De dag dat $1 biljoen verdween — En waarom "slimme" algoritmes het erger maakten

Ik zat in een call met mijn team toen iemand een screenshot van de Nikkei deelde. Hij was met 8% gedaald. Toen 10%. Daarna 12,4%.

Het was 5 augustus 2024. De Japanse markt had zijn slechtste dag sinds Black Monday in 1987. De VIX — de index die meet hoe bang Wall Street is — was gepiekt naar 65,73, een niveau dat we niet meer hadden gezien buiten de financiële crisis van 2008 en de eerste weken van COVID. Alleen al bij AI- en tech-aandelen verdampte een biljoen dollar aan beurswaarde.

Ik herinner me dat een van mijn ingenieurs half grappend zei: "Dus de algoritmes handelen weer tegen elkaar."

Hij had geen ongelijk. En die zin — tegen elkaar handelen — is het stille gedeelte dat niemand in de AI-industrie hardop wil zeggen. Tussen de 60% en 70% van de wereldwijde transacties wordt nu uitgevoerd door algoritmes. De meeste van deze algoritmes zijn probabilistische systemen — ze voorspellen de volgende waarschijnlijke stap op basis van patronen in historische gegevens. Ze begrijpen niet wat er gebeurt. Ze weten niet waarom de yen in waarde stijgt of wat het afwikkelen van een carry trade betekent voor de liquiditeit. Ze zien alleen prijssignalen en reageren.

Op 5 augustus reageerden ze allemaal in dezelfde richting, op hetzelfde moment, op een signaal dat deels een technisch artefact was. En het resultaat was een kettingreactie die geen enkele menselijke handelaar had kunnen veroorzaken.

Die dag veranderde hoe ik denk over wat we aan het bouwen zijn bij Veriprajna. Het bevestigde iets dat ik al jaren beweerde: probabilistische AI zonder deterministische vangrails is niet alleen onbetrouwbaar — het is gevaarlijk.

Wat gebeurde er eigenlijk op 5 augustus?

Het oppervlakkige verhaal is macro-economisch. De Bank of Japan verraste de markten met een renteverhoging van 0,25%. In dezelfde week triggerde een zwak Amerikaans banenrapport de "Sahm Rule" — een recessie-indicator gebaseerd op stijgende werkloosheid. Twee datapunten. Geen van beide op zichzelf catastrofaal.

Maar onder die krantenkoppen lag een enorme, met geleend geld gefinancierde gok die al meer dan een decennium werd opgebouwd: de yen carry trade.

Hier is de korte versie. Japan hield de rente jarenlang dicht bij nul. De Amerikaanse Federal Reserve verhoogde de rente naar 5,5%. Dus hedgefondsen, institutionele beleggers en zelfs particuliere handelaren leenden goedkoop in yen en pompten dat geld in activa met een hoger rendement — Amerikaanse tech-aandelen, opkomende markten, crypto. Het renteverschil was gratis geld, zolang de yen maar zwak bleef.

Volgens de economische theorie zou dit niet moeten werken. De rentepariteit voorspelt dat wisselkoersschommelingen de rentewinst zouden moeten compenseren. Maar in de praktijk is er een goed gedocumenteerde anomalie die de Forward Premium Puzzle wordt genoemd: valuta's met een hoge rente hebben de neiging om op de korte termijn in waarde te stijgen, waardoor de carry trade nog winstgevender wordt. Dus de positie groeide. En groeide.

Toen de BOJ de rente verhoogde en de yen in één week 7,7% in waarde steeg, werd de "carry" een verlies. Margin calls volgden. De schuldafbouw was gewelddadig.

Maar dit is wat me dwarszit: de macro-triggers verklaren misschien de helft van het verhaal. De omvang — de snelheid, de besmetting, de vernietiging van een biljoen dollar — dat was algoritmisch.

De angstmeter loog

Dit is het deel dat me nog steeds uit mijn slaap houdt.

De VIX, die door iedereen wordt behandeld als de ultieme maatstaf voor marktangst, wordt niet berekend aan de hand van werkelijke handelsprijzen. Hij is afgeleid van de mid-quotes van S&P 500-opties — het middelpunt tussen wat kopers bieden en wat verkopers vragen.

Tijdens de uren voor de markt op 5 augustus opende, droogde de liquiditeit op. Marketmakers verbreedden hun bied-laatspreads om zichzelf te beschermen. Omdat optieprijzen niet onder de nul kunnen dalen en minimumbiedingen vaak zijn vastgesteld op ongeveer 5 cent, dreef deze verbreding van de spread de mid-quote mechanisch omhoog. De VIX steeg met 180% nog voordat de markt open ging.

De VIX piekte niet omdat de angst 180% hoger was. Hij piekte omdat de liquiditeit 180% dunner was. En duizenden algoritmes konden het verschil niet zien.

Fondsen die zich richten op volatiliteit, Commodity Trading Advisors (CTA's) — deze systemen zijn geprogrammeerd om aandelen te dumpen wanneer de impliciete volatiliteit stijgt. Ze zagen het VIX-getal. Ze verkochten. Hun verkoop dreef de prijzen verder omlaag, wat weer andere algoritmes activeerde om te verkopen, wat de VIX nog verder omhoog stuwde.

Het was een feedbackloop gebouwd op een meetartefact. De "angstmeter" mat deels zijn eigen weerspiegeling.

Ik bracht dit ter sprake tijdens een teamvergadering de week daarop, en een van onze datawetenschappers haalde de analyse van de Bank for International Settlements erbij, die precies dit mechanisme bevestigde. Ik herinner me dat het stil werd in de kamer. We hadden neuro-symbolische systemen gebouwd voor zakelijke klanten — belastingnaleving, bouwlogistiek — maar dit was het moment waarop ik me realiseerde dat dezelfde architectonische tekortkoming zich in het hart van de wereldwijde financiële wereld bevond.

Waarom zagen de "slimme" AI-systemen dit niet?

Mensen vragen me dit altijd. Als AI zo krachtig is, waarom heeft het de crash dan niet voorkomen? Waarom herkenden de handelsalgoritmes de VIX-anomalie niet?

Omdat ze daar niet voor ontworpen waren. Ze waren ontworpen om te reageren op signalen, niet om erover te redeneren.

De meeste AI-gestuurde handelssystemen van vandaag zijn wat ik probabilistische wrappers noem. Het zijn dunne interfaces die bovenop grote taalmodellen of statistische voorspellingsengines zijn gebouwd. Ze zijn erg goed in patroonherkenning — correlaties vinden in historische gegevens, voorspellen van prijsbewegingen op de korte termijn. Maar ze hebben geen intern model van waarom dingen gebeuren.

Een probabilistisch systeem getraind op historische VIX-gegevens zal leren: "Als VIX boven de 40 komt, verkoop dan aandelen." Dat is een nuttige heuristiek in normale markten. Op 5 augustus was het olie op het vuur. Het systeem kon niet vragen: "Wacht — wordt deze VIX-piek aangedreven door gerealiseerde volatiliteit, of door een op quotes gebaseerd meetartefact in een omgeving met lage liquiditeit?" Die vraag vereist causaal redeneren. Het vereist inzicht in de microstructuur van de markt. Het vereist wat we deterministische logica noemen — en probabilistische modellen hebben dat niet.

Een investeerder zei ooit ronduit tegen me: "Gebruik gewoon GPT. Fine-tune het op marktgegevens." Ik probeerde uit te leggen dat een taalmodel dat het volgende waarschijnlijke token voorspelt, fundamenteel verschilt van een systeem dat de beperking kan afdwingen: "voer geen verkooporder uit die wordt geactiveerd door een VIX-meting die meer dan 3 standaarddeviaties afwijkt van de gerealiseerde volatiliteit." Hij keek me aan alsof ik de boel onnodig ingewikkeld maakte.

5 augustus was de weerlegging van 1 biljoen dollar.

Wat betekent "Deep AI" eigenlijk voor de markten?

Bij Veriprajna gebruiken we de term "Deep AI" om wat wij bouwen te onderscheiden van de golf aan AI-wrappers die de markt overspoelt. Het is geen marketingterm — het is een architectonische toewijding. Ik heb uitgebreid over deze filosofie geschreven in de interactieve versie van ons onderzoek, maar de kernidee is dit:

Neurale netwerken zijn voor perceptie. Symbolische logica is voor waarheid.

We noemen het de "Neuro-Symbolic Sandwich." Een neuraal netwerk neemt gegevens op — prijsfeeds, nieuws, orderboekdynamiek. Daar is het uitstekend in. Patroonherkenning is waar neurale netwerken voor geboren zijn. Maar voordat die neurale output een besluitvormende laag bereikt, gaat het door een symbolische constraint-engine — een deterministische laag die onveranderlijke regels afdwingt.

Die regels worden niet uit gegevens geleerd. Ze zijn expliciet gecodeerd. Margevereisten. Liquiditeitsdrempels. Wettelijke beperkingen. Temporele logica — het begrip dat een rentebesluit van de BOJ in juli causaal stroomopwaarts ligt van een margin call in augustus, zelfs als ze in verschillende stukken data verschijnen.

In een neuro-symbolisch systeem is waarheid geen statistische waarschijnlijkheid. Het is een geverifieerde, logisch onderbouwde zekerheid. Het neurale netwerk zegt: "Dit patroon ziet eruit als een verkoopsignaal." De symbolische laag vraagt: "Schendt dit verkoopsignaal een beperking waarvan we weten dat deze waar is?" Zo ja, dan wordt het signaal geblokkeerd. Geen onderhandeling mogelijk.

Dit is niet theoretisch. We hebben deze constraint-engines gebouwd voor belastingnaleving, waarbij een AI-agent letterlijk geen belastingaangifte kan aanbevelen die in strijd is met de wet, hoe overtuigend de prompt ook is. Dezelfde architectuur is van toepassing op handelen: een agent die geen transactie kan uitvoeren die wordt geactiveerd door een VIX-meting die hij als afwijkend kan identificeren.

Waarom falen huidige AI-systemen hierin?

Er is een specifieke technische faalmodus die veel verklaart van wat er misging op 5 augustus, en het is dezelfde faalmodus die ik zie in bijna elk "AI-aangedreven" financieel product op de markt.

Het wordt Naive RAG genoemd — Retrieval-Augmented Generation. Het idee is simpel: neem een groot taalmodel, verbind het met een database van documenten (marktrapporten, nieuws, deponeringen) en laat het relevante context ophalen voordat het een antwoord genereert.

Het probleem is hoe "relevante context" wordt geselecteerd. De meeste RAG-systemen hakken documenten in stukken van een vaste grootte (chunks), zetten ze om in numerieke vectoren en halen de chunks op die wiskundig gezien het meest vergelijkbaar zijn met de zoekopdracht. Dit creëert drie catastrofale blinde vlekken:

Temporele blindheid. Een chunk over een "marktcrash" uit 2010 en een chunk over een "marktcrash" uit 2024 zien er als vectoren bijna identiek uit. Het model kan geen onderscheid maken tussen een historische gebeurtenis en een zich ontwikkelende gebeurtenis. Op 5 augustus verwarden AI-nieuwsanalysetools beleidsreacties van tien jaar geleden met realtime omstandigheden.

Narratieve fragmentatie. Chunking vernietigt de draad van een zich ontwikkelend verhaal. Het rentebesluit van de BOJ, de waardestijging van de yen en de margin call van een hedgefonds zijn drie afzonderlijke chunks in drie afzonderlijke artikelen. De AI kan ze niet met elkaar verbinden.

Falen in multi-hop redeneren. De crash van de carry trade vereiste transitieve logica: de BOJ verhoogde de rente → de yen werd sterker → carry trade-posities werden onrendabel → gedwongen verkoop raakte Amerikaanse tech-aandelen → de VIX piekte → op volatiliteit gerichte fondsen verkochten meer. Dat is een causale keten in zes stappen. Naive RAG kan dat niet.

We vervangen dit door knowledge graphs — expliciete kaarten van relaties tussen economische actoren, valuta's, instrumenten en regelgevende instanties. Wanneer een rentebesluit van de BOJ het systeem binnenkomt, weet de knowledge graph al dat het verbonden is met posities in de yen carry trade, die weer verbonden zijn met de blootstelling aan Amerikaanse aandelen, die op hun beurt verbonden zijn met VIX-gevoelige fondsen. De redenering is structureel, niet statistisch.

Hoe modelleer je besmetting voordat het gebeurt?

Dit is waar Graph Neural Networks — GNN's — de manier waarop ik denk over financieel risico veranderden.

Traditionele risicomodellen behandelen activa als onafhankelijke datapunten of gebruiken statische correlatiematrices. Die matrices worden gekalibreerd tijdens rustige markten. Tijdens een flash crash pieken correlaties naar 1 — alles verkoopt tegelijk — en het model breekt.

Een GNN behandelt de markt als wat het werkelijk is: een netwerk. Knopen (nodes) zijn activa. Randen (edges) zijn de intensiteit van de informatiestroom daartussen. De Nikkei 225 is verbonden met USD/JPY, die verbonden is met Nvidia, die weer verbonden is met de VIX. De GNN leert niet alleen de status van elke knoop, maar ook hoe schokken zich via de randen voortplanten.

Ons onderzoek toont aan dat GNN's een Mean Square Error van 0,0025 en Root Mean Square Error van 0,050 behalen in volatiliteitsvoorspellingen — wat aanzienlijk beter presteert dan traditionele recurrente neurale netwerken en zelfs Transformers. De reden is structureel: GNN's vangen multi-hop interacties op. Ze kunnen identificeren dat een schok in de yen zich via carry trade-posities zal voortplanten naar Amerikaanse tech-aandelen voordat de prijsbeweging zichtbaar wordt in de tijdreeks.

Maar — en dit is het deel dat ertoe doet — we laten de GNN niet alleen handelen. De output ervan wordt ingevoerd in de symbolische constraint-laag. De GNN zegt: "De kans op besmetting van JPY naar Nasdaq is verhoogd." De symbolische engine controleert: "Zijn de huidige carry trade-posities boven de drempel die is vastgelegd in onze risicoregels? Is het VIX-gedrag consistent met gerealiseerde volatiliteit, of is het een op quotes gebaseerde anomalie?" Pas nadat beide controles zijn doorstaan, genereert het systeem een aanbeveling.

Een GNN zonder symbolische beperkingen is een zeer nauwkeurige paniekknop. Een GNN met symbolische beperkingen is een risicobeheersysteem.

Voor de volledige technische uitsplitsing van deze architectuur — inclusief de reinforcement learning-frameworks die we gebruiken voor margebewuste handelsagenten — zie ons onderzoeksrapport.

Het black box-probleem is niet alleen technisch — het is juridisch

Hier is iets dat niet genoeg aandacht krijgt: toezichthouders komen achter ondoorzichtige AI aan.

De CFTC en SEC richten zich in toenemende mate op transparantie in algoritmische handel. Een black box die een verkooporder van 100 miljoen dollar uitvoert en niet kan uitleggen waarom, is niet alleen een technisch risico — het is een compliance-aansprakelijkheid. De Bank for International Settlements heeft expliciete richtlijnen gepubliceerd over hoe toezichthouders AI-verklaarbaarheid op de financiële markten moeten benaderen.

We bouwen verklaarbaarheid vanaf het begin in de architectuur in. Onze symbolische constraint-laag is inherent interpreteerbaar — u kunt elke beslissing herleiden tot de specifieke regel die het toestond of blokkeerde. Voor de neurale componenten (de GNN's, de reinforcement learning agents) passen we post-hoc technieken toe: SHAP-waarden die laten zien welke variabelen een voorspelling aanstuurden, en counterfactual (tegenfeitelijke) verklaringen die laten zien hoe een andere input de output zou hebben veranderd.

Ik had een gesprek met een compliance officer bij een middelgroot fonds die me vertelde dat hun huidige AI-handelssysteem aanbevelingen genereert die ze niet kunnen auditen. "We vertrouwen er gewoon op", zei ze. "Totdat het misgaat, en dan moeten we aan het bestuur uitleggen waarom we het vertrouwden."

Dat is de compliance-crisis in één zin. En het is de reden waarom we elke implementatie afstemmen op het NIST AI Risk Management Framework — niet als een afvinklijstje, maar als een operationele architectuur. De vier pijlers van het framework (Govern, Map, Measure, Manage) komen direct overeen met hoe we bouwen: toezichtbeleid dat is ingebakken in het systeem, risicokartering van elke data-afhankelijkheid, continue meting van model drift en deterministische kill-switches voor wanneer het systeem detecteert dat het buiten zijn betrouwbare bereik functioneert.

Hoe zit het met het "Voeg gewoon meer data toe"-argument?

Mensen verzetten zich tegen de neuro-symbolische benadering. Ze zeggen: "Als probabilistische modellen faalden op 5 augustus, is het antwoord betere probabilistische modellen. Meer trainingsdata. Grotere contextvensters. Fine-tunen op crisisscenario's."

Ik begrijp de aantrekkingskracht. Het is simpeler. Het past in de huidige toolchain. En het is fout.

De afwikkeling van de carry trade in augustus 2024 was een nieuwe gebeurtenis. De specifieke combinatie van een renteverhoging door de BOJ, een trigger van de Sahm Rule, een VIX-quote-anomalie en het gelijktijdig afwikkelen van een met geleend geld gefinancierde positie van meerdere biljoenen dollars — die exacte configuratie was nog nooit eerder voorgekomen. Geen enkele hoeveelheid historische trainingsdata bevat dit.

Probabilistische modellen extrapoleren vanuit het verleden. Deterministische constraint-engines coderen de regels die het heden regeren. De regels van margevereisten veranderen niet tijdens een crisis. Het mechanisme van de VIX-berekening verandert niet tijdens een crisis. De causale relatie tussen renteverschillen en winstgevendheid van carry trades verandert niet tijdens een crisis. Dit zijn de dingen die een symbolische laag kan afdwingen, ongeacht of het specifieke scenario eerder is vertoond.

Je kunt jezelf niet uit een nieuwe crisis trainen. Je kunt er alleen maar doorheen redeneren — en redeneren vereist een structuur die probabilistische modellen niet hebben.

Het Wrapper-tijdperk is voorbij

Ik heb de afgelopen jaren toegekeken hoe de AI-industrie steeds uitgebreidere façades bouwde bovenop dezelfde probabilistische fundamenten. Dunne interfaces op GPT-4. "AI-aangedreven" dashboards die in werkelijkheid gewoon prompt-templates zijn die een API aanroepen. De advieswereld noemt dit "AI-oplossingen". Ik noem het wrappers op drijfzand.

5 augustus 2024 was de dag dat het drijfzand verschoof. Een biljoen dollar verdween niet omdat de fundamenten instortten, maar omdat de algoritmes niet konden redeneren over de wereld waarin ze handelden. Ze konden een liquiditeitsartefact niet onderscheiden van oprechte angst. Ze konden geen causale keten in zes stappen van Tokio naar Wall Street traceren. Ze konden hun eigen output niet toetsen aan de basismechanismen van hoe de VIX wordt berekend.

Wij bouwen systemen die dat wel kunnen. Niet omdat we slimmer zijn — omdat we een andere architectonische keuze hebben gemaakt. We kozen ervoor om AI niet te behandelen als een voorspellingsengine die af en toe geluk heeft, maar als een engineeringsysteem waarbij elke output wordt geverifieerd aan de hand van expliciete, controleerbare logica.

De AI-goldrush beloonde snelheid. Het volgende tijdperk zal waarheid belonen. En waarheid, in elk domein dat ertoe doet — financiën, recht, geneeskunde, infrastructuur — vereist meer dan waarschijnlijkheid. Het vereist bewijs.

Dat is geen indekking. Dat is een fundering.