💻 computer science

Social Contagion and Bank Runs: An Agent-Based Model with LLM Depositors

Este estudio presenta un modelo basado en agentes con depositantes generados por modelos de lenguaje grande que demuestra cómo la conectividad social en redes digitales amplifica no linealmente el riesgo de corridas bancarias, reproduciendo con precisión la dinámica de crisis recientes como la de SVB y First Republic.

Autores originales: Chris Ruano, Shreshth Rajan

Publicado 2026-02-18

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Chris Ruano, Shreshth Rajan

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

🏦 El Contagio Social y las Hileras de Bancos: Una Simulación con "Cerebros de IA"

Imagina que un banco es como una fiesta gigante. La gente va a disfrutar (guardar su dinero), pero si alguien grita "¡Se acaba la comida!", todos corren a la puerta al mismo tiempo para agarrar lo que pueden antes de que se acabe. A esto se le llama una carrera bancaria (bank run).

En el pasado, para que esto pasara, tenías que ir físicamente al banco y ver una fila larga de gente. Eso tomaba tiempo. Pero hoy, con los bancos digitales y las redes sociales (como Twitter/X), la carrera puede ocurrir en cuestión de minutos, como un incendio forestal que se propaga con el viento.

Este artículo de investigación (escrito por dos estudiantes de Harvard) intenta responder una pregunta difícil: ¿Cómo se contagia el pánico en internet y cómo podemos predecirlo?

Para hacerlo, no usaron matemáticas aburridas de equilibrio (que asumen que todos piensan igual y perfecto), sino que construyeron un mundo virtual (un modelo basado en agentes) donde simularon una crisis bancaria real.

🎮 ¿Cómo funciona su "Videojuego"?

Imagina que crearon un videojuego de simulación con tres componentes principales:

Los Bancos (Los Anfitriones):
Tienen una caja fuerte con dinero líquido (efectivo) y una bodega con muebles viejos (activos a largo plazo) que no pueden vender rápido. Si todos quieren su dinero a la vez, el banco tiene que vender esos muebles a precio de remate (con descuento) para conseguir efectivo. Si vende demasiado barato, pierde valor y puede quebrar.
Los Depositaros (Los Invitados):
En lugar de usar reglas de computadora simples (como "si el banco está mal, retiro"), usaron una Inteligencia Artificial avanzada (un LLM).
- La analogía: Imagina que cada invitado a la fiesta es un robot con una personalidad única. Algunos son muy nerviosos, otros son tranquilos. Algunos leen las noticias, otros solo escuchan lo que grita su vecino.
- Estos robots "piensan" usando un lenguaje natural. Leen el estado del banco, ven lo que dicen sus amigos en la red social del juego, y deciden: "¿Me quedo o me voy?". Además, pueden escribir un mensaje corto en el chat del juego para que otros lo lean.
La Red Social (El Chat de la Fiesta):
Usaron datos reales de Twitter/X durante la crisis de 2023 (cuando quebró el Silicon Valley Bank). Crearon una red donde unos pocos usuarios tienen millones de seguidores (influencers) y la mayoría tiene pocos. Esto es como una fiesta donde hay un DJ muy famoso que grita cosas; si él grita "¡Fuego!", todos corren.

🔍 ¿Qué descubrieron? (Las 3 Lecciones Clave)

Después de correr la simulación casi 5,000 veces con diferentes escenarios, encontraron tres cosas fascinantes:

1. La velocidad del pánico depende de quiénes se conocen
Si todos los depositantes de un banco se conocen entre sí (tienen una red muy conectada), el pánico se propaga como un relámpago.

Analogía: Si en una fiesta todos están en el mismo círculo de amigos, un rumor se transmite en segundos. Si están en grupos separados que no se hablan, el rumor tarda más.
Resultado: Cuanto más conectados están los clientes entre sí, más rápido y seguro es que el banco quiebre, incluso si el banco estaba bien financieramente al principio.

2. El "Efecto Dominó" tiene un punto de ruptura (El Umbral)
Descubrieron que el contagio entre bancos no es lineal; es como un interruptor de luz.

Analogía: Imagina que intentas encender una hoguera con una cerilla. Si soplas un poco (poca información), no pasa nada. Pero si soplas justo la cantidad correcta (alrededor del 10% de "fugas" de información entre bancos), la hoguera explota.
Resultado: Si la información de un banco en problemas llega a los clientes de otro banco con una intensidad muy baja, el segundo banco está a salvo. Pero si esa conexión supera un pequeño umbral, el segundo banco cae casi seguro, aunque tenga más dinero que el primero.

3. La mezcla es explosiva: Clientes compartidos + Redes Sociales
El estudio mostró que tener clientes que tienen cuentas en varios bancos (como un inversor que tiene dinero en el Banco A y en el Banco B) es peligroso si esos clientes también se comunican en redes sociales.

Analogía: Es como si un invitado que está en dos fiestas diferentes empezara a gritar en ambas. Si solo gritara en una, no pasaría nada. Pero si grita en ambas y sus amigos lo escuchan en las dos, el pánico se sincroniza y destruye a ambas fiestas.
Resultado: La combinación de "clientes compartidos" y "redes sociales" crea un efecto multiplicador. Un banco que parece fuerte puede caer solo porque su vecino (con el que comparte clientes) está en problemas.

🧪 ¿Por qué usar Inteligencia Artificial?

Los autores usaron un modelo de lenguaje (como el que usas tú ahora) para simular a los humanos porque las reglas fijas de computadora son demasiado rígidas.

La prueba: Antes de usarlos en el juego, los probaron en un experimento de laboratorio real. Resultó que estos robots, sin haber sido entrenados específicamente para esto, tomaron decisiones muy parecidas a las de los humanos: si el riesgo era alto, se asustaban y retiraban el dinero; si era bajo, esperaban.
Esto les dio confianza de que su simulación no era solo un juego de azar, sino que reflejaba cómo piensan realmente las personas cuando entran en pánico.

💡 ¿Qué significa esto para el futuro?

El mensaje principal es que los supervisores bancarios (como el gobierno o los reguladores) no pueden mirar solo los libros de contabilidad de los bancos.

El problema: Un banco puede tener mucho dinero, pero si sus clientes están muy conectados en redes sociales y comparten comunidad con un banco que está en problemas, el pánico puede destruirlo.
La solución: Los reguladores deberían medir el "contagio social". Deberían vigilar no solo cuánto dinero tiene un banco, sino cuántos clientes comparte con otros bancos y cómo se comunican esos clientes en internet.

En resumen, este paper nos dice que en la era digital, el miedo es contagioso y viaja más rápido que el dinero. Para evitar que los bancos caigan, no basta con tener reservas de efectivo; hay que entender cómo se mueven las historias y los rumores en la red.

1. Planteamiento del Problema

El artículo aborda una brecha crítica en la teoría de las corridas bancarias modernas. Los modelos económicos tradicionales, como el de Diamond-Dybvig (1983) y las Juegos Globales (Morris y Shin, 1998), explican por qué existen las corridas (complementariedad estratégica y múltiples equilibrios) y cuándo podrían ocurrir bajo ciertas condiciones de información. Sin embargo, estos modelos presentan limitaciones operativas para el entorno digital actual:

Selección de Equilibrio y "Sunspots": Los modelos de equilibrio a menudo dependen de "sunspots" (factores extrínsecos no económicos) para seleccionar un equilibrio de corrida. Esto es conceptualmente elegante pero inútil para la supervisión, ya que los "sunspots" no son medibles ni estresables ex ante.
Falta de Mecanismos Causales: Los modelos de equilibrio no explican el proceso causal de cómo las creencias se sincronizan y propagan en tiempo real a través de redes sociales y comunicación digital.
Nueva Realidad: La crisis de marzo de 2023 (Silicon Valley Bank, First Republic) demostró que las corridas son más rápidas y están más interconectadas que las corridas tradicionales en colas físicas. La comunicación en redes sociales (Twitter/X) actuó como un catalizador y amplificador, sincronizando retiros incluso entre bancos con fundamentos diferentes.

El problema central es cómo modelar la correlación social como un canal de riesgo medible y estresable, más allá de los fundamentos del balance general.

2. Metodología: Modelo Basado en Agentes (ABM)

Los autores desarrollan un modelo basado en agentes (ABM) de proceso, diseñado para simular la dinámica causal de las corridas bancarias en lugar de buscar un equilibrio estático.

A. Estructura del Modelo

El modelo opera en tiempo discreto ( $t = 1, \dots, T$ ) y consta de tres entidades principales:

Bancos:
- Gestionan activos líquidos ( $L$ ), activos ilíquidos a largo plazo ( $A$ ) y depósitos ( $D$ ).
- Mecánica de Retiros: Procesamiento "cash-first" (primero se usan los activos líquidos). Si los retiros exceden la liquidez, se liquidan activos ilíquidos con un descuento de "venta forzosa" ( $h_b$ ).
- Límites Operativos: Existe un límite de procesamiento por ronda (10% de los depósitos iniciales) para reflejar fricciones operativas y evitar colapsos instantáneos mecánicos.
- Índice de Estrés Endógeno: La probabilidad de incumplimiento ($PDB$) se actualiza dinámicamente basándose en la intensidad de los retiros y choques externos.
- Umbral de Intervención: Un banco se considera en quiebra o intervenido si los retiros acumulados superan un umbral específico (ej. 25% para SVB, 35% para First Republic).
Depositantes (Agentes):
- Heterogeneidad: Los agentes difieren en su tolerancia al riesgo y en el peso que asignan a los fundamentos ( $\alpha$ ) versus la información social ( $\beta$ ).
- Estado de Seguro: Se clasifican como asegurados o no asegurados (basado en datos reales de SVB y First Republic), lo cual altera drásticamente sus incentivos.
- Redes de Comunicación:
  - Intra-banco: Redes con distribución de cola pesada (heavy-tailed) y estructura núcleo-periferia, calibradas con datos de retweets de Twitter/X durante la crisis de 2023.
  - Inter-banco: "Bordes puente" (bridge edges) que conectan depositantes de diferentes bancos, simulando la superposición de comunidades (ej. inversores de capital de riesgo).
Comportamiento de los Agentes (LLM):
- Innovación Clave: En lugar de usar reglas heurísticas fijas, el comportamiento de los depositantes es generado por un Modelo de Lenguaje Grande (LLM) (GPT-4.1-mini) actuando como una función de política conductual.
- Input: El LLM recibe un prompt estructurado con el estado del banco (fundamentos, estado de seguro, tasa de retiro anterior) y los posts de sus vecinos en la red social.
- Output: El LLM decide discretamente "Retirar" o "Quedarse" y, opcionalmente, genera un post para la red social.
- Validación: El comportamiento del LLM se valida contra evidencia de laboratorio (experimentos de coordinación) para asegurar que reproduce la lógica comparativa estática correcta sin sobre-entrenamiento.

B. Calibración y Escenarios

Escenario Base: Tres bancos: SVB (alta vulnerabilidad, 93% depósitos no asegurados), First Republic (vulnerabilidad media, 68% no asegurados) y un banco regional de control ("Safe").
Parámetros Calibrados: Se utilizan datos de Twitter para ajustar la intensidad del contagio de información ( $q_{safe}$ ) y la densidad de las redes.
Experimentos: Se ejecutan 4,900 configuraciones (combinaciones de parámetros y semillas) para mapear la superficie de riesgo.

3. Contribuciones Clave

Cambio Metodológico: Propone un modelo de proceso basado en agentes como alternativa superior a los modelos de equilibrio para analizar corridas digitales, permitiendo rastrear la causalidad de la propagación de pánico.
Formalización de la Correlación Social: Define la superposición de comunidades de depositantes y sus redes de comunicación como un canal de riesgo distinto y medible, análogo a las exposiciones de activos correlacionados, pero operando a través de creencias.
Validación Conductual con LLM: Demuestra que un LLM "fuera de la caja" (sin fine-tuning específico en datos de corridas) puede servir como un prior conductual conservador y disciplinado que reproduce patrones cualitativos de experimentos de coordinación.
Prueba de Concepto Empírica: El modelo replica exitosamente la secuencia de fallos observada en marzo de 2023 (SVB $\to$ First Republic $\to$ Estabilidad Regional) y cuantifica el papel amplificador de las redes sociales.

4. Resultados Principales

A. Reproducción de la Crisis de 2023

El modelo reproduce cualitativa y cuantitativamente la crisis:

SVB: Falla primero con un 30% de retiros acumulados.
First Republic: Falla posteriormente (40% de retiros) debido al contagio, a pesar de tener fundamentos iniciales mejores que SVB.
Banco Regional: Sobrevive con solo un 6% de retiros, reflejando el patrón de "vuelo a la seguridad".
Diferencia Asegurado/No Asegurado: Los depositantes no asegurados muestran tasas de retiro del 81.3% frente al 34.5% de los asegurados, validando la teoría de complementariedad estratégica.

B. Transición de Fase en el Contagio

Se identifica un punto de inflexión (tipping point) crítico en la tasa de derrame de información (spillover rate):

Umbral: Alrededor de 0.10.
Por debajo del umbral: El contagio es inestable; First Republic sobrevive en la mayoría de las simulaciones.
Por encima del umbral: La probabilidad de fallo de First Republic salta al 80-100%.
Implicación: Pequeños cambios en la velocidad o alcance de la narrativa de estrés pueden provocar cambios discontinuos en los resultados sistémicos.

C. Interacción No Lineal de Canales

El análisis de descomposición revela que los canales de contagio no son aditivos, sino sinérgicos:

Aislados: Ni la superposición de redes (bridges) ni el derrame de información (spillover) por sí solos generan un contagio masivo (fallo ~5%).
Combinados: La interacción entre depositantes compartidos (que siembran el pánico) y la topología de red de cola pesada (que amplifica el pánico a través de nodos centrales) genera un fallo del 65% incluso sin derrame de información externo.
Con Derrame: La combinación de todos los factores eleva la probabilidad de fallo al 85%.

D. Comparación con Teoría

El modelo de LLM genera resultados intermedios entre los equilibrios binarios de Diamond-Dybvig y la coordinación instantánea de Morris-Shin.
Captura la dinámica de "corrida parcial" observada en la realidad, donde los depositantes no retiran el 100% de inmediato, sino que la coordinación evoluciona con el tiempo.

5. Significado e Implicaciones

Para la Supervisión y Pruebas de Estrés

Nueva Métrica de Riesgo: Los supervisores deben tratar la correlación social como un factor de riesgo medible, junto con los fundamentos del balance.
Monitoreo de Redes: Se sugiere utilizar datos de redes sociales (solapamiento de audiencias, concentración de influencers, actividad cruzada) para identificar bancos con alta exposición a sincronización de retiros.
Escenarios Condicionales: Las pruebas de estrés deben incluir escenarios donde una crisis en un banco se propaga a instituciones "vecinas" socialmente, incluso si sus balances son sólidos.

Limitaciones y Futuras Direcciones

Escala: El modelo utiliza 50 depositantes por banco (vs. miles en la realidad), lo que podría afectar la dinámica de red.
Observación Perfecta: Los agentes conocen los fundamentos reales del banco, eliminando problemas de extracción de señales que podrían ralentizar la coordinación en la realidad.
Dependencia del Prompt: El comportamiento del LLM depende de la estructura del prompt, aunque las pruebas de ablación muestran que los resultados cualitativos son robustos.
Futuro: El trabajo apunta a convertir el simulador en un estimador operativo de riesgo de correlación social, integrando datos de flujos de pagos y refinando la heterogeneidad de los depositantes.

Conclusión

El artículo argumenta que, en la era digital, el mecanismo que impulsa las corridas bancarias no es solo la fragilidad de los fundamentos, sino la ruta causal por la cual la información y las narrativas sincronizan los retiros a través de redes sociales. Un modelo basado en agentes, disciplinado por evidencia empírica y utilizando LLMs para la conducta, ofrece una herramienta operativa superior a los modelos de equilibrio tradicionales para entender, medir y mitigar este riesgo sistémico emergente.