Estimating Decision Rules from Large Language Model Agents: An Application to Bank Balance-Sheet Management

Banken sind die Rohrleitungen der modernen Wirtschaft, die Geld von Sparern zu Kreditnehmern bewegen. Wenn die Zinssätze steigen, wie es 2022 und 2023 drastisch der Fall war, kann der Wert der langfristigen Kredite und Anleihen, die Banken halten, sinken, während die Kosten für das Geld, das sie von Einlegern geliehen haben, eine Zeit lang niedrig bleiben können. Dies schafft einen empfindlichen Balanceakt. Wenn eine Bank zu viel an Wert verliert oder wenn Einleger plötzlich in Panik geraten und ihr Geld abziehen, kann die Bank scheitern. Um zu verstehen, wie dies geschieht, bauen Regulierungsbehörden und Banker Computermodelle. Diese Modelle versuchen vorherzusagen, wie Menschen reagieren werden, wenn sich die Zinsen ändern: Wird ein Sparer sein Geld zu einem besseren Angebot bewegen oder wird ein Kreditnehmer aufhören, neue Kredite aufzunehmen? Traditionell stützen sich diese Modelle auf einfache mathematische Formeln, die auf vergangenen Daten basieren. Aber die Vergangenheit sagt nicht immer die Zukunft voraus, insbesondere wenn sich das wirtschaftliche Umfeld schnell verändert.

Forscher haben vor kurzem begonnen, ein neues Werkzeug einzusetzen, um diese Lücken zu füllen: große Sprachmodelle (Large Language Models). Dies sind dieselben leistungsfähigen Computerprogramme, die Aufsätze schreiben, Fragen beantworten und Gespräche führen können. In diesem neuen Ansatz behandeln Wissenschaftler diese Programme nicht als Chatbots, sondern als simulierte Personen. Sie geben dem Computer eine Rolle, wie zum Beispiel einen Bankmanager oder einen privaten Sparer, und lassen ihn Entscheidungen in einer virtuäriten Wirtschaft treffen. Das Ziel ist es zu sehen, ob die Entscheidungen des Computers wieder in die einfachen mathematischen Regeln übersetzt werden können, die Regulierer verwenden, um die Sicherheit realer Banken zu testen. Es geht nicht darum, menschliche Banker durch Computer zu ersetzen, sondern darum, die Fähigkeit des Computers zu nutzen, komplexes Verhalten zu simulieren, um bessere, realistischere Modelle davon zu erstellen, wie eine Bank eine Krise überleben könnte.

Ein Forscher setzte sich zum Ziel, diese Idee mithilfe einer simulierten Bank in der Eurozone zu testen. Er schuf eine digitale Umgebung, in der eine einzige Bank zwölf monatliche Entscheidungen treffen musste: welchen Zinssatz sie auf Ersparnisse zahlt, welche Marge sie für neue Kredite verlangt und wie sie das Geld aus fälligen Anleihen reinvestiert. Gleichzeitig reagierten vier Gruppen von simulierten Kunden – Sparer, die sehr zinssensitiv sind, Sparer, die weniger sensibel sind, sowie Kreditnehmer mit entweder variablen oder festen Kreditsätzen – auf die Entscheidungen der Bank und auf die breiteren Wirtschaftsnachrichten. Der Forscher bat zunächst ein großes Sprachmodell, sowohl als Bankmanager als auch als Kunden zu agieren, wobei er es anwies, entsprechend spezifischer Ziele und Beschränkungen zu handeln. Der Computer generierte tausende von Entscheidungen über verschiedene Wirtschaftsszenarien hinweg, von ruhigen Jahren bis hin zu Phasen steigender Zinsen und sogar simulierten Bankruns, bei denen Einleger in Panik geraten.

Die zentrale Herausforderung bestand darin, dass die Entscheidungen des Computers komplex und vielfältig waren, während die Modelle, die Regulierer verwenden, einfache Gleichungen sein müssen. Der Forscher stellte die grundlegende Frage: Könnten sie die unordentlichen, intelligent klingenden Entscheidungen des Computers nehmen und sie in ein paar einfache Regeln destillieren, die ein Mensch aufschreiben kann? Er versuchte, das Verhalten des Computers in Standard-Mathematikformeln einzupassen. Anfangs passten die einfachen Formeln nicht gut zum Verhalten des Computers. Der Computer, der als Bankmanager agierte, schien in Stresssituationen anders zu reagieren, als die alten Formeln vorhersagten. Er war vorsichtiger bei der Kreditvergabe und aggressiver beim Anheben der Einlagenzinsen, wenn Probleme auftraten.

Um dies zu lösen, entwickelte der Forscher eine neue Methode. Er nutzte die Entscheidungen des Computers, um einen neuen Satz von Regeln aufzubauen, die er dann gegen frische Szenarien testete, die der Computer zuvor nicht gesehen hatte. Er fand heraus, dass er tatsächlich in der Lage war, einen Satz einfacher, konditionale Regeln zu erstellen, die das Verhalten des Computers eng nachahmten. Zum Beispiel zeigten die neuen Regeln, dass der Bankmanager in normalen Zeiten die Einlagenzinsen sehr nah am Marktdurchschnitt halten würde. Wenn jedoch ein Stresssignal auftrat, wie etwa eine Warnung über die Liquidität der Bank, würde der Manager die Einlagenzinsen sofort um einen signifikanten Betrag erhöhen, um die Kunden am Verlassen der Bank zu hindern. Diese regelbasierte Annäherung funktionierte bemerkenswert gut. In zehn simulierten Jahren sagten die neuen einfachen Regeln den Endgewinn der Bank mit einem Fehler von weniger als einem Drittel eines Prozentpunkts voraus. Sie sagten auch korrekt voraus, wie sich die Liquidität der Bank während einer Krise behaupten würde.

Die Studie offenbarte auch etwas Überraschendes darüber, wie der Computer seine Entscheidungen traf. Der Forscher bemerkte, dass das Verhalten des Computers stark von den spezifischen Anweisungen abhing, die er erhielt. Wenn er dem Computer sagte, er solle wie ein „zinssensitiver“ Einleger handeln, tat er dies auch. Aber wenn er diese spezifischen Verhaltenshinweise entfernte und dem Computer nur die Rohfakten über die Bank und die Wirtschaft gab, traf der Computer dennoch ähnliche Entscheidungen, wenn auch mit einigen Unterschieden. Beispielsweise wurden die simulierten Haushalte des Computers, ohne die spezifische Anweisung, „unempfindlich“ zu sein, viel wahrscheinlicher ihr Geld abzuheben, wenn sich die Zinssätze änderten. Dies deutet darauf an, dass der Computer nicht einfach nur einem versteckten Skript folgte, sondern die bereitgestellten Informationen tatsächlich abwog. Der Forscher war jedoch sorgfältig darauf bedacht, anzumerken, dass diese Ergebnisse beschreiben, wie der Computer unter spezifischen Anweisungen handelte, und nicht, wie reale menschliche Banker oder Kunden tatsächlich handeln.

Einer der beeindruckendsten Befunde betraf das Risiko eines Bank Runs. In den Simulationen passierte Folgendes: Wenn die Liquiditätsquote der Bank – ein Maß dafür, wie viel Bargeld sie vorrätig hat – unter einen bestimmten öffentlichen Schwellenwert fiel, zogen die simulierten Einleger auch dann noch Geld ab, wenn die ursprünglichen schlechten Nachrichten bereits vorüber waren. Dies erzeugte eine selbstaufrechterhaltende Panik. Der Forscher fand heraus, dass dieser Ausgang davon abhing, wie die Informationen präsentiert wurden. Wenn die Öffentlichkeit eine monatliche Momentaufnahme der Gesundheit der Bank sah, konnte die Panik Monate andauern. Wenn die Öffentlichkeit jedoch nur einen Durchschnitt der Gesundheit der Bank über ein Jahr sah, stoppte die Panik viel früher. Dies verdeutlicht, wie die Art und Weise, wie Regulierungsbehörden Informationen teilen, mit dem Verhalten der Einleger interagieren kann, um eine Krise entweder zu beruhigen oder zu verschlimmern.

Der Forscher untersuchte auch den Zielkonflikt zwischen Gewinn und Sicherheit. Er fand heraus, dass die Bank mehr Geld verdienen konnte, wenn sie längerfristige Festzinsanlagen hielt. Diese Strategie machte die Bank jedoch viel verwundbarer, wenn die Zinssätze stark stiegen. In seinen Simulationen erhöhte die Verlängerung der Laufzeit dieser Vermögenswerte von zwei auf sechs Jahre den jährlichen Gewinn der Bank in guten Zeiten um fast zwei Prozentpunkte. Doch als die Zinssätze um drei Prozentpunkte stiegen, sank der wirtschaftliche Wert der Bank – der wahre Wert ihrer Vermögenswerte abzüglich ihrer Schulden – um hunderte Millionen Euro. Dies bestätigte eine klassische finanzielle Wahrheit: Höhere Renditen in guten Zeiten gehen oft mit höheren Risiken in schlechten Zeiten einher.

Letztendlich zeigt diese Arbeit einen neuen Weg auf, Modelle für das Finanzsystem zu erstellen. Indem Forscher große Sprachmodelle nutzen, um realistische Entscheidungen zu generieren, und diese Entscheidungen dann in einfache, testbare Regeln übersetzen, können sie Simulationen erstellen, die sowohl flexibel als auch transparent sind. Die Studie behauptet nicht, dass diese Computer-Agenten perfekte Kopien des menschlichen Verhaltens sind. Stattdessen zeigt sie, dass diese Methode ein leistungsstarkes Werkzeug ist, um „Was-wäre-wenn“-Fragen zu untersuchen. Sie ermöglicht es Regulierungsbehörden und Bankern, wie eine Bank auf eine Krise reagieren könnte, bevor sie eintritt, indem sie ein Modell verwenden, das auf der komplexen, adaptiven Logik moderner künstlicher Intelligenz basiert, aber dennoch einfach genug ist, um von Menschen verstanden und überprüft zu werden. Die Ergebnisse legen nahe, dass, obwohl die spezifischen Zahlen von den Anweisungen an den Computer abhängen, die zugrunde liegenden Verhaltensmuster – wie die Tendenz, während einer Panik die Zinsen zu erhöhen, oder der Zielkonflikt zwischen Sicherheit und Gewinn – robust sind und weiter untersucht werden sollten.