시일 2026-07-20

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Fernando Toledo, Luis Dimotta Bré, Gabriel Montes-Rojas

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

세계 경제를 돈이 국가 사이를 물처럼 흐르는 거대하고 북적이는 시장이라고 상상해 보십시오. 때때로 이 물은 매끄럽게 흘러 신흥 시장(빠르게 성장하고 있지만 아직 완전히 개발되지는 않은 국가들)의 들판을 가득 채웁니다. 하지만 때로는 물이 갑자기 빠져나가면서 그 들판을 메마르고 고통스럽게 만들기도 합니다. 오랫동안 경제학자들은 이러한 물의 유출이 거대하고 느리게 움직이는 거인들, 즉 전통적인 은행과 인간 관리자들의 느리고 무거운 결정 때문이라고 생각했습니다. 하지만 최근 시장에 새로운 유형의 플레이어가 등장했습니다. 바로 알고리즘입니다. 이들은 종종 인공지능에 의해 구동되는 컴퓨터 프로그램으로, 눈 깜짝할 사이에 투자 결정을 내립니다.

모두가 던지는 핵심적인 질문은 이것입니다. 이 초고속 컴퓨터들이 즉각적으로 반응함으로써 시장을 구하고 있는 것일까요, 아니면 함께 공황 상태에 빠짐으로써 시장을 더 위험하게 만들고 있는 것일까요? 이를 이해하기 위해서는 몇 가지를 알아야 합니다. 첫째, "통화 정책"이란 기본적으로 미국과 같은 부유한 국가의 중앙은행이 시스템에 흐르는 돈의 양을 조절하기 위해 수도꼭지를 틀거나 잠그는 것을 말합니다. 수도꼭지를 조이면 돈이 귀해지고, 이는 종종 다른 국가들로부터 자금이 유출되는 결과를 초래합니다. 둘째, "허딩(herding, 떼 지어 행동하기)"은 새 떼가 모두 정확히 동시에 방향을 트는 것과 같습니다. 만약 그들이 모두 같은 실수를 한다면, 무리 전체가 추락하게 됩니다. 이 논문은 다음과 같이 묻습니다. 미국이 돈의 수도꼭지를 조일 때, 이 컴퓨터 프로그램들은 위험을 분산시키는 차분하고 다양한 새 떼처럼 행동할까요, 아니면 상황을 악화시키는 공포에 질린 돌진하는 무리처럼 행동할까요?

이 논문의 저자인 페르난도 토레도(Fernando Toledo), 루이스 디모타 브레(Luis Dimotta Bré), 가브리엘 몬테스-로하스(Gabriel Montes-Rojas)는 컴퓨터 시뮬레이션과 실제 데이터를 혼합하여 이를 조사하기로 했습니다. 그들은 "중심(Center, 미국)"과 "주변부(Periphery, 신흥 시장)"라는 두 명의 주요 캐릭터가 등장하는 수학적 모델을 구축했습니다. 이 이야기에서 그들은 "알고리즘적 동질성(Algorithmic Homogeneity)"이라는 특별한 캐릭터를 도입했습니다. 이것을 컴퓨터의 '속도'가 아니라, 얼마나 똑같은 '생각하는 모자'를 쓰고 있는지로 생각하십시오. 만약 모든 컴퓨터 프로그램이 정확히 같은 데이터로 학습되고 정확히 같은 논리를 사용한다면, 그들은 매우 동질적입니다. 만약 그들이 모두 다른 데이터와 다른 논리를 사용한다면, 그들은 다양합니다.

이 논문의 주요 발견은 우리의 직관을 뒤집는 반전입니다. 그것은 빠르고 AI 기반인 자금 운용가들을 보유하는 것 자체가 문제는 아니라고 제안합니다. 문제는 그들이 모두 정확히 똑같은 방식으로 생각할 때 발생한다는 것입니다. 저자들은 알고리즘이 다양할 때, 그들이 실제로 시장을 안정시키는 데 도움이 된다는 것을 발견했습니다. 이는 마치 모든 학생이 수학 문제를 푸는 서로 다른 방법을 가진 교실과 같습니다. 한 학생이 실수를 하더라도 다른 학생이 정답을 맞힐 수 있어 학급 평균이 정확하게 유지되는 것과 같습니다. 이 시나리오에서 알고리즘은 미국의 정책 변화에도 불구하고 돈의 흐름을 부드럽게 만드는 안정제 역할을 합니다.

하지만 시장이 스트레스를 받으면 이야기는 극적으로 변합니다. 논문은 알고리즘이 반드시 그 유사성을 바꾸는 것은 아니며, 대신 "안전선"이 내려간다는 것을 보여줍니다. 알고리즘들이 계속해서 같은 "생각하는 모자"를 쓰고 있더라도(동일한 수준의 유사성을 유지하더라도), 재앙이 닥치는 지점은 경제 상황이 악화됨에 따라 낮아집니다. 평온한 시기에는 안전선이 높아서 다소 유사한 알고리즘이라도 안전합니다. 하지만 스트레스가 닥치면 안전선이 유사성 수준 아래로 떨어지고, 알고리즘들은 허딩 현상을 보이기 시작합니다. 서로의 실수를 상쇄하는 대신, 그들의 실수가 쌓여가는 것입니다. 저자들은 이 "허딩" 행동이 충격을 증폭시킨다는 것을 발견했습니다. 미국이 통화 정책을 조이면, 이 유사한 알고리즘들은 정확히 동시에 신흥 시장에서 자금을 빼내기로 결정하며, 작은 누수를 거대한 홍수로 바꿔버립니다.

결정적으로, 이 논문은 이것이 단지 알고리즘의 수나 속도에 관한 것이 아니라고 주장합니다. 저자들은 시뮬레이션을 실행하고 2000년부터 2024년 사이의 19개 신흥 시장에 대한 실제 데이터를 살펴보았습니다. 그들은 이 증폭 효과가 글로벌 공포(주식 시장의 '공포 지수'라 불리는 VIX로 측정됨)가 높을 때, 즉 고도의 스트레스 상황에서만 발생한다는 것을 발견했습니다. 평온한 시기에는 알고리즘이 유사하더라도 큰 문제를 일으키지 않습니다. 그러나 스트레스가 닥치면 재앙의 임계치가 낮아지며, 유사한 알고리즘들이 동시다발적인 패닉을 촉발합니다.

또한 이 논문은 몇 가지 흔한 아이디어들을 배제합니다. 저자들은 위험이 비은행 금융 부문의 '규모'(이 펀드들이 운용하는 자금의 양)나 거래의 '속도'에 있는 것이 아니라고 명시적으로 밝힙니다. 엄청난 규모의 빠른 트레이더들이 있더라도, 그들이 모두 다르게 생각한다면 오히려 안전할 수 있습니다. 위험은 구체적으로 "오류의 상관관계", 즉 그들이 모두 동시에 똑같은 것을 틀리는 상황에 있습니다.

그렇다면 이것이 미래에 무엇을 의미할까요? 저자들은 규제 당국이 단순히 이 펀드들의 규모를 제한하거나 거래 속도를 제한하는 데 집중해서는 안 된다고 제안합니다. 대신, "생각하는 모자"를 다양하게 유지하는 데 집중해야 합니다. 그들은 우리가 알고리즘이 얼마나 유사한지를 측정하고, 그들이 서로 다른 데이터와 모델을 사용하도록 장려해야 한다고 제안합니다. 이는 마치 새 떼에게 모두가 같은 나무에 부딪히지 않도록 서로 다른 방향을 바라보라고 말하는 것과 같습니다. 논문은 결론적으로 AI와 알고리즘이 계속 존재하겠지만, 그 영향력은 우리가 그것들을 하나의 거대한, 일사불란하게 생각하는 군중으로 만들 것인지, 아니면 독립적인 생각을 가진 다양한 집단으로 유지할 것인지에 달려 있다고 말합니다. 증거에 따르면, 이러한 다양성이 없다면 다음에 미국이 수도꼭지를 잠글 때, 알고리즘은 물이 빠져나가는 속도를 훨씬 더 빠르게 만들 수도 있습니다.

기술 요약: 알고리즘 중개와 미국 통화정책의 국제적 전이

문제 제기 및 동기
본 논문은 알고리즘 및 AI 기반 펀드 운용의 부상이 신흥 시장으로의 미국 통화정책 전이에 변화를 일으키는지 조사한다. 글로벌 금융 사이클에 관한 기존 문헌(예: Rey, 2015; Miranda-Agrippero & Rey, 2020)은 미국발 충격이 글로벌 자산 가격의 공통 요인을 주도한다는 점을 입증하고 있으나, 중개가 이러한 충격을 증폭하거나 완화하는 구체적인 미시적 기초 메커니즘은 여전히 "블랙박스"로 남아 있다.

저자들은 불안정성의 원인이 알고리즘 그 자체의 존재가 아니라, 펀드 간의 모델 유사성에 있다고 주장한다. 알고리즘이 동일한 신호와 아키텍처에 의존할 때, 이들은 상관관계가 있는 예측 오차를 생성한다. 스트레스 상황에서 이러한 오차는 서로를 강화하여 자본 흐름의 반응을 심화시킨다. 반대로, 다양한 모델은 오차를 상쇄하여 잠재적으로 흐름을 안정시킨다. 알고리즘 전략을 채택할 가능성이 가장 높은 헤지펀드 및 투자 기구 섹터에서 가장 빠른 성장이 나타나고 있는 가운데, 비은행 금융 중개(NBFI)가 2024년까지 글로벌 금융 자산의 51%에 도달했다는 점을 고려할 때 이러한 구분은 매우 중요하다.

방법론
본 논문은 구조적 이론 모델과 실증적 패널 분석이라는 두 가지 접근 방식을 사용한다.

이론적 프레임워크 (DSGE 모델):
저자들은 2개 지역(미국 중심부 및 신흥 시장 주변부)의 동학적 일반균형(DSGE) 모델을 개발한다. 핵심 혁신은 다음과 같은 중개 섹터이다:

전통적 펀드: 이차적 조정 비용(quadratic adjustment costs)의 영향을 받는 느리게 조정되는 대출자들.
알고리즘 펀드: 미국 정책 충격( $MP_t$ )과 현지 펀더멘털( $F_t$ )에 관한 노이즈가 섞인 신호에 기반하여 대출하는 연속체 형태의 펀드 집단( $j \in [0,1]$ ).

모델은 신호의 정밀도가 펀드 간 공유되는 예측 오차 분산의 비율인 **알고리즘 동질성( $\phi \in [0,1]$ )**이라는 단일 파라미터를 도입한다. 신호는 공통 성분(공유된 학습 데이터/아키텍처에 의해 구동됨)과 개별 성분으로 분해된다.

결정적으로, 모델은 상태 의존적 신호 정밀도를 포함한다. Orlik & Veldkamp (2024)를 따라, 현지 신호의 정밀도는 펀더멘털이 정상 상태에서 벗어날 때(즉, 심각한 경기 침체 또는 과열기) 저하된다. 이는 증폭을 위한 임계치가 경제 상태에 내생적으로 결정되는 메커니즘을 생성한다.

실증 전략:
저자들은 2000Q1부터 2024Q4까지 19개 신흥 시장의 주식 포트폴리오 흐름 패널을 사용하여 모델의 핵심 예측을 테스트한다.

종속 변수: 분기별 주식 포트폴리오 흐름 (IMF BPM6).
주요 독립 변수:
- 통화 충격 ( $r_t$ ): 고빈도 미국 통화정책 서프라이즈 (San Francisco Fed USMPD).
- 알고리즘 행동 ( $A_{herding}$ ): $\phi$ 의 대리 변수로, 국가의 포지션 변화와 글로벌 벤치마크(BIS Locational Banking Statistics) 간의 8분기 이동 상관관계로 구성됨.
- 스트레스 국면 ( $Crisis_t$ ): VIX가 30을 초과할 때 1인 더미 변수.
명세식: 삼중 상호작용 고정 효과 모델:
$Y_{it} = \alpha r_t + \beta A_{i,t-1} + \delta Crisis_t + \beta_4 (A \times Crisis) + \beta_5 (r \times A) + \beta_6 (r \times Crisis) + \gamma (r \times A \times Crisis) + \mu_i + \varepsilon_{it}$
관심 계수인 $\gamma$ 는 스트레스 국면 동안 알고리즘 허딩에 의해 발생하는 자본 유출의 추가적인 증폭을 포착한다.

주요 결과

이론적 명제:
- 명제 1 (동질성 하에서의 증폭): 동질성은 평균이 아닌 통화 충격에 대한 총체적 대출 반응의 분산을 증폭시킨다. 상관관계가 있는 오차는 합산 과정에서도 살아남아, 반응의 변동성을 $\sqrt{\phi}$ 만큼 스케일링한다.
- 명제 2 (이질성 하에서의 감쇄): $\phi \to 0$ (다양한 모델)일 때, 예측 오차는 상쇄되어 알고리즘 섹터를 완벽하게 정보를 갖춘 안정적인 중개자로 만든다.
- 명제 3 (상태 의 dependent 임계치): 감쇄와 증폭을 가르는 $\phi^*$ 임계치가 존재한다. 이 임계치는 상태 의존적이며, 현지 펀더멘털이 악화될수록( $\Delta F$ 상승) 낮아진다. 결과적으로, 평온한 시기에 흐름을 안정시키는 알고리즘 섹터는 $\phi$ 자체의 변화 없이도, 단순히 임계치가 현재의 동질성 수준 아래로 떨어짐으로써 위기 시에 흐름을 증폭시킬 수 있다.
실증적 발견:
- 상태 의존적 증폭: 삼중 상호작용 계수 $\gamma$ 는 음(-)의 값을 가지며 통계적으로 유의하다 (기본 모델에서 5% 수준). 이는 알고리즘 허딩이 수축적 미국 충격 이후 자본 유출을 증폭시키지만, 오직 고변동성(스트레스) 국면에서만 그러함을 확인해 준다.
- 평온한 시기에는 효과 없음: 이중 상호작용( $r_t \times A_{herding}$ )은 정상적인 시기에 유의하지 않으며, 이는 펀더멘털이 안정적일 때 동질성이 전이를 증폭시키지 않는다는 모델의 예측을 뒷받받한다.
- 강건성: $\gamma$ 의 음(-)의 부호는 클러스터링 방식 변경, 이상치 제거, 특정 국가(예: 중국) 또는 위기 사례(예: 2020년 COVID) 제외를 포함한 12개의 명세에 걸쳐 강건하게 유지된다.
- 한계점: 결과의 통계적 유의성은 두 가지 설계 선택에 민 sentido하다: (1) 스트레스 국면을 달력 연도(단계 함수)가 아닌 VIX(연속 측정치)로 정의하는 것, (2) 2008-09년 글로벌 금융 위기를 포함하는 것. 2008-09년 위기를 제외하면 계수는 여전히 음(-)의 크기를 유지하지만 통계적 유의성을 잃는데, 저자들은 이를 상태 의존적 메커니즘을 위한 가장 정보력이 높은 스트레스 에피소드를 상실했기 때문이라고 설명한다.

의의 및 기여
본 논문은 문헌에 세 가지 주요 기여를 한다:

글로벌 금융 사이클의 미시적 기초 제공: 중개를 블랙박스로 취급하는 기존 연구와 달리, 본 논문은 왜 미국 통화정책 전이의 강도가 시기 및 국면에 따라 달라지는지에 대해 (상관관계가 있는 예측 오차의 집합이라는) 미시적 기초가 있는 메커니즘을 제공한다.
행동적 위험 vs 제도적 위험: 저자들은 위험의 근원이 비은행 중개 기관의 제도적 규모가 아니라 행동적 상관관계(모델 동질성)에 있음을 보여준다. 거대한 NBFI 섹터가 본질적으로 취약한 것은 아니며, 모델이 수렴할 때만 취약해진다.
상태 의존적 부호 역전: 알고리즘 채택과 리스크 사이의 단조적 관계를 상정하는 문헌(예: Meng & Chen, 2026; Qiu & Han, 2026)과 달리, 본 논문은 질적인 부호 역전을 식별한다. 동일한 알고리즘 섹터가 펀더멘털이 건전할 때는 흐름을 안정시키지만, 펀더멘털이 악화될 때는 이를 증폭시킨다.

정책적 시사점
저자들은 현재 비은행 중개 기관의 규모와 집중도에 초점을 맞춘 거시건전성 프레임워크가 알고리즘 중개에 의한 리스크와는 맞지 않는다고 주장한다.

다양성의 규제: 정책은 비은행 중개 규모를 제한하기보다 모델 다양성을 보존하는 데 집중해야 한다. 섹터의 규모를 제한하면서 모델 간 상관관계는 남겨두는 규제는, 오히려 공통 플랫폼으로의 통합을 강제함으로써 취약성을 높이는 결과를 초래할 수 있다.
표준화 회피: 공통 리스크 모델이나 스트레스 시나리오를 의무화하는 것은 $\phi$ 를 높이고 증폭 요인을 증가시키므로 자기 파괴적일 수 있다.
경기 대응적 관리: 증폭 임계치가 위기 중에 낮아지기 때문에, 감독 당국은 상태 조건적 임계치를 기준으로 모델 동질성을 평가해야 한다. 이질적인 모델을 장려하기 위한 최적의 시기는 모방의 유인이 다양성을 훼erm하는 위기 전, 즉 평온한 시기이다.

본 논문은 결론적으로, 국제 금융 시스템이 AI 때문에 반드시 더 취약해지는 것은 아니며, 그 결과는 모델 다양성에 달려 있다고 밝힌다. 정책적 우선순위는 이 다양성을 관찰 가능하게 만들고, 경기 대응적으로 이를 수호하는 것이다.

유사한 논문