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

Los bancos son la fontanería de la economía moderna, moviendo el dinero de los ahorradores a los prestatarios. Cuando los tipos de interés suben, como ocurrió de forma pronunciada en 2022 y 2023, el valor de los préstamos y bonos a largo plazo que poseen los bancos puede caer, mientras que el coste del dinero que han tomado prestado de los depositarios puede mantenerse bajo durante un tiempo. Esto crea un delicado acto de equilibrio. Si un banco pierde demasiado valor, o si los depositarios de repente entran en pánico y retiran su dinero, el banco puede fallar. Para entender cómo sucede esto, los reguladores y los banqueros construyen modelos informáticos. Estos modelos intentan predecir cómo reaccionará la gente cuando los tipos cambien: ¿moverá un ahorrador su dinero hacia una oferta mejor, o dejará un prestatario de solicitar nuevos préstamos? Tradicionalmente, estos modelos se basan en fórmulas matemáticas sencillas basadas en datos pasados. Pero el pasado no siempre predice el futuro, especialmente cuando el entorno económico cambia rápidamente.

Recientemente, los investigadores han empezado a utilizar una nueva clase de herramienta para llenar estos vacíos: los modelos de lenguaje de gran tamaño. Estos son los mismos programas informáticos potentes que pueden escribir ensayos, responder preguntas y mantener conversaciones. En este nuevo enfoque, los científicos tratan a estos programas no como chatbots, sino como personas simuladas. Le dan al ordenador un papel, como el de un gerente de banco o un ahorrador doméstico, y le piden que tome decisiones en una economía virtual. El objetivo es ver si las decisiones del ordenador pueden traducirse de nuevo a las reglas matemáticas sencillas que los reguladores utilizan para probar la seguridad de los bancos reales. No se trata de reemplazar a los banqueros humanos con ordenadores, sino de utilizar la capacidad del ordenador para simular comportamientos complejos para construir mejores modelos, más realistas, de cómo un banco podría sobrevivir a una crisis.

Un investigador se propuso probar esta idea utilizando un banco simulado en la eurozona. Creó un entorno digital donde un único banco tenía que tomar doce decisiones mensuales: qué tipo de interés pagar por los ahorros, qué margen cobrar por los nuevos préstamos y cómo reinvertir el dinero de los bonos que vencen. Al mismo tiempo, cuatro grupos de clientes simulados —ahorradores muy sensibles a los tipos, ahorradores menos sensibles y prestatarios con tipos de préstamo variables o fijos— reaccionaban a las decisiones del banco y a las noticias económicas generales. El investigador primero pidió a un modelo de lenguaje de gran tamaño que actuara como el gerente del banco y como los clientes, dándole instrucciones para que se comportaran de acuerdo con objetivos y restricciones específicos. El ordenador generó miles de decisiones a través de diferentes escenarios económicos, desde años de calma hasta periodos de subida de tipos e incluso simulacros de corridas bancarias donde los depositantes entran en pánico.

El desafío central era que las decisiones del ordenador eran complejas y variadas, mientras que los modelos que utilizan los reguladores deben ser ecuaciones sencillas. El investigador se planteó una pregunta fundamental: ¿podían tomar las decisiones desordenadas y de apariencia inteligente que tomaba el ordenador y destilarlas en unas pocas reglas sencillas que un humano pudiera escribir? Intentaron ajustar el comportamiento del ordenador a fórmulas matemáticas estándar. Inicialmente, las fórmulas sencillas no coincidían bien con el comportamiento del ordenador. El ordenador, actuando como gerente de un banco, parecía reaccionar de forma diferente al estrés de lo que predecían las fórmulas antiguas. Era más cauteloso con los préstamos y más agresivo al subir los tipos de los depósitos cuando aparecían los problemas.

Para resolver esto, el investigador desarrolló un nuevo método. Utilizó las decisiones del ordenador para construir un nuevo conjunto de reglas, que luego probó frente a nuevos escenarios que el ordenador no había visto antes. Descubrieron que, de hecho, podían crear un conjunto de reglas sencillas y condicionales que imitaban de cerca el comportamiento del ordenador. Por ejemplo, las nuevas reglas mostraban que en tiempos normales, el gerente del banco mantendría los tipos de los depósitos muy cerca del promedio del mercado. Sin embargo, si aparecía una señal de estrés, como una advertencia sobre la liquidez del banco, el gerente subiría inmediatamente los tipos de los depósitos en una cantidad significativa para evitar que los clientes se fueran. Esta aproximación basada en reglas funcionó notablemente bien. En diez años simulados, las nuevas reglas sencillas predijeron el beneficio final del banco con un error de menos de un tercio de un punto porcentual. También predijeron correctamente cómo se mantendría la liquidez del banco durante una crisis.

El estudio también reveló algo sorprendente sobre cómo el ordenador tomaba sus decisiones. El investigador observó que el comportamiento del ordenador dependía en gran medida de las instrucciones específicas que se le daban. Cuando le dijeron al ordenador que actuara como un depositante "sensible a los tipos", se comportó como tal. Pero cuando eliminaron esas pistas conductuales específicas y solo dieron al ordenador los datos brutos sobre el banco y la economía, el ordenador tomó decisiones similares, aunque con algunas diferencias. Por ejemplo, sin la instrucción específica de ser "insensible", los hogares simulados del ordenador se volvieron mucho más propensos a retirar su dinero cuando los tipos de interés cambiaban. Esto sugiere que el ordenador no estaba simplemente siguiendo un guion oculto, sino que estaba sopesando genuinamente la información proporcionada. Sin embargo, el investigador fue cuidadoso al señalar que estos resultados describen cómo se comportó el ordenador bajo instrucciones específicas, no cómo actúan realmente los banqueros o clientes humanos.

Uno de los hallazgos más impactantes concernía al riesgo de una corrida bancaria. En las simulaciones, si la ratio de liquidez del banco —una medida de cuánto efectivo tiene a mano— caía por debajo de un determinado umbral público, los depositantes simulados continuaban retirando dinero incluso después de que las malas noticias iniciales hubieran pasado. Esto creó un pánico autosostenido. El investigador descubrió que este resultado dependía de cómo se presentaba la información. Si el público veía una instantánea mensual de la salud del banco, el pánico podía durar meses. Pero si el público solo veía un promedio de la salud del banco durante un año, el pánico terminaba mucho antes. Esto resalta cómo la forma en que los reguladores comparten la información puede interactuar con el comportamiento de los depositantes para calmar o empeorar una crisis.

El investigador también exploró la relación entre beneficio y seguridad. Encontró que si el banco mantenía activos a tipo fijo a más largo plazo, podía obtener más dinero en años de calma. Sin embargo, esta estrategia hacía que el banco fuera mucho más vulnerable si los tipos de interés subían bruscamente. En sus simulaciones, extender la vida de estos activos de dos a seis años aumentaba el beneficio anual del banco en casi dos puntos porcentuales en tiempos buenos. Pero cuando los tipos de interés subían un tres por ciento, el valor económico del banco —el valor real de sus activos menos sus deudas— caía en picado por cientos de millones de euros. Esto confirmó una verdad financiera clásica: los mayores rendimientos en tiempos buenos suelen venir acompañados de mayores riesgos en tiempos malos.

En última instancia, este trabajo demuestra una nueva forma de construir modelos para el sistema financiero. Al utilizar modelos de lenguaje de gran tamaño para generar decisiones realistas y luego traducir esas decisiones en reglas simples y contrastables, los investigadores pueden crear simulaciones que sean tanto flexibles como transparentes. El estudio no pretende que estos agentes informáticos sean copias perfectas del comportamiento humano. En cambio, muestra que este método proporciona una herramienta poderosa para explorar preguntas de tipo "¿qué pasaría si?". Permite a los reguladores y banqueros probar cómo podría reaccionar un banco ante una crisis antes de que ocurra, utilizando un modelo que está basado en la lógica compleja y adaptativa de la inteligencia artificial moderna, pero que es lo suficientemente sencillo como para ser comprendido y verificado por los humanos. Los resultados sugieren que, si bien los números específicos dependen de las instrucciones dadas al ordenador, los patrones subyacentes de comportamiento —como la tendencia a subir los tipos durante un pánico o la relación entre seguridad y beneficio— son robustos y merecen ser estudiados más a fondo.