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

Technische Samenvatting: Algoritmische Intermediatie en de Internationale Transmissie van het Amerikaanse Monetair Beleid

Probleem en Motivatie
Dit paper onderzoekt of de opkomst van algoritmisch en door AI gedreven fondsbeheer de internationale transmissie van het Amerikaanse monetair beleid naar opkomende markten verandert. Terwijl de bestaande literatuur over de Mondiale Financiële Cyclus (bijv. Rey, 2015; Miranda-Agrippino & Rey, 2020) documenteert dat Amerikaanse schokken een gemeenschappelijke factor in wereldwijde activaprijzen aansturen, blijft het specifieke micro-gegronde mechanisme waardoor intermediatie deze schokken versterkt of dempt een "black box".

De auteurs stellen dat de bron van instabiliteit niet de aanwezigheid van algoritmen op zich is, maar de gelijkenis van modellen tussen fondsen. Wanneer algoritmen vertrouwen op identieke signalen en architecturen, produceren ze gecorreleerde voorspellingsfouten. Tijdens perioden van stress versterken deze fouten elkaar, wat de reacties van kapitaalstromen intensiveert. Omgekeerd zorgen diverse modellen ervoor dat fouten elkaar compenseren, wat kapitaalstromen potentieel stabiliseert. Dit onderscheid is cruciaal gezien de snelle groei van non-bank financiële intermediatie (NBFI), die in 2024 51% van de wereldwijde financiële activa bereikte, waarbij de snelste groei plaatsvond in de hedgefund- en beleggingsvehikelsectoren die het meest waarschijnlijk algoritmische strategieën hanteren.

Methodologie
Het paper hanteert een tweeledige aanpak: een structureel theoretisch model en een empirische panelanalyse.

1. Theoretisch Kader (DSGE-model):
   De auteurs ontwikkelen een twee-regio (Amerikaans centrum en opkomende markt periferie) Dynamic Stochastic General Equilibrium (DSGE) model. De kerninnovatie is de intermediatiesector, die bestaat uit:

   • Traditionele Fondsen: Traag aanpassende kredietverleners die onderhevig zijn aan kwadratische aanpassingskosten.
   • Algoritmische Fondsen: Een continuüm van fondsen ($j \in [0,1]$) die krediet verlenen op basis van ruisende signalen met betrekking tot Amerikaanse beleidsschokken ($MP_t$) en lokale fundamenten ($F_t$).

   Het model introduceert een enkele parameter, algoritmische homogeniteit ($\phi \in [0,1]$), gedefinieerd als het aandeel van de variantie in voorspellingsfouten dat gedeeld wordt tussen fondsen. Signalen worden ontleed in een gemeenschappelijk component (gedreven door gedeelde trainingsdata/architectuur) en een idiosyncratisch component.

   Cruciaal is dat het model toestandsafhankelijke signaalprecisie incorporeert. Conform Orlik & Veldkamp (2024) verslechtert de precisie van lokale signalen wanneer fundamenten afwijken van hun steady state (bijv. tijdens diepe recessies of oververhitting). Dit creëert een mechanisme waarbij de drempel voor amplificatie endogeen is aan de economische toestand.

2. Empirische Strategie:
   De auteurs testen de centrale voorspelling van het model met behulp van een panel van aandelenportefeuillestromen naar 19 opkomende markten van 2000Q1 tot 2024Q4 ($N=1.636$).

   • Afhankelijke Variabele: Kwartaalelijk aandelenportefeuillestromen (IMF BPM6).
   • Belangrijkste Onafhankelijke Variabelen:
     • Monetaire Schok ($r_t$): Hoogfrequente Amerikaanse monetaire beleidsoverraschingen (San Francisco Fed USMPD).
     • Algoritmisch Gedrag ($A_{herding}$): Een proxy voor $\phi$, geconstrueerd als de rollende 8-kwartaals correlatie tussen de positieveranderingen van een land en een wereldwijde benchmark (BIS Locational Banking Statistics).
     • Stressregime ($Crisis_t$): Een dummyvariabele die gelijk is aan 1 wanneer de VIX de 30 overschrijdt.
   • Specificatie: Een triple-interactie fixed-effects model:
     $$Y_{it} = \alpha r_t + \beta A_{i,t-1} + \delta Crisis_t + \beta_4 (A \times Crisis) + \beta_5 (r \times A) + \beta_6 (r \times Crisis) + \gamma (r \times A \times Crisis) + \mu_i + \varepsilon_{it}$$
     De coëfficiënt van belang, $\gamma$, vangt de extra amplificatie van kapitaaluitstromen tijdens stressregimes op die gedreven wordt door algoritmische herding.

Belangrijkste Resultaten

1. Theoretische Proposities:

   • Propositie 1 (Amplificatie onder Homogeniteit): Homogeniteit versterkt de variantie van de geaggregeerde kredietverleningsreactie op een monetaire schok, niet het gemiddelde. Gecorreleerde fouten overleven aggregatie, waardoor de volatiliteit van de reactie wordt geschaald door $\sqrt{\phi}$.
   • Propositie 2 (Attenuatie onder Heterogeniteit): Naarmate $\phi \to 0$ (diverse modellen), vallen voorspellingsfouten weg, waardoor de algoritmische sector een perfect geïnformeerde, stabiliserende intermediair wordt.
   • Propositie 3 (Toestandsafhankelijke Drempel): Er bestaat een drempelwaarde $\phi^*$ die attenuatie scheidt van amplificatie. Deze drempel is toestandsafhankelijk: deze daalt naarmate lokale fundamenten verslechteren ($\Delta F$ stijgt). Bijgevolg kan een algoritmische sector die stromen stabiliseert in rustige tijden, deze juist versterken in crises, zonder dat $\phi$ zelf verandert, simpelweg omdat de drempel onder het heersende niveau van homogeniteit zakt.

2. Empirische Bevindingen:

   • Toestandsafhankelijke Amplificatie: De triple-interactiecoëfficiënt $\gamma$ is negatief en statistisch significant (op het 5%-niveau in de baseline). Dit bevestigt dat algoritmische herding kapitaaluitstromen versterkt na contractieve Amerikaanse schokken, maar alleen tijdens perioden van hoge volatiliteit (stressregimes).
   • Geen Effect in Rustige Tijden: De twee-weg interactie ($r_t \times A_{herding}$) is insignificant in normale tijden, wat de voorspelling van het model ondersteunt dat homogeniteit de transmissie niet versterkt wanneer de fundamenten stabiel zijn.
   • Robuustheid: Het negatieve teken van $\gamma$ blijft standhouden in een batterij van 12 specificaties, inclus\u0026 inclusief alternatieve clustering, uitsluiting van uitschieters en het uitsluiten van specifieke landen (bijv. China) of crisisperioden (bijv. 2020 COVID).
   • Beperkingen: De statistische significantie van het resultaat is gevoelig voor twee ontwerpkeuzes: (1) het definiëren van het stressregime via de VIX (continue maatstaf) in plaats van kalenderjaren (stapfunctie), en (2) het opnemen van de crisis van 2008–09. Wanneer de 2008–09 crisis wordt uitgesloten, blijft de coëfficiënt negatief en groot, maar verliest hij statistische significantie, een resultaat dat de auteurs toeschrijven aan het verlies van de meest informatieve stressperiode voor een toestandsafhankelijk mechanisme.

Betekenis en Bijdragen
Het paper levert drie primaire bijdragen aan de literatuur:

1. Micro-fundering van de Mondiale Financiële Cyclus: In tegenstelling tot eerder werk dat intermediatie behandelt als een black box, biedt dit paper een micro-gegronde verklaring (de aggregatie van gecorreleerde voorspellingsfouten) voor waarom de kracht van de Amerikaanse monetaire transmissie in de loop van de tijd en over verschillende regimes varieert.
2. Gedragsmatig versus Institutioneel Risico: De auteurs tonen aan dat het risico op amplificatie ligt in gedragsmatige correlatie (modelhomogeniteit) in plaats van de institutionele omvang van non-bank intermediairs. Een grote NBFI-sector is niet inherent fragiel; zij wordt dat pas wanneer modellen convergeren.
3. Toestandsafhankelijke Tekenomkering: Afwijkend van de literatuur die een monotone relatie postuleert tussen algoritmische adoptie en risico (bijv. Meng & Chen, 2026; Qiu & Han, 2026), identificeert dit paper een kwalitatieve tekenomkering. Dezelfde algoritmische sector stabiliseert stromen wanneer de fundamenten gezond zijn en versterkt ze juist wanneer de fundamenten verslechteren.

Beleidsimplicaties
De auteurs stellen dat huidige macroprudentiële kaders, die zich richten op de omvang en concentratie van instellingen, niet goed zijn afgestemd op de risico's die door algoritmische intermediatie worden gepresenteerd.

• Regulering van Diversiteit: Beleid zou zich moeten richten op het behoud van modeldiversiteit in plaats van het beperken van de omvang van non-bank intermediatie. Een toezichthouder die de omvang van de sector begrenst terwijl de modellen gecorreleerd blijven, kan onbedoeld de fragiliteit vergroten door consolidatie naar gemeenschappelijke platforms te forceren.
• Vermijden van Standaardisatie: Het verplichten van gemeenschappelijke risicomodellen of stressscenario's kan contraproductief werken, omdat dit $\phi$ verhoogt en daarmee de amplificatiefactor.
• Contro-cyclisch Management: Omdat de amplificatiedrempel tijdens crises daalt, moeten toezichthouders de modelhomogeniteit evalueren tegenover een toestandsafhankelijke drempel. De optimale tijd om heterogene modellen aan te moedigen is tijdens rustige perioden, voordat de prikkel om te imiteren de diversiteit uitholt.

Het paper concludeert dat het internationale financiële systeem niet noodzakelijkerwijs fragieler wordt door AI; de uitkomst is afhankelijk van de modeldiversiteit. De beleidsprioriteit is om deze diversiteit observeerbaar en defensief te maken op een contro-cyclische wijze.