💰 quantitative finance

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

本文认为，美国货币政策向新兴市场的国际传导之所以出现不稳定，并非由算法中介本身所致，而是由于各基金之间模型的相似性导致了相关性误差和羊群效应，这表明政策应当优先考虑保护模型多样性，而非限制非银行中介机构。

原作者： Fernando Toledo, Luis Dimotta Bré, Gabriel Montes-Rojas

发布于 2026-07-20

📖 1 分钟阅读☕ 轻松阅读

原作者： Fernando Toledo, Luis Dimotta Bré, Gabriel Montes-Rojas

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，全球经济就像一个巨大的、繁忙的市场，资金像水一样在国家之间流动。有时，水流平稳，灌溉着新兴市场（那些正在快速增长但尚未完全发达的国家）的田野。而有时，水会突然流失，留下干涸且挣扎的田野。长期以来，经济学家认为这种流失是由那些庞大、缓慢移动的巨头引起的：传统的银行和人类管理者缓慢沉重的决策。但最近，一种新型的角色进入了市场：算法。这些是计算机程序，通常由人工智能驱动，能在眨眼之间做出投资决策。

每个人都在问的一个大问题是：这些超快速的计算机是在通过即时反应来拯救市场，还是通过集体恐慌让市场变得更加危险？为了理解这一点，我们需要了解几件事。首先，“货币政策”基本上是指富裕国家的中央银行（如美国）通过开启或关闭“水龙头”来控制系统中的资金量。当他们收紧水龙头时，资金会变得昂贵，并且往往会从其他国家流出。其次，“羊群效应”是指当一群鸟在同一时刻同时转向时发生的情况；如果它们都犯了同样的错误，整个鸟群都会坠毁。本文探讨的是：当美国收紧其货币水龙头时，这些计算机程序是表现得像一个冷静、多样化的鸟群从而分散风险，还是表现得像一场惊恐的踩踏，从而加剧了危机？

本文的作者，费尔南多·托莱多（Fernando Toledo）、路易斯·迪莫塔·布雷（Luis Dimotta Bré）和加布里埃尔·蒙特斯-罗哈斯（Gabriel Montes-Rojas），决定通过结合计算机模拟和现实世界数据来研究这个问题。他们建立了一个数学模型，其中有两个主要角色：“中心”（美国）和“外围”（新兴市场）。在他们的故事中，他们引入了一个特殊的角色，叫做“算法同质性”。请将其理解为这不仅仅是计算机的“速度”，而是它们戴着多少顶相同的“思考帽”。如果每个计算机程序都是用完全相同的数据进行训练并使用完全相同的逻辑，那么它们就是高度同质化的。如果它们使用不同的数据和逻辑，它们就是多样化的。

本文的主要发现是一个颠覆直觉的转折。它表明，拥有快速的、AI驱动的资金管理者本身并不是问题所在。问题在于当它们所有的思考方式都完全一致时。作者发现，当算法具有多样性时，它们实际上有助于稳定市场。这就像一个教室，每个学生都有不同的解数学题的方法；如果一个学生犯了错，另一个可能就会做对，从而使全班的平均水平保持准确。在这种情况下，算法充当了稳定器的角色，即使在美国改变其政策时，也能平滑资金的流动。

然而，当市场面临压力时，故事发生了戏剧性的变化。论文显示，算法并不一定会改变它们的相似程度；相反，“灾难安全线”下降了。即使算法保持着相同的“思考帽”（维持相同的相似度），在经济恶化时，这种相似性变得危险的临界点也会下降。在平静时期，安全线很高，因此即使是相似的算法也是安全的。但一旦压力袭来，安全线就会降至相似度水平之下，算法开始产生羊群效应。它们不再是互相抵消，而是让错误不断堆积。作者发现，这种“羊群行为”放大了冲击。当美国收紧其货币政策时，这些相似的算法会在同一时间决定将资金撤出新兴市场，将一个小小的泄漏变成一场大规模的洪水。

至关重要的是，论文认为这不仅仅是关于算法的数量或速度的问题。它明确指出，危险不在于非银行金融部门的规模（这些基金管理的资金量），也不在于交易的速度。你可以拥有一个庞大的快速交易者部门，如果他们思考的方式各不相同，他们实际上可能是安全的。危险在于特定的“误差相关性”——即当他们同时犯下同样的错误时。

那么，这对未来意味着什么？作者建议，监管机构不应仅仅试图限制这些基金的大小或交易的速度。相反，他们应该专注于保持“思考帽”的多样性。他们提议，我们需要衡量这些算法的相似程度，并鼓励它们使用不同的数据和模型。这就像告诉一群鸟向不同的方向看，以免它们同时撞上一棵树。论文总结道，虽然人工智能和算法已不可避免，但它们的影响完全取决于我们是让它们成为一个单调、步调一致的群体，还是保持它们作为一个多样化的、独立的思考者的群体。证据表明，如果没有这种多样性，下一次美国转动水龙头时，算法可能会让水分流失得比预期的要快得多。

技术摘要：算法中介与美国货币政策的国际传导

问题与动机
本文研究了算法和人工智能驱动的基金管理兴起是否改变了美国货币政策向新兴市场的国际传导。虽然关于全球金融周期（如 Rey, 2015; Miranda-Agrippino & Rey, 2020）的现有文献记录了美国冲击如何驱动全球资产价格的共同因子，但通过中介机构放大或减弱这些冲击的具体微观基础机制仍然是一个“黑箱”。

作者认为，不稳定的来源并非算法本身的存在，而是各基金之间模型的相似性。当算法依赖于相同的信号和架构时，它们会产生相关的预测误差。在压力时期，这些误差会相互强化，从而加剧资本流动的反应。相反，多样化的模型允许误差相互抵消，从而可能稳定资金流。鉴于非银行金融中介（NBFI）的快速增长——其规模在2024年已达到全球金融资产的51%，且增长最快的是最可能采用算法策略的对冲基金和投资工具部门——这一区别至关重要。

研究方法
本文采用了双管齐下的方法：一个结构化理论模型和一个实证面板分析。

理论框架（DSGE 模型）：
作者开发了一个两区域（美国中心与新兴市场边缘）的动态随机一般均衡（DSGE）模型。其核心创新在于中介部门，该部门由以下部分组成：
- 传统基金： 受二次调整成本约束的慢速调整贷方。
- 算法基金： 一个连续体（ $j \in [0,1]$ ），根据关于美国政策冲击（ $MP_t$ ）和局部基本面（ $F_t$ ）的有噪声信号进行放贷。
模型引入了一个单一参数——算法同质性（ $\phi \in [0,1]$ ），定义为各基金间共享的预测误差方差比例。信号被分解为共同成分（由共享的训练数据/架构驱动）和特异性成分。

至关重要的是，模型引入了状态依赖的信号精确度。遵循 Orlik & Veldkamp (2024) 的观点，当基本面偏离稳态时（即在深度衰退或过热期间），局部信号的精确度会恶化。这创造了一个放大效应的阈值是内生于经济状态的机制。
实证策略：
作者使用 2000Q1 至 2024Q4 期间 19 个新兴市场的股票投资组合流量面板进行测试（ $N=1,636$ ）。
- 因变量： 季度股票投资组合流量（IMF BPM6）。
- 关键自变量：
  - 货币冲击 ( $r_t$ ): 高频美国货币政策意外冲击（旧金山联储 USMPD）。
  - 算法行为 ( $A_{herding}$ ): $\phi$ 的代理变量，构建为一国头寸变化与全球基准（BIS 局域银行统计数据）之间的滚动 8 季度相关性。
  - 压力机制 ( $Crisis_t$ ): 当 VIX 指数超过 30 时等于 1 的虚拟变量。
- 设定： 采用三重复交互固定效应模型：
  $Y_{it} = \alpha r_t + \beta A_{i,t-1} + \delta Crisis_t + \beta_4 (A \times Crisis) + \beta_5 (r \times A) + \beta_6 (r \times Crisis) + \gamma (r \times A \times Crisis) + \mu_i + \varepsilon_{it}$
  感兴趣的系数 $\gamma$ 捕捉了在压力时期由算法趋同驱动的资本流出额外放大效应。

主要结果

理论命题：
- 命题 1（同质性下的放大效应）： 同质性放大的是对货币冲击的聚合放贷反应的方差，而非均值。相关的误差在聚合中得以存续，使反应的波动性按 $\sqrt{\phi}$ 进行缩放。
- 命题 2（异质性下的减弱效应）： 当 $\phi \to 0$ （模型多样化）时，预测误差相互抵消，使算法部门成为一个信息完全透明、具有稳定作用的中介机构。
- 命题 3（状态依赖型阈值）： 存在一个分离减弱与放大的阈值 $\phi^*$ 。该阈值是状态依赖的：随着局部基本面恶化（ $\Delta F$ 上升），该阈值会下降。因此，即使 $\phi$ 本身没有变化，一个在平稳时期稳定资金流的算法部门，在危机期间也可能放大资金流，仅仅是因为阈值降到了现有的同质性水平之下。
实证发现：
- 状态依赖的放大效应： 三重复交互系数 $\gamma$ 为负且在统计上显著（在基准模型中处于 5% 水平）。这证实了算法趋同在压力时期会放大紧缩性美国冲击后的资本流出。
- 平稳时期无效应： 在正常时期，二重复交互项（ $r_t \times A_{herding}$ ）并不显著，支持了模型的预测，即同质性在基本面稳定时不会放大传导。
- 稳健性： $\gamma$ 的负号在包括替代聚类、异常值剔除、排除特定国家（如中国）或危机时期（如 2020 年 COVID）在内的 12 个设定中均保持不变。
- 局限性： 结果的统计显著性对两个设计选择较为敏感：(1) 使用 VIX（连续变量）而非日历年份（阶梯函数）来定义压力机制；(2) 是否包含 2008–09 年全球金融危机。当排除 2008–09 年危机时，系数虽然仍为负且数值较大，但失去了统计显著性，作者将其归因于失去了研究状态依赖机制最具有信息量的压力时期。

意义与贡献
本文对文献做出了三个主要贡献：

为全球金融周期提供微观基础： 不同于以往将中介机构视为“黑箱”的研究，本文提供了一个微观基础机制（相关预测误差的聚合），解释了为什么美国货币政策传导的强度随时间和机制而变化。
行为风险 vs. 制度风险： 作者证明，放大的风险在于行为相关性（模型同质性），而非非银行中介机构的制度规模。规模庞大的 NBFI 并不必然脆弱；只有当模型趋同时才会变得脆弱。
状态依赖的符号反转： 不同于认为算法采用与风险之间存在单调关系的文献（如 Meng & Chen, 2026; Qiu & Han, 2026），本文识别了一种定性的符号反转。同样的算法部门在基本面健康时稳定资金流，而在基本面恶化时则放大资金流。

政策启示
作者认为，目前的宏观审慎框架侧重于机构的规模和集中度，这与算法中介带来的风险并不匹配。

监管多样性： 政策应侧重于保护模型多样性，而非限制非银行中介的规模。如果监管者在限制部门规模的同时却让模型趋同，可能会通过迫使整合到共同平台上从而无意中增加脆弱性。
避免标准化： 强制执行统一的风险模型或压力情景可能是适得其反的，因为这会增加 $\phi$ 和放大因子。
逆周期管理： 由于放大阈值在危机期间会下降，监管者必须根据状态依赖的阈值来评估模型同质性。鼓励异质化模型的最佳时机是在平稳时期，即在模仿的动机侵蚀多样性之前。

文章结论指出，国际金融体系并不一定会因为人工智能而变得更加脆弱；其结果取决于模型的多样性。政策的重点应当是使这种多样性变得可观测，并对其进行逆周期性的维护。

类似论文