你和许多人都请同一个 AI 管账户。市场一跌，它给大家发出相似提醒，又在差不多的时点减仓。每个账户单看都很理性，合在一起却可能像一群人同时挤向窄门，卖盘争抢有限流动性，反过来压低价格。这篇预印本想回答的正是：少数基础模型会不会把财富管理变成一次集体踩踏，以及应该盯住什么指标。
作者 Saurabh Kohli 没有预测下一次崩盘，而是做了一次压力测试——在极端但合理的情景中，观察系统怎样失灵。论文构建了一个多资产主体模型：把客户写成会看行情、调仓、检查风险和执行交易的模拟参与者，再让这些参与者共同影响价格。模型用消费者模型集中度、跨模型相关性、散户换手率和 1990—2022 年共 8,312 个交易日的股票收益校准。
以下数字均来自这一篇论文的模拟和历史回放，尚无其他研究、监管数据或真实市场事件交叉验证。
账户很多，主意可能只有两个
论文先算了一个很直观的数：有效独立决策者数量。它问的不是市场里有多少账户，而是这些账户的意见合起来，相当于多少个真正独立的判断。按照论文采用的当前消费者模型集中度，答案约为 2.0。换句话说，服务对象即使增加到数百万人，建议层在风险意义上仍可能只像两个人在做决定。
但作者发现，这种“观点单一”主要造成两类问题。第一，资金更容易拥挤到同一些个股。第二，如果占主导地位的模型提供商失陷，错误建议会传到更大范围。论文模拟一次持续五天的错误信息冲击：当占消费者市场约八成的提供商受影响时，最大跌幅为 105 个基点；若十家提供商均分客户，同类冲击为 19 个基点。这里一个基点等于 0.01 个百分点。
出人意料的是，模型集中度在这套模拟里没有扩大整个指数的尾部清算。原因是，相似观点经常只是把钱从一种资产转到另一种资产：有的被卖，有的被买，并不必然形成全市场一起撤退。作者因此把两个问题拆开：模型集中决定个股拥挤和单一提供商事故的“爆炸半径”；市场级踩踏则主要由另一套机制推动。
真正同步的，是自动化动作
更危险的是风险覆盖、回撤减仓和注意力驱动执行。风险覆盖，是系统在波动上升时自动压低风险资产仓位；回撤减仓，是账户亏到某个阈值便卖出；注意力驱动执行，则指市场剧烈变化时，更多客户同时打开应用并触发操作。它们看的往往是相同的价格和波动，又按相近规则行动。
论文发现，指数尾部损失随 AI 智能体管理份额的平方根上升。所谓尾部损失，是最差那一小部分情景中的损失，不是日常平均波动。智能体投顾持续检查风险、即时执行时，尾部清算是传统周期性机器人投顾的 1.47—1.90 倍。传统架构每 21 个交易日错开检查一次；两者采用相同观点，差别主要在动作是否连续、即时和同步。
这也解释了为什么日常监控可能看不见风险。在论文的十年模拟中，即使智能体持有市场的 15%，指数年化波动也只从无智能体时的 19.5%变为 19.7%。平时水面很平，问题集中在短时间的极端下跌。
历史回放给出一个更醒目的反事实：若智能体投顾层持有市场的 10%，模型估计它可能让 2020 年的崩盘额外加深约 858 个基点。这不是当年的观测事实，而是把模拟交易层叠加到真实收益路径后的估算。论文还发现，快速下跌更容易被放大；在较慢的熊市中，系统可能提前减仓，随后又在基本面触底前恢复风险敞口。
别只数模型，要量卖盘
如果集中度不是市场级踩踏的好预警，监管者该看什么？作者提出一个脆弱性指数，用三类可观察数据计算：智能体的总交易流、公开市场收益率，以及交易对价格冲击的估计。直觉很简单：先看同步订单有多大，再看同样规模的订单在当时市场里能压低多少价格。
论文在 240 个参数各异的模拟经济中，用前半段数据计算指标、预测后半段的尾部清算。脆弱性指数在留出样本上的 为 0.56——即模型解释了留出样本中约 56%的差异；智能体市场份额为 0.23，观点相关性为 0.12，提供商集中度则几乎没有预测力。指标的样本外平均绝对误差为 39 个基点。
作者还提出一种不集中收集客户明细的算法。安全聚合只汇总各平台提交的数字，看不到单个客户；差分隐私则向汇总结果加入受控噪声，降低反推出个人数据的可能。论文称，所需统计量都可以写成求和，因此现实规模客户群体中的额外成本可忽略。不过这仍是模型内测算。
解法不是换军师，而是错开动作
论文测试的有效组合有三项：分散风险覆盖参数，让账户不要卡在同一阈值；分阶段执行，避免订单同一时刻涌入；设置参与率熔断器，在智能体交易占市场成交过高时限速。三项合用后，模拟中的尾部清算减少 63%，且没有测得客户福利损失。在七段历史压力期回放中，这套组合平均降低了 62%的最大智能体诱发跌幅，并把 2020 年反事实中的额外回撤从 858 个基点降至 252 个基点。
相较之下，仅仅增加模型提供商数量，对市场级尾部清算没有效果。这个结论并不是说模型多元化无用：它仍能限制单一提供商出错的影响范围。论文更窄也更重要的判断是，若目标是防止全市场同步卖出，应优先让风控阈值、执行节奏和交易限速彼此错开。
局限与未知
- 这是一篇单一预印本。1.47—1.90 倍、减少 63%、 和 858 个基点，都依赖主体规则、参数校准、价格冲击函数及反事实基准，不能直接当作现实市场的因果结论。
- “不会引发全市场清算”“提供商多元化没有效果”“没有可测量的福利损失”等说法，只在论文设定和测试范围内成立。真实平台怎样配置风控规则，材料没有提供数据。
- 论文最有价值的不是给出一次崩盘预言，而是纠正监控方向：账户背后用了几种模型，只能说明观点是否拥挤；订单是否同步、市场能否承接，才更接近踩踏本身。