💻 computer science

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

Cet article présente un modèle basé sur des agents utilisant des modèles de langage pour simuler comment les réseaux sociaux et la communication en ligne amplifient les paniques bancaires, révélant que la connectivité sociale et les chevauchements de déposants agissent comme des multiplicateurs non linéaires du risque de ruée, au-delà des fondamentaux des bilans.

Auteurs originaux : Chris Ruano, Shreshth Rajan

Publié 2026-02-18

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Chris Ruano, Shreshth Rajan

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🏦 La Panique Bancaire à l'Ère des Réseaux Sociaux : Une Simulation avec des "Robots" Intelligents

Imaginez que vous êtes dans une salle de concert. Soudain, quelqu'un crie : « Le toit va s'effondrer ! ».
Dans le monde d'avant, les gens devaient courir vers la sortie, se bousculer et attendre leur tour. C'était lent.
Aujourd'hui, avec les smartphones et Twitter (X), la panique se propage comme une traînée de poudre. Si une personne tweete « Fuyez cette banque ! », des milliers d'autres voient le message en une seconde et décident de retirer leur argent immédiatement.

C'est exactement ce que les auteurs de cet article, Shreshth Rajan et Christopher Ruaño, ont voulu étudier. Ils ont créé un laboratoire virtuel pour comprendre comment les réseaux sociaux accélèrent les crises bancaires.

1. Le Problème : Pourquoi les théoriciens sont perdus

Les économistes classiques utilisent des formules mathématiques pour prédire les crises. Ils disent : « Si tout le monde pense que la banque va couler, alors elle coulera. » C'est logique, mais c'est comme dire : « Il pleut parce que les nuages sont gris. » Ça explique le résultat, mais pas comment la pluie commence.

Dans le monde réel, les gens ne pensent pas tous en même temps. Ils se parlent, ils lisent des tweets, ils voient leurs amis paniquer. Les anciennes théories ne savent pas modéliser cette « conversation » en temps réel. C'est comme essayer de prédire un embouteillage en supposant que toutes les voitures décident de freiner exactement au même instant, sans tenir compte du conducteur qui a vu un chat sur la route.

2. La Solution : Un simulateur de "Monde Virtuel"

Pour résoudre ce problème, les auteurs ont construit un modèle basé sur des agents (une sorte de jeu vidéo complexe).

Les Banques : Ce sont des personnages avec un portefeuille (de l'argent liquide et des investissements).
Les Dépositaires (Les Clients) : Au lieu de leur donner des règles fixes (comme « si la banque a moins de 10%, je fuis »), ils ont utilisé une Intelligence Artificielle (LLM) pour créer des clients virtuels.
- Imaginez ces clients comme des acteurs dans une pièce de théâtre. Chaque acteur a reçu un script (son compte en banque, s'il est assuré ou non) et une personnalité (peut-être un peu anxieux, peut-être très prudent).
- L'IA leur demande : « Tu vois que la banque d'à côté a des problèmes et tu as lu un tweet effrayant. Que fais-tu ? Tu retires ton argent ou tu attends ? »
- L'IA répond de manière naturelle, comme le ferait un humain, en postant parfois un message pour alimenter la panique.

3. L'Expérience : La Chute de SVB et de First Republic

Ils ont recréé la crise de mars 2023 aux États-Unis dans leur simulateur :

SVB (Silicon Valley Bank) : Une banque avec beaucoup de clients non assurés (comme des startups).
First Republic : Une banque voisine, un peu plus saine, mais connectée aux mêmes gens.
Une Banque Régionale : Une banque plus traditionnelle et sûre.

Ce qu'ils ont découvert (Les 3 grandes leçons) :

Leffet de la "Rumeur" (Contagion Sociale) :
Quand les clients de SVB paniquent et postent sur les réseaux, cela ne reste pas local. Si les clients de First Republic sont connectés aux mêmes groupes (mêmes amis, mêmes influenceurs), ils entendent la rumeur.
- Analogie : C'est comme une épidémie. Si vous avez un virus dans un quartier, il ne reste pas dans une seule maison. Si les maisons sont connectées par des portes ouvertes (les réseaux sociaux), le virus saute rapidement à la maison d'à côté, même si cette maison était plus propre.
Le Point de Bascule (Le "Tipping Point") :
Ils ont découvert qu'il y a un seuil critique. Si la rumeur se propage un peu, rien ne se passe. Mais dès qu'elle dépasse un certain niveau (environ 10% de la population qui en parle), la panique devient explosive.
- Analogie : C'est comme remplir un verre d'eau. Vous pouvez ajouter des gouttes sans rien voir. Mais dès que vous dépassez le bord, tout déborde d'un coup. Un petit tweet en plus peut transformer une banque saine en banque en faillite en quelques heures.
La Puissance des "Ponts" :
Le plus dangereux, c'est quand les clients d'une banque sont aussi clients d'une autre (ou suivent les mêmes influenceurs).
- Analogie : Imaginez deux ponts entre deux îles. Si un pont s'effondre, les gens paniquent. Si les gens qui vivent sur la première île sont aussi les propriétaires de la deuxième, ils vont paniquer sur la deuxième île avant même qu'elle ne soit en danger. C'est ce qui a fait couler First Republic, même si elle était plus solide que SVB au départ.

4. Pourquoi c'est important pour nous ?

Avant, les banques et les régulateurs regardaient seulement les chiffres (combien d'argent elles avaient). Cet article dit : « Regardez aussi les conversations ! »

La panique n'est plus seulement une question de mathématiques bancaires, c'est une question de psychologie de foule amplifiée par la technologie.

Pour les banquiers : Il faut surveiller non seulement leurs réserves d'argent, mais aussi la "réputation" en ligne et les communautés de clients qui se parlent entre elles.
Pour les régulateurs : Ils doivent tester les banques non seulement contre des chocs économiques, mais contre des chocs de "panique sociale".

En résumé

Cet article nous dit que dans le monde moderne, la peur est contagieuse et se propage à la vitesse de la lumière.
En utilisant une intelligence artificielle pour simuler des humains, les auteurs ont prouvé que les réseaux sociaux agissent comme un amplificateur de crise. Une petite étincelle (un tweet) peut déclencher un incendie (une ruée vers la banque) beaucoup plus vite et plus fort que prévu, surtout si les gens sont connectés les uns aux autres.

C'est un outil pour mieux comprendre comment éviter que la prochaine crise ne commence par un simple message sur Twitter.

1. Problématique et Contexte

Les crises bancaires modernes, illustrées par la panique de mars 2023 (Silicon Valley Bank, First Republic), se distinguent par leur vitesse et leur nature réseau, loin du cadre traditionnel de files d'attente physiques. Bien que les modèles d'équilibre (comme Diamond-Dybvig) expliquent l'existence des paniques via des complémentarités stratégiques, ils présentent des limites majeures pour la supervision :

Multiplicité des équilibres et "Sunspots" : Les modèles classiques reposent souvent sur des chocs exogènes ("sunspots") pour sélectionner un équilibre de panique, ce qui rend la prédiction ex ante et la mesure du risque impossibles pour les régulateurs.
Limites des jeux globaux : Bien que les jeux globaux (Global Games) offrent une sélection d'équilibre unique via du bruit informationnel, ils supposent des structures d'information paramétriques difficiles à valider dans un environnement où l'information circule via des réseaux sociaux endogènes et filtrés.
Le rôle de la communication : Les données empiriques montrent que les réseaux sociaux (Twitter/X) ont joué un rôle catalyseur dans la synchronisation des retraits, agissant comme un amplificateur de risque que les modèles d'équilibre statique ne capturent pas.

L'objectif du papier est de combler ce vide en développant un modèle de processus qui explicite la couche d'information et de coordination, permettant de mesurer comment les croyances se synchronisent en temps réel.

2. Méthodologie : Un Modèle à Base d'Agents (ABM)

Les auteurs construisent un simulateur dynamique à base d'agents (Agent-Based Model - ABM) qui intègre trois blocs principaux :

A. La Banque (Mécanique du Bilan)

Traitement des retraits : Priorité aux liquidités disponibles, suivie d'une liquidation d'actifs à long terme avec décote ("fire-sale").
Contraintes opérationnelles : Capacité de traitement limitée par tour (10 % des dépôts initiaux) pour refléter les frictions réelles.
Indice de stress endogène : Une probabilité de défaut ( $P_d$ ) qui évolue en fonction de l'intensité des retraits et de chocs exogènes, servant d'indicateur observable pour les agents.
Seuils de saisie : Des règles de fermeture de type FDIC sont appliquées lorsque les retraits cumulés dépassent un certain seuil (ex: 25 % pour SVB).

B. Les Déposants (Comportement et Hétérogénéité)

Hétérogénéité : Les agents diffèrent par leur tolérance au risque, leur poids accordé aux fondamentaux vs l'information sociale, et leur statut (déposant assuré vs non assuré).
Réseaux de communication : Un graphe social à queue lourde (heavy-tailed) calibré sur les données de Twitter/X de mars 2023. Ce réseau inclut une structure cœur-périphérie (influenceurs) et des liens "ponts" entre les banques (déposants chevauchants).
Agents LLM (Homo Silicus) : C'est l'innovation centrale. Au lieu de règles heuristiques rigides, le comportement des déposants est généré par un Grand Modèle de Langage (LLM) contraint.
- Le LLM reçoit un prompt structuré contenant l'état de la banque, le statut d'assurance, l'historique des retraits et les posts des voisins.
- Il décide d'un retrait ou d'un maintien, et peut générer un post social.
- Validation : Le comportement du LLM est validé contre des données de laboratoire sur la coordination bancaire, montrant qu'il reproduit les comparaisons statiques qualitatives sans être sur-ajusté (zero-shot).

C. Dynamique de Contagion

Le modèle simule des tours discrets où l'information circule avec un décalage d'un tour. La contagion opère via deux canaux :

Canal fondamental : Liquidations d'actifs et détérioration de la solvabilité.
Canal informationnel : Propagation des récits de panique via le réseau social et les déposants chevauchants (overlap).

3. Contributions Clés

Changement de paradigme méthodologique : Le papier plaide pour l'abandon de la sélection d'équilibre par "sunspots" au profit d'un modèle de processus causal. Cela permet de modéliser explicitement les mécanismes de propagation de la panique, rendant le risque mesurable et testable.
Formalisation de la corrélation sociale : L'article identifie le chevauchement des communautés de déposants et des réseaux de communication comme un canal de risque distinct, analogue aux expositions d'actifs corrélés, mais opérant via les croyances.
Validation comportementale des LLM : Démonstration qu'un LLM hors-boîte (off-the-shelf), contraint par une interface d'action stricte, peut servir de prior comportemental conservateur et réaliste dans un simulateur économique, reproduisant les dynamiques de coordination observées en laboratoire.
Preuve de concept empirique : Le modèle reproduit avec succès la chronologie et l'ordre des défaillances de mars 2023 (SVB $\rightarrow$ First Republic $\rightarrow$ stabilité des banques régionales) en utilisant des paramètres calibrés sur les données réelles.

4. Résultats Principaux

Sur 4 900 configurations de paramètres et graines, trois résultats majeurs émergent :

Amplification par la connectivité intra-bancaire : À fondamentaux fixes, une augmentation de la connectivité au sein d'une banque accélère et augmente la probabilité des cascades de retraits.
Transition de phase dans la contagion inter-bancaire : La probabilité de défaillance d'une banque secondaire (ex: First Republic) subit une transition de phase brutale lorsque le taux de débordement d'information (spillover rate) dépasse un seuil critique d'environ 0,10. En dessous, la banque survit ; au-dessus, elle fait faillite dans la majorité des cas.
Synergie non-linéaire des canaux :
- Les canaux de contagion (ponts de déposants, structure du réseau, débordement d'information) sont faibles isolément.
- Cependant, leur combinaison crée un effet multiplicateur puissant. Par exemple, les déposants chevauchants (ponts) sèment la panique, que la topologie du réseau amplifie. L'ajout du débordement d'information fait passer le taux de défaillance de 65 % à 85 % dans les simulations calibrées.
Dynamique des retraits : Le modèle prédit des taux de retrait beaucoup plus élevés pour les déposants non assurés (81,3 %) que pour les assurés (34,5 %), confirmant le rôle de l'assurance comme stabilisateur, et reproduit l'ordre chronologique observé en mars 2023.

5. Signification et Implications

Ce travail a des implications profondes pour la supervision bancaire et le stress testing :

Nouvelles métriques de risque : Les régulateurs doivent intégrer la "corrélation sociale" comme une exposition mesurable. Les banques avec des communautés de déposants qui se chevauchent (mêmes investisseurs, mêmes clusters industriels, mêmes audiences en ligne) sont plus vulnérables aux chocs synchronisés.
Stress Testing Dynamique : Les tests de résistance doivent évoluer pour inclure des scénarios de propagation de récits via les réseaux sociaux, en évaluant comment la vitesse de l'information interagit avec les coussins de liquidité.
Politique de communication : La vitesse et la crédibilité de la réponse d'une banque face à une rumeur deviennent des variables d'état critiques. Une communication lente peut aggraver la panique de manière non-linéaire.
Limites et Perspectives : Bien que le modèle soit une preuve de concept robuste, il simplifie certaines réalités (taille des dépôts, réaffectation des fonds). Les auteurs suggèrent de développer des estimateurs de risque de corrélation sociale opérationnels pour les régulateurs, en utilisant des données de réseaux observables (co-activité, chevauchement d'audience).

En conclusion, ce papier démontre que dans l'ère numérique, la fragilité bancaire ne réside pas seulement dans les fondamentaux du bilan, mais dans la structure des réseaux de communication qui peuvent transformer un stress modéré en une crise systémique synchronisée. L'utilisation des LLM comme agents comportementaux offre une nouvelle voie prometteuse pour modéliser cette complexité.