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

1. 研究问题 (Problem)

本文旨在解决一个核心问题：人工智能（AI）在金融市场中的广泛采用，是否以及如何通过三个相互强化的渠道内生地侵蚀市场深度并放大系统性风险？

现有的文献通常将风险来源孤立看待（如杠杆周期、拥挤交易或单一的信息相关性），但本文认为，AI 带来的系统性风险并非各部分的简单加总，而是表现性预测（Performative Prediction）、**算法从众（Algorithmic Herding）和认知依赖（Cognitive Dependency）**三者相互作用产生的乘数效应。这种相互作用可能导致市场从“多元化均衡”突然跃迁至脆弱的“算法单一种群（Monoculture）”均衡，并产生不可逆的路径依赖。

2. 方法论 (Methodology)

本文采用了一个分层理论模型，结合实证分析和**基于智能体的模拟（Agent-Based Modeling, ABM）**进行验证。

A. 理论模型框架

模型建立在扩展的Kyle (1985) 理性预期框架之上，引入了内生性 AI 采用率（$\phi$）。

1. Layer 1 (内生脆弱性)：构建了一个具有表现性反馈的关联信号经济模型。
   • 核心机制：AI 交易者共享一个共同信号成分（$\rho$），导致交易行为相关；AI 预测通过价格反馈回基本面（表现性反馈 $\beta$）；市场深度（$\lambda$）内生地随 AI 采用率增加而下降。
   • 核心均衡对象：推导出了系统性风险耦合函数 $r(\phi) = \frac{\phi \rho \beta}{\lambda'(\phi)}$。由于 $\lambda'(\phi)$ 随 $\phi$ 增加而递减，该耦合函数是凸的，导致系统性风险乘数 $M = (1-r)^{-1}$ 呈超线性增长。
2. Layer 2 (采用博弈与相变)：将上述耦合嵌入超模（Supermodular）采用博弈中。
   • 引入职业关注（Career concerns）作为同构压力。
   • 证明从多元化均衡到单一种群均衡的过渡是一个鞍结分岔（Saddle-node bifurcation），即微小的压力变化会导致采用率和风险乘数的不连续跳跃。
3. Layer 3 (动态状态积累与不可逆性)：引入认知依赖作为内生状态变量。
   • 假设人类技能（信号精度）随对 AI 的依赖而指数级退化（遗忘曲线）。
   • 证明了不可能定理：在静态关联信号框架下（无技能退化），不存在滞后效应（Hysteresis）；只有引入认知依赖，系统才具有不可逆性（进入单一种群后，即使压力减小也无法立即恢复）。

B. 实证策略

• 数据：使用了 2013-2024 年 SEC Form 13F filings 的完整数据集（9950 万项持仓，10,957 家机构）。
• 识别策略：构建了Bartik 移量 - 份额工具变量（Shift-Share IV）。
  • 份额（Share）：机构在 2013-2015 年对前 50 大 CUSIP 的持仓比例（代表技术接受度）。
  • 移量（Shift）：其他管理者的“留一法”（Leave-one-out）组合收敛度。
  • 辅助工具变量：基于英伟达（NVIDIA）数据中心收入的供给侧冲击。
• 文本分析：利用 EDGAR 全文搜索分析 AI 相关披露的强度，作为认知依赖的代理变量。

C. 基于智能体的模拟 (ABM)

• 构建了包含 500 个机构智能体和 1000 个噪声交易者的模拟环境，校准参数以匹配美国股市的实证矩（波动率、偏度等）。
• 用于验证闭式解在有限总体和非线性动态下的稳健性，并生成闭式解无法推导的预测（如速度限制政策的意外后果）。

3. 关键贡献 (Key Contributions)

1. 理论统一与结构性创新：
   • 首次将表现性预测、算法相关性和认知依赖统一在一个均衡框架中。
   • 证明了这三个渠道在结构上是不可分割的：移除任何一个（$\rho=0, \beta=0, \text{或 } \kappa=0$）都会消除系统特有的定性特征（如陷阱的存在性、危险性和不可逆性）。
2. 新的均衡对象与机制：
   • 提出了系统性风险乘数 $M$，并证明其随 AI 渗透率呈超线性增长。
   • 区分了 AI 驱动的风险与传统的杠杆周期或拥挤交易风险：
     • 状态变量：是认知资本（人类技能）而非金融资本。
     • 相关性来源：是共享的信息生产技术（训练数据、架构）而非重叠的头寸。
     • 反馈机制：是信息生产内部的自我实现（基于含价格污染数据的再训练），而非资产负债表约束。
3. 不可逆性与滞后效应：
   • 证明了在静态框架下不可能产生滞后效应，必须引入**认知依赖（技能退化）**作为内生状态变量，才能解释为何系统一旦陷入“算法单一种群”就难以退出（即“单向门”效应）。
4. 可证伪的实证预测：
   • 提出了区分 AI 机制与杠杆机制的横截面检验：在 AI 机制下，AI 机构组内的回报离散度在压力时期应保持恒定（$\Delta \approx 1$），因为错误是相关的；而在杠杆机制下，离散度应飙升（$\Delta > 1$）。

4. 主要结果 (Results)

理论结果

• 凸性耦合：风险耦合 $r(\phi)$ 是凸的，导致风险乘数 $M$ 在 AI 采用率接近临界点时急剧上升。
• 相变：AI 采用率的增加会导致系统发生不连续的相变，从稳定的多元化均衡跳跃到脆弱的单一种群均衡。
• 风暴前的平静：在单一种群均衡下，无条件波动率可能较低（因为 AI 预测看似准确），但条件尾部风险（Tail Risk）极高。
• 不可逆性：由于人类技能退化，系统退出单一种群所需的条件比进入时更为苛刻，形成滞后环。

实证结果

• 组合收敛：2016 年（深度学习应用爆发）之后，机构投资组合的余弦相似度显著增加（从 0.089 升至 0.100，$p=0.002$），HHI 指数和前十持仓重叠率也显著上升。
• 工具变量识别：Bartik IV 的第一阶段 F 统计量为 22.7，拒绝了弱工具变量假设。结果显示，AI 采用率的增加显著导致了投资组合的收敛。
• 参数估计：
  • 算法同质性 $\hat{\rho} \approx 0.60$。
  • 表现性反馈强度 $\hat{\beta} \approx 0.28$。
  • AI 采用率 $\hat{\phi} \approx 0.70$。
  • 由此推算的系统性风险乘数 $M \in [1.18, 1.54]$，意味着尾部损失被放大了 18% 至 54%。这一幅度在经济上显著，相当于巴塞尔协议 III 逆周期资本缓冲（0-2.5%）的数倍。
• 认知依赖：NLP 分析显示，AI 相关披露与投资组合收敛度高度相关（$r=0.55$），且随着 AI 使用时间的延长，对 AI 的依赖度呈现“棘轮效应”。

模拟结果

• 模拟复现了“风暴前的平静”现象：无条件波动率相似，但高 $\phi\rho$ 配置下的条件尾部分布显著更厚。
• 政策干预测试：
  • **人类在环（Human-in-the-loop）**强制要求（限制 AI 依赖度 $\bar{d} \le 0.7$）是最有效的单一干预，可降低 26% 的波动率。
  • 多样性要求（限制 $\rho$）效果次之。
  • **速度限制（Speed bumps）**可能产生破坏性影响，导致流动性分岔，反而恶化尾部结果。

5. 意义与政策启示 (Significance & Policy Implications)

• 监管范式转变：传统的宏观审慎政策关注资本充足率（针对金融资本），而本文指出针对 AI 风险需要关注认知资本的保护。
• 具体政策建议：
  1. 宏观审慎 AI 压力测试 (MAST)：纳入共同信号冲击和表现性反馈场景，建立"AI 单一种群指数”。
  2. 模型多样性要求：强制要求训练数据、架构的多样性，设定相关性上限（如 $\bar{\rho} \le 0.5$）。
  3. 人类在环治理：设定最大 AI 依赖度，强制进行人工覆盖测试和“消防演习”，防止技能退化。
  4. 透明度标准：建立标准化的 AI 模型卡片（Model Card），披露架构、数据来源及已知故障模式。
• 系统性风险警示：如果 AI 同质化和认知依赖继续加强，纠正错误的成本将随时间呈指数级上升。市场可能正处于一个临界点，一旦越过，将陷入不可逆的脆弱状态。

总结

该论文通过严谨的理论建模和实证检验，揭示了 AI 在金融市场中可能引发的新型系统性风险机制。其核心洞见在于：AI 风险不仅仅是技术故障，而是由算法同质性、自我实现的预测以及人类技能退化共同构成的内生性、不可逆的均衡陷阱。 这一发现为监管机构设计针对性的宏观审慎政策提供了重要的理论依据。