💰 quantitative finance

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

Dit artikel presenteert een geünificeerd model dat aantoont hoe AI-adoptie in financiële markten via performative voorspelling, algoritmische herdachtigheid en cognitieve afhankelijkheid een superlineaire toename van het systemische risico veroorzaakt, wat empirisch wordt onderbouwd met SEC-gegevens en resulteert in een significante versterking van staartverliezen.

Oorspronkelijke auteurs: Shuchen Meng, Xupeng Chen

Gepubliceerd 2026-04-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Shuchen Meng, Xupeng Chen

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De AI-Vallei: Waarom Slimme Computers Samen Gevaarlijk Kunnen Worden

Stel je een grote, drukke beursvloer voor. Vroeger werkten hier duizenden verschillende handelaren, elk met hun eigen ideeën, hun eigen rekenmachine en hun eigen manier van denken. Ze kochten en verkochten op basis van wat zij dachten dat er zou gebeuren. Soms hadden ze gelijk, soms niet. Maar omdat ze allemaal anders dachten, hielden ze elkaar in evenwicht.

Nu komt er een nieuwe gast: Kunstmatige Intelligentie (AI).

Deze paper, geschreven door Shuchen Meng en Xupeng Chen, waarschuwt dat als te veel handelaren gaan vertrouwen op dezelfde soort AI, het hele financiële systeem in gevaar komt. Het is alsof je een danszaal vol mensen hebt die plotseling allemaal dezelfde dansstappen leren van dezelfde instructeur. Als die instructeur een fout maakt, dansen ze allemaal tegelijk de verkeerde kant op.

Hier is de uitleg in drie simpele stappen, met behulp van een paar creatieve vergelijkingen.

1. De Drie Geheime Ingrediënten van het Gevaar

De auteurs zeggen dat het gevaar niet komt van één ding, maar van een "dodelijk cocktail" van drie factoren die elkaar versterken:

A. De "Klonen"-Effect (Algorithmic Herding)
Stel je voor dat 1000 handelaren allemaal dezelfde GPS-app gebruiken. Als die app zegt: "Ga naar links", dan gaan ze allemaal naar links. In de beurswereld betekent dit dat AI-systemen vaak op dezelfde data worden getraind en dezelfde algoritmes gebruiken.

Het gevolg: Ze zien dezelfde signalen en nemen dezelfde beslissingen. Ze gedragen zich als een kudde schapen in plaats van als individuele wolven. Als ze allemaal tegelijk verkopen, stort de prijs in.

B. De Zelfvervullende Profetie (Performative Prediction)
Dit is het meest vreemde deel. AI's voorspellen de toekomst, maar hun voorspellingen veranderen de toekomst.

De analogie: Stel je een weerman voor die zegt: "Morgen regent het." Mensen nemen paraplu's mee. Omdat iedereen met een paraplu loopt, denken de auto's dat het nat is, en gaan ze voorzichtig rijden. Door hun voorzichtigheid (de reactie op de voorspelling) wordt het verkeer trager en ontstaan er files. De voorspelling "het regent" heeft nu echt files veroorzaakt, zelfs als het niet regende.
In de beurs: Als AI's zeggen dat een aandeel zakt, verkopen ze massaal. Door die verkoop daalt de prijs echt. De AI ziet die lagere prijs, denkt: "Zie je wel, ik had gelijk!" en traint zichzelf opnieuw op die nieuwe, lagere prijs. Het wordt een cirkel van zelfvervulling.

C. De "Rusteloze Hand" (Cognitive Dependency)
Dit is het gevaarlijkste deel. Als mensen te lang op AI vertrouwen, worden ze zelf minder goed in hun werk.

De analogie: Stel je een piloot voor die 10 jaar lang volledig op de autopilot vliegt. Als de autopilot plotseling uitvalt, kan de piloot niet meer handmatig vliegen. Zijn spieren zijn verzwakt en zijn kennis is vergeten.
In de beurs: Als handelaren stoppen met zelf na te denken en alleen nog maar naar het scherm van de AI kijken, verliezen ze hun eigen oordeelsvermogen. Als de AI in paniek raakt, heeft niemand meer de wijsheid om te zeggen: "Wacht even, dit is gek, laten we stoppen." Ze kunnen niet meer terug naar de oude manier van werken.

2. Het "Onomkeerbare" Gevaar

De paper laat zien dat dit proces een valstrik is.

De valstrik: Eerst lijkt alles rustig. De AI's werken goed, de markt is stabiel. Maar langzaam, heel langzaam, wordt iedereen afhankelijk van dezelfde AI.
De onomkeerbaarheid: Zodra de AI's in paniek raken en de markt instort, is het te laat om terug te keren. Omdat de menselijke handelaren hun kennis hebben verloren (door de "rusteloze hand"), kunnen ze de AI niet meer uitschakelen of corrigeren. Ze zitten vast in de valstrik. Het is alsof je een deur hebt die alleen open gaat als je naar binnen loopt, maar als je naar buiten wilt, is de deur vergrendeld omdat je de sleutel (je eigen kennis) bent vergeten.

3. Wat Betekent Dit Voor Ons?

De auteurs zeggen dat dit niet betekent dat AI slecht is. AI kan de markt sneller en efficiënter maken. Maar als we niet oppassen, bouwen we een systeem dat extreem fragiel is.

De "Stille Storm": De paper waarschuwt voor een "stilte voor de storm". De markt kan er heel rustig uitzien (lage dagelijkse schommelingen), maar als er een klein probleem is, kan het hele systeem in een fractie van een seconde instorten, veel erger dan ooit tevoren.
De Oplossing: We moeten voorkomen dat iedereen dezelfde AI gebruikt. We moeten regels maken die zorgen voor diversiteit (verschillende soorten AI's) en we moeten eisen dat mensen altijd nog steeds de touwtjes in handen houden ("Human-in-the-loop"). We mogen onze hersenen niet volledig uitbesteden aan de computer.

Kortom:
Deze paper is een waarschuwing dat als we allemaal dezelfde slimme computer gebruiken, we niet slimmer worden, maar juist kwetsbaarder. Het is alsof we allemaal op dezelfde brug staan; als die brug trilt, vallen we allemaal tegelijk. De oplossing is niet om de brug af te breken, maar om ervoor te zorgen dat we niet allemaal op precies hetzelfde punt staan, en dat we onszelf nog steeds kunnen redden als de brug begint te wiebelen.

1. Het Probleem

Het paper onderzoekt hoe de adoptie van Kunstmatige Intelligentie (AI) in financiële markten endogeen marktdiepte (market depth) erodeert en systemisch risico versterkt. Hoewel AI vaak wordt gezien als een middel voor betere prijsvinding, identificeert het paper een specifiek gevaarlijke configuratie: de interactie tussen hoge adoptie, hoge homogeniteit (gelijkende algoritmen) en sterke feedback.

De kern van het probleem is dat AI-systemen niet alleen op dezelfde data trainen, maar ook elkaars voorspellingen beïnvloeden via de marktprijzen (performative prediction). Dit creëert een "monocultuur" waar institutionele beleggers gezamenlijk dezelfde fouten maken, wat kleine schokken kan omzetten in grote prijsdislocaties (zoals de Nikkei-crash van augustus 2024). Het paper stelt dat dit risico fundamenteel verschilt van bestaande mechanismen zoals hefboomcycli of "crowded trades".

2. Methodologie

Het paper combineert drie methodologische pijlers:

Theoretisch Model (Verdiept Rational Expectations Framework):
- Het model is gebaseerd op een Kyle-economie met gecorreleerde signalen.
- Het introduceert drie wederzijds versterkende kanalen:
  1. Performative Prediction: AI-voorspellingen beïnvloeden de fundamentele waarde (via krediet spreads, onderpandwaarden, sentiment), waardoor de voorspelling zichzelf verwezenlijkt.
  2. Algorithmic Herding: AI-systemen delen een gemeenschappelijke signaalcomponent (door gedeelde trainingsdata en architecturen), wat leidt tot gecorreleerde handelsorders.
  3. Cognitive Dependency: Menselijke vaardigheden (signaalnauwkeurigheid) degraderen exponentieel wanneer managers afhankelijk worden van AI (automatiseringsbias), wat het systeem onomkeerbaar maakt.
- Het model gebruikt een supermodulair adoptiespel om de overgang van een gediversifieerd evenwicht naar een monocultuur-evenwicht te analyseren.
Empirische Validatie:
- Data: Het volledige universum van SEC Form 13F-aangiften (99,5 miljoen posities, 10.957 institutionele managers, 2013–2024).
- Instrumentele Variabele: Een Bartik shift-share instrument (met een "leave-one-out" benadering) om endogeniteit van AI-adoptie op te lossen. Dit combineert pre-periode technologische receptiviteit met de convergentie-trend van andere managers.
- NLP-analyse: Tekstuele analyse van EDGAR-filings om de intensiteit van AI-disclosure te meten als proxy voor adoptie.
Agent-Based Simulatie (ABM):
- Een simulatie met 500 institutionele agenten om de robuustheid van de gesloten-formule theorie te testen in een omgeving met eindige populaties, discrete tijd en niet-lineaire dynamiek.

3. Belangrijkste Bijdragen en Theoretische Resultaten

Het paper introduceert een unificerend model dat drie nieuwe inzichten biedt:

A. Het Evenwichtsoject: Systemic Risk Coupling

De auteurs leiden een nieuwe evenwichtsvariabele af: de systemic risk coupling $r(\phi)$ .
$r(\phi) = \frac{\phi \rho \beta}{\lambda'(\phi)}$
Waarbij:

$\phi$ : Aandeel AI-adoptie.
$\rho$ : Correlatie van algoritmesignalen.
$\beta$ : Intensiteit van performative feedback.
$\lambda'(\phi)$ : Endogene effectieve prijsimpact (die afneemt naarmate AI-adoptie toeneemt, omdat gecorreleerde handel de adverse selection voor market makers verlaagt).

Resultaat: Omdat $\lambda'(\phi)$ convex afneemt met $\phi$ , is $r(\phi)$ convex. Dit leidt tot een superlineaire groei van de systemische risicovermenigvuldiger $M = (1 - r)^{-1}$ . Bij toenemende AI-penetratie versnelt het risico exponentieel.

B. Fase-overgang en Bifurcatie

Het model toont aan dat de overgang naar een AI-monocultuur geen geleidelijk proces is, maar een saddle-node bifurcatie. Een kleine toename in carrière-druk (conformiteitsdrang) kan leiden tot een discontinu, abrupte sprong in adoptie en systemisch risico. Dit onderscheidt het van standaard technologie-adoptiemodellen waar de welvaartseffecten vaak glad zijn.

C. Onmogelijkheidstheorema en Hysteresis

Het paper bewijst een onmogelijkheidstheorema: binnen de klasse van statische gecorreleerde-signaalmodellen (zonder endogene vaardigheidsdegradatie) is hysteresis onmogelijk; het systeem zou terugkeren naar het oude evenwicht zodra de druk wegvalt.

Innovatie: Door cognitive dependency (menselijke vaardigheidsverlies) als een endogene toestandvariabele toe te voegen, ontstaat er een hysteresis-lus. Het systeem kan de monocultuur binnengaan, maar kan er niet uit komen bij dezelfde drempelwaarde omdat de menselijke "outside option" (oordelen zonder AI) is verslechterd. Dit creëert een "one-way door".

D. Kanaal-noodzaakstheorema

Elk van de drie kanalen is noodzakelijk voor een specifiek evenwichtseigenschap:

Signaalcorrelatie ( $\rho$ ): Creëert de coordination failure (valstrik).
Performative feedback ( $\beta$ ): Maakt de valstrik gevaarlijk (vermenigvuldiger $M > 1$ ).
Cognitive dependency ( $\kappa$ ): Maakt de valstrik onomkeerbaar (hysteresis).
Zonder elk van deze kanalen ontbreekt een cruciaal kwalitatief kenmerk.

4. Empirische Bevindingen

Portfolio Convergentie: Na de introductie van AI (post-2016) is de gemiddelde paarsgewijze cosinussimilariteit van portefeuilles significant gestegen (+0,011, $p=0.002$ ). Tijdens crisissen (bijv. COVID-19) steeg deze convergentie nog verder, wat wijst op versterkte herding.
Instrumentele Variabele: De Bartik-instrumenten (F-stat = 22,7) bevestigen een causaal verband tussen technologische receptiviteit en portfolio-convergentie.
Parameter Schattingen:
- Geraamde signaalcorrelatie $\rho \approx 0,60$ .
- Geraamde feedback-intensiteit $\beta \approx 0,28$ .
- Geraamde AI-adoptie $\phi \approx 0,70$ .
- Dit resulteert in een geschatte systemische risicovermenigvuldiger $M$ tussen 1,18 en 1,54. Dit betekent dat verliezen bij staartgebeurtenissen (tail losses) met 18% tot 54% worden versterkt, wat economisch significant is ten opzichte van de Basel III tegen-cyclische buffers.
Test van het Mechanisme: Het model voorspelt dat de spreiding van rendementen binnen de AI-groep tijdens stressregimes constant blijft ( $\Delta_{stress/calm} \approx 1$ ), omdat AI's gezamenlijk fouten maken. In tegenstelling tot hefboomcycli (waar spreiding toeneemt door verschillende de-leveraging snelheden), werd dit empirisch bevestigd ( $\Delta = 1,08$ , niet significant verschillend van 1).

5. Betekenis en Beleidsimplicaties

Het paper concludeert dat het financiële systeem een kantelpunt nadert waar de kosten van correctieve actie exponentieel stijgen met vertraging. De bevindingen hebben directe implicaties voor toezicht:

Macroprudentiële Stress Tests: Er is behoefte aan nieuwe stress-tests die specifiek gericht zijn op gecorreleerde AI-fouten (bijv. via een "AI Monoculture Index").
Diversiteitsvereisten: Regulering moet niet alleen kijken naar kapitaal, maar naar de diversiteit van trainingsdata en modellen om de correlatie ( $\rho$ ) te beperken.
Human-in-the-Loop: Om de onomkeerbaarheid (hysteresis) te doorbreken, zijn verplichte menselijke toezichtmechanismen en "fire drills" noodzakelijk om menselijke vaardigheden actief te behouden.
Transparantie: Er is een behoefte aan gestandaardiseerde rapportage over AI-architectuur, trainingsdata en menselijke override-frequenties.

Conclusie: Het paper levert een wiskundig onderbouwde waarschuwing dat AI-adoptie in financiële markten niet lineair verloopt, maar kan leiden tot abrupte, onomkeerbare systemische instabiliteit door de interactie van algoritmische homogeniteit, zelfvervullende voorspellingen en het verlies van menselijke expertise.