Resumo Técnico: GeomHerd

1. Declaração do Problema

O rebanho — onde participantes do mercado alinham comportamentos e agem coletivamente — é um motor primário de fragilidade de mercado e risco sistêmico. Abordagens existentes para quantificar o rebanho dependem de observáveis a jusante, como retornos realizados (por exemplo, Desvio Absoluto de Seção Cruzada, CSAD) ou fluxos de negociação divulgados (por exemplo, desequilíbrio institucional LSV). Esses métodos são inerentemente post-hoc e sofrem de um atraso de observabilidade: eles detectam coordenação apenas após esta já ter se propagado em movimentos de preços ou registros públicos.

Embora abordagens geométricas recentes usando curvatura de Ricci discreta tenham sido aplicadas à análise de estresse de mercado, elas tipicamente operam em grafos de correlação de preços, herdando o mesmo gargalo. O artigo postula uma questão fundamental: É possível quantificar diretamente a geometria evolutiva do próprio processo de coordenação de agentes (informação estrutural a montante) para gerar um sinal prospectivo antes que o rebanho se manifeste nos retornos?

2. Metodologia: A Estrutura GeomHerd

O GeomHerd é uma estrutura geométrica prospectiva que contorna o atraso de observabilidade ao quantificar a coordenação diretamente em grafos de interação de agentes.

2.1 Substrato e Construção do Grafo

A estrutura utiliza um simulador financeiro heterogêneo de múltiplos agentes impulsionado por LLM (especificamente o modelo de spin contínuo Cividino-Sornette ou CWS), onde cada trader é instanciado por um LLM condicionado a uma persona. Isso fornece um fluxo de ações totalmente observável.

• Nós: Agentes individuais ($N=66$).
• Arestas: Construídas com base em acordo de ações em janelas. O peso $w_t(i, j)$ é a frequência de ações idênticas (por exemplo, comprar/manter/vender) entre os agentes $i$ e $j$ ao longo de uma janela $T_w=100$.
• Esparsificação: As arestas são mantidas apenas se $w_t(i, j) > 0.5$, garantindo acordo significativo acima da linha de base uniforme.
• Dinâmica do Grafo: O grafo é reconstruído a cada $\Delta t = 10$ passos.

2.2 Núcleo Geométrico: Curvatura de Ricci Discreta

A estrutura computa a curvatura de Ricci de Ollivier ($\kappa_{OR}$) no grafo de agentes usando um kernel de transição de caminhada preguiçosa.

• Decomposição de Sinal: A curvatura é decomposta em dois sinais distintos com base na topologia de pontes de comunidade:
  1. Curvatura Positiva ($\bar{\kappa}^+_{OR}$): Captura coordenação dentro de cliques. À medida que os agentes imitam uns aos outros, seus vizinhanças se sobrepõem, aumentando a curvatura positiva. Isso sinaliza o início de uma cascata de informação.
  2. Curvatura Negativa ($\beta^-$): Captura pontes inter-comunidade. Curvatura fortemente negativa identifica arestas conectando clusters distintos, sinalizando a propagação de contágio.
• Lógica de Detecção:
  • $\bar{\kappa}^+_{OR}$ é monitorado usando um detector CUSUM de um lado para identificar mudanças de nível.
  • $\beta^-$ é monitorado usando um teste combinado de CUSUM e teste de inclinação Kendall-$\tau$ para detectar tendências no surgimento de pontes, robusto a ruído não Gaussiano.

2.3 Descritores Prospectivos

• Tempo de Singularidade ($\tau_{sing}$): A estrutura evolui o grafo sob fluxo de Ricci discreto e registra o tempo até o primeiro "apertamento de pescoço" (singularidade). Isso serve como um descritor dinâmico e prospectivo de proximidade ao colapso, distinto de agrupamento estático.
• Vocabulário Efetivo ($V_{eff}$): Um sinal de teoria da informação medindo a entropia da linguagem de ações dos agentes. $V_{eff}$ contrai-se à medida que os agentes homogeneízam seus comportamentos durante uma cascata.

2.4 Âncora Teórica

O artigo estabelece uma ponte de campo médio (Proposição 1) ligando a métrica geométrica à estatística clássica CSAD. Deriva-se que, sob suposições padrão (concentração de campo médio, impacto linear de preço), o CSAD é monotonicamente decrescente em $\bar{\kappa}_{OR}$. Isso ancora teoricamente o sinal geométrico à literatura financeira estabelecida.

3. Contribuições Principais

1. Pivô do Substrato: Desloca o locus da detecção de rebanho de grafos de correlação de preços a jusante para grafos de interação de agentes a montante, aproveitando fluxos de ações totalmente observáveis em simuladores impulsionados por LLM.
2. Geometria Decomposta por Sinal: Desentrelaça explicitamente o rebanho (curvatura positiva, densidade intra-clique) do contágio (curvatura negativa, pontes inter-cluster), fornecendo sinais de alarme complementares.
3. Fluxo Prospectivo: Introduz o tempo de singularidade do fluxo de Ricci ($\tau_{sing}$) como um escalar de proximidade ao colapso dinâmico, em vez de um operador de agrupamento estático.
4. Vínculo Teórico: Fornece uma identidade de escala conectando a curvatura geométrica à estatística clássica de dispersão de retornos CSAD.

4. Resultados Experimentais

Os experimentos foram conduzidos no substrato de spin contínuo CWS (400 trajetórias) e validados via transferência fora de domínio para o modelo de partículas auto-propelidas Vicsek.

• Tempo de Antecipação:
  • O detector principal ($\bar{\kappa}^+_{OR}$) dispara uma mediana de 178 passos antes do evento de rebanho do parâmetro de ordem ($\tau^*$) em um ponto de operação orientado à precisão.
  • Em um ponto de operação orientado ao recall, a liderança mediana estende-se para 272 passos.
  • O detector de contágio ($\beta^-$) recupera 65% das trajetórias críticas com uma liderança mediana de 318 passos.
  • Em trajetórias de disparo conjunto, o sinal do grafo de agentes precede as linhas de base de correlação de preços por uma mediana agrupada de 40 passos.
• Consistência:
  • O sinal geométrico é consistente em sinal com o CSAD (correlação negativa entre curvatura e dispersão de retornos).
  • O sinal do grafo de agentes precede a estatística de fluxo de negociação LSV em trajetórias de disparo conjunto, pois o clique de ação é detectável antes que os desequilíbrios de compra/venda se acumulem.
• Utilidade de Previsão:
  • Uma cabeça de previsão condicionada à curvatura (usando o triplo $\bar{\kappa}_{OR}, \tau_{sing}, V_{eff}$) reduz o Erro Absoluto Médio (MAE) dos retornos logarítmicos da janela de cascata em comparação com linhas de base baseadas apenas em preços e condicionadas ao detector.
• Generalização:
  • A assinatura geométrica transfere-se fora de domínio para o modelo Vicsek, separando regimes ordenados de desordenados com um AUROC de 0,99, sugerindo que a assinatura reflete coordenação coletiva universal em vez de artefatos específicos de finanças.
• Ablação:
  • A construção binária de arestas é crítica; variantes de similaridade cosseno falham em detectar rebanho.
  • A decomposição de sinal é essencial; removê-la elimina o sinal.

5. Significado e Alegações

O artigo alega que o GeomHerd avança a quantificação prospectiva de rebanho ao abordar a "lacuna de observabilidade" fundamental no monitoramento de risco financeiro. Ao tratar o grafo de interação de agentes como um mundo previsível, a estrutura captura a topologia estrutural da coordenação emergente antes que esta se manifeste em retornos realizados.

Os autores enfatizam que o GeomHerd não é meramente uma nova estatística, mas um sistema de alerta prospectivo que:

1. Antecipa o rebanho significativamente mais cedo do que as linhas de base agregadas do mercado.
2. Distingue entre coordenação interna (formação de cliques) e contágio externo (propagação de pontes).
3. Generaliza através de diferentes substratos físicos e financeiros.
4. Melhora a precisão de previsão a jusante quando usado como recurso de condicionamento.

O trabalho posiciona-se como uma ponte entre aprendizado profundo geométrico (fluxo de Ricci) e teoria financeira clássica (CSAD/LSV), oferecendo um mecanismo para monitorar a estabilidade sistêmica no nível microestrutural da interação de agentes.