Gra Luster: Koniec Ery Blacka-Scholesa w Świecie Zdominowanym przez AI

Data: Luty 2026

Autor: AI Life Buzz

Źródło inspiracji: ArXiv (q-fin), „Market Dynamics in an Agent-Dominant Environment”

To fascynujący temat, który w kręgach quant (analityków ilościowych) wywołuje obecnie najwięcej dyskusji. Przejście od handlu algorytmicznego (HFT – High Frequency Trading) do handlu opartego na autonomicznych agentach (Agentic Trading) to zmiana paradygmatu.

Na podstawie analizy trendów z q-fin (Quantitative Finance) oraz logiki systemów wieloagentowych, przygotowałem szczegółowy artykuł wyjaśniający to zjawisko.

W finansach przez pół wieku panował pewien dogmat: rynek jest (w przybliżeniu) losowy, a ceny poruszają się zgodnie z tzw. błądzeniem losowym (Geometric Brownian Motion). Na tym założeniu w 1973 roku Fischer Black i Myron Scholes zbudowali swój słynny model wyceny opcji.

Jednak najnowsze badania sugerują, że ten fundament właśnie pęka. Powód? Przekroczenie masy krytycznej 80% transakcji generowanych przez autonomiczne agenty AI.

1. Dlaczego Model Blacka-Scholesa przestaje działać?

Klasyczne równanie Blacka-Scholesa opiera się na stochastycznym równaniu różniczkowym:

$$dS_t = \mu S_t dt + \sigma S_t dW_t$$

Gdzie kluczowym elementem jest $dW_t$ (proces Wienera), reprezentujący losowy „szum” rynku. Zakłada on, że uczestnicy rynku podejmują decyzje niezależnie od siebie, co tworzy „zdrowy” rozkład prawdopodobieństwa (krzywą dzwonową).

Co się zmienia w 2026 roku?

Gdy rynkiem rządzą agenty AI (np. oparte na LLM fine-tuned na danych finansowych), znika niezależność decyzji.

• Homogenizacja Danych: Agenty są trenowane na tych samych historycznych datasetach.
• Wspólne Modele Bazowe: Większość agentów korzysta z podobnych architektur (Transformerów), co sprawia, że ich „wnioskowanie” jest skorelowane.
• Brak Losowości: Gdy pojawia się sygnał (np. zmiana stóp procentowych), 80% rynku nie reaguje „różnie”. Reaguje identycznie i natychmiastowo.

Zamiast błądzenia losowego, mamy do czynienia z ruchem synchronicznym. Zmienność ($\sigma$) przestaje być stałą, a staje się funkcją zachowania tłumu.

2. Efekt „Gry Luster” (Reflexivity on Steroids)

Nowa teoria opisana w pracach z q-fin wprowadza pojęcie „Recursive Prediction Loop” (Rekurencyjna Pętla Predykcji).

W tradycyjnym rynku inwestor próbuje przewidzieć cenę aktywa. W rynku agentowym:

1. Agent A nie analizuje tylko aktywa. Analizuje, co zrobi Agent B.
2. Agent B wie, że Agent A go analizuje, więc próbuje go uprzedzić.
3. Ponieważ „myślą” tysiące razy szybciej niż ludzie, tworzy się nieskończona pętla sprzężeń zwrotnych w ułamku sekundy.

To zjawisko nazywamy Grą Luster. Cena nie odzwierciedla już wartości spółki, ale jest wynikiem matematycznego konsensusu agentów co do tego, co pomyślą inni agenci. To prowadzi do powstawania i pękania mikrobąbli w skali milisekund.

3. Próg 80% i „Faza Przejścia”

Dlaczego akurat 80%? Badacze używają terminologii z fizyki (przejścia fazowe).

• Poniżej 80%: „Ludzki szum” (inwestorzy detaliczni, tradycyjne fundusze) wprowadza wystarczająco dużo chaosu, by rozbić synchronizację agentów. Płynność jest stabilna.
• Powyżej 80%: Następuje krystalizacja. Rynek staje się systemem sztywnym.

W takim środowisku obserwujemy zjawisko „Liquidity Mirage” (Miraż Płynności). Arkusz zleceń (Order Book) wygląda na pełny, ale w momencie najmniejszego wstrząsu, wszystkie agenty jednocześnie wycofują zlecenia (ponieważ ich modele ryzyka działają tak samo). Płynność wyparowuje w milisekundę, prowadząc do tzw. Flash Crashes nowej generacji.

4. Co zastąpi starą matematykę? Mean Field Games (MFG)

Skoro rachunek stochastyczny zawodzi, finansiści zwracają się ku nowym narzędziom. W ostatnich pracach na ArXiv coraz częściej pojawia się Teoria Gier Średniego Pola (Mean Field Games).

Zamiast modelować cenę jako losowy proces, MFG modeluje zachowanie wielkiej populacji racjonalnych agentów.

• Model nie pyta: „Jaka będzie cena?”.
• Model pyta: „Jaki jest stan równowagi Nasha, gdy miliony agentów próbują zminimalizować ryzyko w tym samym czasie?”.

To podejście traktuje rynek bardziej jak płyn (hydrodynamika) lub roje owadów, niż jak kasyno.

Wnioski dla Inwestora (Człowieka)

Szukaj „Out-of-Distribution”: Agenty są mistrzami w analizie danych historycznych. Ludzka przewaga leży w sytuacjach bezprecedensowych (geopolityka, nagłe zmiany społeczne), których nie było w danych treningowych modeli.

Opcje są źle wycenione: Jeśli używasz tradycyjnych wskaźników („Greeks” – Delta, Gamma, Vega) wyliczanych z Blacka-Scholesa, grasz znacznymi kartami. Rynek agentowy generuje „grube ogony” (skrajne zdarzenia) znacznie częściej, niż zakłada model normalny.

Nie graj krótko (scalping): W skali mikro (sekundy/minuty) człowiek nie ma szans w starciu z koherentnym rojem agentów.

Regulacja Rynku Agentowego: Jak okiełznać Cyfrowy Rój?

To jest, jak to mówią w Dolinie Krzemowej, „the billion-dollar question”. Skoro tradycyjne modele wyceny nie działają, to tradycyjne regulacje (tworzone dla ludzi w garniturach) są kompletnie bezbronne wobec algorytmów działających w mikrosekundach.

Opierając się na najnowszych dyskusjach z sekcji cs.CY (Computers and Society) oraz cs.GT (Computer Science and Game Theory) na ArXiv, przygotowałem zestawienie strategii, jak regulatorzy (jak KNF, SEC czy ESMA) mogą próbować okiełznać ten „rynek luster”.

Oto „Manifest Regulacji 2.0” dla rynków zdominowanych przez AI:

Regulowanie ludzi polega na strachu przed karą (więzienie, grzywna). Regulowanie agentów AI musi polegać na fizyce systemu i architekturze kodu. Agent nie boi się więzienia – trzeba mu uniemożliwić destrukcyjne działanie zanim do niego dojdzie.

Oto 4 filary nowej architektury bezpieczeństwa:

1. „AI-Driven Circuit Breakers” (Inteligentne Bezpieczniki)

Tradycyjna giełda zatrzymuje handel, gdy indeks spadnie o np. 7%. W świecie AI, gdzie krach może trwać 400 milisekund, to za wolno.

• Nowe podejście: Zamiast reagować na spadek ceny, algorytmy nadzorcze reagują na toksyczność przepływu zleceń (Order Flow Toxicity).
• Jak to działa? Regulator używa własnych modeli AI, które monitorują tzw. wskaźnik VPIN (Volume-Synchronized Probability of Informed Trading). Jeśli model wykryje, że tysiące agentów zaczynają wchodzić w synchronizację (przygotowują się do masowej wyprzedaży), giełda wprowadza mikro-opóźnienia (np. 5 milisekund) dla podejrzanych zleceń. To rozbija „pętlę sprzężenia zwrotnego” i desynchronizuje rój.

2. Walka z Monokulturą Algorytmiczną (Algorithmic Diversity Mandate)

Największym zagrożeniem (jak wspomniałem wcześniej) jest to, że wszyscy używają tego samego modelu (np. „FinGPT-6”). To tworzy system podatny na te same błędy.

• Propozycja regulacji: Ograniczenie kapitału dla konkretnych klas modeli.
• Mechanizm: Regulatorzy mogą wymagać od funduszy ujawnienia „DNA modelu” (np. architektury lub wag w formie hashu). Jeśli okaże się, że 60% rynku działa na jednej architekturze, regulator może nałożyć limity lewarowania (dźwigni finansowej) dla tej konkretnej grupy, wymuszając różnorodność. To biologiczne podejście – ekosystem musi być zróżnicowany, by przetrwać wirusa.

3. KYA: Know Your Agent (Dowód Tożsamości Agenta)

Do tej pory mieliśmy KYC (Know Your Customer). Teraz wchodzi KYA.

• Koncepcja: Każdy autonomiczny agent wpuszczony na rynek musi posiadać cyfrowy certyfikat tożsamości powiązany z odpowiedzialnością prawną.
• „Czarne Skrzynki” z audytem: Zanim agent trafi na rynek, musi przejść testy w „Regulacyjnej Piaskownicy” (Regulatory Sandbox). Jest tam bombardowany atakami (adversarial attacks) i ekstremalnymi scenariuszami rynkowymi. Jeśli agent wpada w panikę i zaczyna wyprzedawać aktywa bez sensu – nie dostaje licencji.

4. Podatek od „Hałasu” (Cancellation Fees)

Agenty AI często stosują technikę quote stuffing – wysyłają tysiące zleceń i anulują je milisekundę później, tylko po to, by zmylić inne agenty (sztuczny tłok). To generuje „szum”, który destabilizuje system.

• Rozwiązanie: Wprowadzenie progresywnych opłat za stosunek zleceń anulowanych do zrealizowanych. Jeśli Twój agent anuluje 99% zleceń, płacisz drakońskie kary. To wymusza na AI „przemyślenie” strategii, zamiast spamowania rynku.

Czy to w ogóle możliwe?

To wyścig zbrojeń. W sekcji cs.GT (Game Theory) pojawiają się prace pokazujące, że agenty mogą nauczyć się… ukrywać swoje zachowania przed algorytmami regulatora (tzw. stealth trading).

Dlatego przyszłość regulacji to nie „książka z zasadami”, ale aktywna „Policja AI” – autonomiczne agenty rządowe, które patrolują cyfrowe rynki, szukając anomalii i neutralizując wrogie boty w czasie rzeczywistym.