💰 quantitative finance

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

Este artigo argumenta que a transmissão internacional da política monetária dos EUA para os mercados emergentes não é desestabilizada pela intermediação algorítmica em si, mas pela similaridade de modelos entre os fundos, o que causa erros correlacionados e comportamento de manada, sugerindo que a política deve priorizar a preservação da diversidade de modelos em vez de limitar a intermediação não bancária.

Autores originais: Fernando Toledo, Luis Dimotta Bré, Gabriel Montes-Rojas

Publicado 2026-07-20

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Fernando Toledo, Luis Dimotta Bré, Gabriel Montes-Rojas

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine a economia global como um mercado gigante e movimentado, onde o dinheiro flui como água entre os países. Às vezes, a água flui suavemente, preenchendo os campos dos mercados emergentes (países que estão crescendo rápido, mas que ainda não são totalmente desenvolvidos). Outras vezes, a água de repente escoa, deixando esses campos secos e em dificuldades. Por muito tempo, os economistas pensaram que esse escoamento era causado por gigantes lentos e pesados: bancos tradicionais e as decisões lentas e pesadas de gestores humanos. Mas recentemente, um novo tipo de jogador entrou no mercado: os algoritmos. Estes são programas de computador, muitas vezes alimentados por inteligência artificial, que tomam decisões de investimento num piscar de olhos.

A grande questão que todos estão fazendo é: estes computadores supervelozes estão salvando o mercado ao reagir instantaneamente ou estão tornando-o mais perigoso ao entrar em pânico juntos? Para entender isso, precisamos saber algumas coisas. Primeiro, a "política monetária" é basicamente o banco central de um país rico (como os EUA) abrindo ou fechando uma torneira para controlar quanto dinheiro há no sistema. Quando eles apertam a torneira, o dinheiro fica mais caro e, frequentemente, flui para fora de outros países. Segundo, o "comportamento de manada" (herding) é o que acontece quando um bando de pássaros vira todos exatamente ao mesmo tempo; se todos cometerem o mesmo erro, o bando inteiro colide. Este artigo pergunta: quando os EUA apertam sua torneira de dinheiro, esses programas de computador agem como um bando calmo e diverso que espalha o risco, ou agem como uma estampida de pânico que torna a crise pior?

Os autores deste artigo, Fernando Toledo, Luis Dimotta Bré e Gabriel Montes-Rojas, decidiram investigar isso usando uma mistura de simulações de computador e dados do mundo real. Eles construíram um modelo matemático do mundo com dois personagens principais: o "Centro" (os Estados Unidos) e a "Periferia" (mercados emergentes). Em sua história, eles introduziram um personagem especial chamado "Homogeneidade Algorítmica". Pense nisso não como a velocidade dos computadores, mas como o quanto eles estão usando o mesmo "chapéu de pensamento". Se cada programa de computador é treinado com exatamente os mesmos dados e usa exatamente a mesma lógica, eles são altamente homogêneos. Se todos usam dados e lógica diferentes, eles são diversos.

A principal descoberta do artigo é uma reviravolta que desafia nossa intuição. Ela sugere que ter gestores de dinheiro rápidos, impulsionados por IA, não é o problema em si. O problema é quando todos pensam exatamente da mesma maneira. Os autores descobriram que, quando os algoritmos são diversos, eles realmente ajudam a estabilizar o mercado. É como uma sala de aula onde cada aluno tem uma maneira diferente de resolver um problema de matemática; se um aluno comete um erro, outro pode acertar, e a média da classe permanece precisa. Neste cenário, os algoritmos atuam como um estabilizador, suavizando o fluxo de dinheiro mesmo quando os EUA alteram sua política.

No entanto, a história muda dramaticamente quando o mercado sofre estresse. O artigo mostra que os algorit dos algoritmos não necessariamente mudam o quão semelhantes são; em vez disso, a "linha de segurança" para o desastre cai. Mesmo que os algoritmos continuem usando os mesmos "chapéus de pensamento" (mantendo o mesmo nível de semelhança), o ponto em que essa semelhança se torna perigosa cai conforme a economia piora. Em tempos calmos, a linha de segurança é alta, então mesmo algoritmos semelhantes permanecem seguros. Mas, uma vez que o estresse atinge, a linha de segurança cai abaixo do nível de semelhança, e os algoritmos começam a agir em manada. Em vez de se cancelarem mutuamente, seus erros se acumulam. Os autores descobriram que esse comportamento de "manada" amplifica o choque. Quando os EUA apertam seu fluxo de dinheiro, esses algoritmos semelhantes decidem todos retirar seu dinheiro dos mercados emergentes exatamente ao mesmo tempo, transformando um pequeno vazamento em uma inundação massiva.

Crucialmente, o artigo argumenta que isso não é apenas sobre quantos algoritmos existem ou o quão rápidos eles são. É sobre a sua semelhança. Os autores realizaram simulações e analisaram dados reais de 19 mercados emergentes entre 2000 e 2024. Eles descobriram que o efeito de amplificação só acontece durante períodos de alto estresse, especificamente quando o medo global é alto (medido por algo chamado VIX, que é como um "medidor de medo" para o mercado de ações). Em tempos calmos, mesmo que os algoritmos sejam semelhantes, eles não causam muitos problemas. Mas assim que o estresse chega, o limite para o desastre cai, e os algoritmos semelhantes desencadeiam um pânico sincronizado.

O artigo também descarta algumas ideias comuns. Ele afirma explicitamente que o perigo não é o tamanho do setor financeiro não bancário (quanto dinheiro esses fundos gerenciam) ou a velocidade das negociações. Você pode ter um setor enorme de negociadores rápidos e, se todos estiverem pensando de forma diferente, eles podem ser, na verdade, seguros. O perigo é especificamente a "correlação de erros" — quando todos erram a mesma coisa ao mesmo tempo.

Então, o que isso significa para o futuro? Os autores sugerem que os reguladores não devem apenas tentar limitar o tamanho desses fundos ou a velocidade com que negociam. Em vez disso, eles devem focar em manter os "chapéus de pensamento" diversos. Eles propõem que precisamos medir o quão semelhantes são esses algoritmos e incentivar que usem dados e modelos diferentes. É como dizer a um bando de pássaros para olhar em direções diferentes para que não colidam todos contra a mesma árvore. O artigo conclui que, embora a IA e os algoritmos estejam aqui para ficar, seu impacto depende inteiramente de deixarmos que se tornem uma multidão monolítica que pensa em uníssono ou que os mantenhamos como um grupo diverso de pensadores independentes. A evidência sugere que, sem essa diversidade, na próxima vez que os EUA apertarem a torneira, os algoritmos podem fazer com que a água escoe muito mais rápido do que deveria.

Resumo Técnico: Intermediação Algorítmica e a Transmissão Internacional da Política Monetária dos EUA

Problema e Motivação
Este artigo investiga se o aumento da gestão de fundos impulsionada por algoritmos e IA altera a transmissão internacional da política monetária dos EUA para os mercados emergentes. Enquanto a literatura existente sobre o Ciclo Financeiro Global (ex: Rey, 2015; Miranda-Agrippino & Rey, 2020) documenta que os choques dos EUA impulsionam um fator comum nos preços dos ativos globais, o mecanismo microfundamentado específico através do qual a intermediação amplifica ou atenua esses choques permanece uma "caixa preta".

Os autores argumentam que a fonte da instabilidade não é a presença de algoritmos per se, mas a similaridade de modelos entre os fundos. Quando os algoritmos dependem de sinais e arquiteturas idênticas, eles produzem erros de previsão correlacionados. Durante períodos de estresse, esses erros reforçam uns aos outros, intensificando as respostas dos fluxos de capital. Inversamente, modelos diversos permitem que os erros se compensem, potencialmente estabilizando os fluxos. Esta distinção é crítica dado o rápido crescimento da intermediação financeira não bancária (NBFI), que atingiu 51% dos ativos financeiros globais em 2024, com o crescimento mais rápido ocorrendo nos setores de fundos de hedge e veículos de investimento, que são mais propensos a empregar estratégias algorítmicas.

Metodologia
O artigo utiliza uma abordagem de duas vertentes: um modelo teórico estrutural e uma análise de painel empírica.

Estrutura Teórica (Modelo DSGE):
Os autores desenvolvem um modelo de Equilíbrio Geral Estocástico Dinâmico (DSGE) de duas regiões (centro dos EUA e periferia de mercado emergente). A inovação central é o setor de intermediação, que consiste em:
- Fundos Tradicionais: Credores de ajuste lento sujeitos a custos de ajuste quadráticos.
- Fundos Algorítmicos: Um contínuo de fundos ( $j \in [0,1]$ ) que emprestam com base em sinais ruidosos relativos a choques de política monetária dos EUA ( $MP_t$ ) e fundamentos locais ( $F_t$ ).
O modelo introduz um parâmetro único, a homogeneidade algorítmica ( $\phi \in [0,1]$ ), definida como a fração da variância do erro de previsão compartilhada entre os fundos. Os sinais são decompostos em um componente comum (impulsionado por dados de treinamento/arquitetura compartilhados) e um componente idiossincrático.

Crucialmente, o modelo incorpora precisão de sinal dependente do estado. Seguindo Orlik & Veldkamp (2024), a precisão dos sinais locais deteriora-se à medida que os fundamentos se afastam do seu estado de equilíbrio (ou seja, durante recessões profundas ou superaquecimento). Isso cria um mecanismo onde o limiar para amplificação é endógeno ao estado econômico.
Estratégia Empírica:
Os autores testam a predição central do modelo usando um painel de fluxos de carteiras de ações para 19 mercados emergentes de 2000Q1 a 2024Q4 ( $N=1.636$ ).
- Variável Dependente: Fluxos trimestrais de carteiras de ações (IMF BPM6).
- Principais Variáveis Independentes:
  - Choque Monetário ( $r_t$ ): Surpresas de alta frequência na política monetária dos EUA (San Francisco Fed USMPD).
  - Comportamento Algorítmico ( $A_{herding}$ ): Um proxy para $\phi$ , construído como a correlação de 8 trimestres móveis entre as mudanças de posição de um país e um benchmark global (BIS Locational Banking Statistics).
  - Regime de Estresse ( $Crisis_t$ ): Uma dummy igual a 1 quando o VIX excede 30.
- Especificação: Um modelo de efeitos fixos de interação tripla:
  $Y_{it} = \alpha r_t + \beta A_{i,t-1} + \delta Crisis_t + \beta_4 (A \times Crisis) + \beta_5 (r \times A) + \beta_6 (r \times Crisis) + \gamma (r \times A \times Crisis) + \mu_i + \varepsilon_{it}$
  O coeficiente de interesse, $\gamma$ , captura a amplificação adicional das saídas de capital durante regimes de estresse impulsionadas pelo comportamento de manada algorítmico.

Principais Resultados

Proposições Teóricas:
- Proposição 1 (Amplificação sob Homogeneidade): A homogeneidade amplifica a variância da resposta agregada de empréstimos a um choque monetário, não a média. Erros correlacionados sobrevivem à agregação, escalonando a volatilidade da resposta por $\sqrt{\phi}$ .
- Proposição 2 (Atenuação sob Heterogeneidade): À medida que $\phi \to 0$ (modelos diversos), os erros de previsão se cancelam, tornando o setor algorítmico um intermediário perfeitamente informado e estabilizador.
- Proposição 3 (Limiar Dependente do Estado): Existe um limiar $\phi^*$ que separa a atenuação da amplificação. Este limiar é dependente do estado: ele cai conforme os fundamentos locais deterioram ( $\Delta F$ aumenta). Consequentemente, um setor algorítmico que estabiliza fluxos em tempos tranquilos pode amplificá-los em crises sem qualquer mudança em $\phi$ em si, simplesmente porque o limiar cai abaixo do nível de homogeneidade prevalecente.
Achados Empíricos:
- Amplificação Dependente do Estado: O coeficiente de interação tripla $\gamma$ é negativo e estatisticamente significativo (a 5% no baseline). Isso confirma que o comportamento de manada algorítmico amplifica as saídas de capital após choques contracionistas dos EUA, mas apenas durante regimes de alta volatilidade (estresse).
- Sem Efeito em Tempos Tranquilos: A interação de dois termos ( $r_t \times A_{herding}$ ) é insignificante em tempos normais, apoiando a previsão do modelo de que a homogeneidade não amplifica a transmissão quando os fundamentos estão estáveis.
- Robustez: O sinal negativo de $\gamma$ mantém-se em uma bateria de 12 especificações, incluindo agrupamentos alternativos, remoção de outliers e exclusão de países específicos (ex: China) ou episódios de crise (ex: COVID em 2020).
- Limitações: A significância estatística do resultado é sensível a duas escolhas de design: (1) definir o regime de estresse via VIX (medida contínua) em vez de anos civis (função degrau) e (2) incluir a crise financeira global de 2008–09. Quando a crise de 2008–09 é excluída, o coeficiente permanece negativo e grande, mas perde significância estatística, um resultado que os autores atribuem à perda do episódio de estresse mais informativo para um mecanismo dependente do estado.

Significância e Contribuições
O artigo faz três contribuições primárias para a literatura:

Microfundamentação do Ciclo Financeiro Global: Ao contrário de trabalhos anteriores que tratam a intermediação como uma caixa preta, este artigo fornece um mecanismo microfundamentado (a agregação de erros de previsão correlacionados) explicando por que a força da transmissão da política monetária dos EUA varia ao longo do tempo e entre regimes.
Risco Comportamental vs. Institucional: Os autores demonstram que o risco de amplificação reside na correlação comportamental (homogeneidade de modelos) e não no tamanho institucional dos intermediários não bancários. Um setor NBFI grande não é inerentemente frágil; ele se torna tão apenas quando os modelos convergem.
Inversão de Sinal Dependente do Estado: Diferindo da literatura que postula uma relação monotônica entre a adoção algorítmica e o risco (ex: Meng & Chen, 2026; Qiu & Han, 2026), este artigo identifica uma inversão qualitativa de sinal. O mesmo setor algorítmico estabiliza fluxos quando os fundamentos estão saudáveis e os amplifica apenas quando os fundamentos se deterioram.

Implicações de Política
Os autores argumentam que os atuais frameworks macroprudenciais, que focam no tamanho e concentração das instituições, estão desalinhados com os riscos impostos pela intermediação algorítmica.

Regulação da Diversidade: A política deve focar em preservar a diversidade de modelos em vez de limitar o tamanho da intermediação não bancária. Um regulador que limite o tamanho do setor enquanto deixa os modelos correlacionados pode inadvertidamente aumentar a fragilidade ao forçar a consolidação em plataformas comuns.
Evitar a Padronização: Mandatar modelos de risco ou cenários de estresse comuns pode ser contraproducente, pois aumenta $\phi$ e o fator de amplificação.
Gestão Contracíclica: Como o limiar de amplificação cai durante as crises, os supervisores devem avaliar a homogeneidade do modelo contra um limiar contingente ao estado. O momento ideal para incentivar modelos heterogêneos é durante períodos de calma, antes que o incentivo para imitar a diversidade se esgote.

O artigo conclui que o sistema financeiro internacional não precisa se tornar mais frágil devido à IA; o resultado é condicional à diversidade de modelos. A prioridade política é tornar essa diversidade observável e defendê-la de forma contracíclica.

Mais como este