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

Les banques sont la plomberie de l'économie moderne, déplaçant l'argent des épargnants vers les emprunteurs. Lorsque les taux d'intérêt augmentent, comme ce fut le cas de manière marquée en 2022 et 2023, la valeur des prêts à long terme et des obligations détenus par les banques peut chuter, tandis que le coût de l'argent emprunté auprès des déposants peut rester bas pendant un certain temps. Cela crée un équilibre délicat. Si une banque perd trop de valeur, ou si les déposants paniquent soudainement et retirent leur argent, la banque peut faire faillite. Pour comprendre comment cela se produit, les régulateurs et les banquiers construisent des modèles informatiques. Ces modèles tentent de prédire comment les gens réagiront lorsque les taux changent : est-ce qu'un épargnant déplacera son argent vers une meilleure offre, ou est-ce qu'un emprunteur cessera de contracter de nouveaux prêts ? Traditionnellement, ces modèles reposent sur de simples formules mathématiques basées sur des données passées. Mais le passé ne prédit pas toujours l'avenir, surtout lorsque l'environnement économique change rapidement.

Des chercheurs ont récemment commencé à utiliser un nouvel outil pour combler ces lacunes : les grands modèles de langage. Ce sont les mêmes programmes informatiques puissants qui peuvent écrire des essais, répondre à des questions et tenir des conversations. Dans cette nouvelle approche, les scientifiques traitent ces programmes non pas comme des chatbots, mais comme des personnes simulées. Ils donnent à l'ordinateur un rôle, tel qu'un gestionnaire de banque ou un ménage épargnant, et lui demandent de prendre des décisions dans une économie virtuelle. L'objectif est de voir si les choix de l'ordinateur peuvent être traduits en retour dans les règles mathématiques simples que les régulateurs utilisent pour tester la sécurité des banques réelles. Il ne s'agit pas de remplacer les banquiers humains par des ordinateurs, mais d'utiliser la capacité de l'ordinateur à simuler des comportements complexes pour construire de meilleurs modèles, plus réalistes, de la façon dont une banque pourrait survivre à une crise.

Un chercheur s'est proposé de tester cette idée en utilisant une banque simulée dans la zone euro. Il a créé un environnement numérique où une seule banque devait prendre douze décisions mensuelles : quel taux d'intérêt verser sur l'épargne, quelle marge appliquer sur les nouveaux prêts, et comment réinvestir l'argent provenant des obligations arrivant à échéance. Parallèlement, quatre groupes de clients simulés — des épargnants très sensibles aux taux, des épargnants moins sensibles, et des emprunteurs ayant soit des taux variables, soit des taux fixes — réagissaient aux choix de la banque et aux actualités économiques plus larges. Le chercheur a d'abord demandé à un grand modèle de langage d'agir comme le gestionnaire de la banque et comme les clients, en lui donnant instruction de se comporter selon des objectifs et des contraintes spécifiques. L'ordinateur a généré des milliers de décisions à travers différents scénarios économiques, allant d'années calmes à des périodes de hausse des taux, et même des simulations de paniques bancaires où les déposants paniquent.

Le défi central était que les décisions de l'ordinateur étaient complexes et variées, alors que les modèles utilisés par les régulateurs doivent être des équations simples. Le chercheur s'est posé une question fondamentale : pouvait-il prendre les choix complexes et intelligents de l'ordinateur et les distiller en quelques règles simples qu'un humain pourrait écrire ? Il a tenté d'ajuster le comportement de l'ordinateur à des formules mathématiques standards. Initialement, les formules simples ne correspondaient pas bien au comportement de l'ordinateur. L'ordinateur, agissant comme un gestionnaire de banque, semblait réagir différemment au stress de ce que les anciennes formules prédisaient. Il était plus prudent concernant les prêts et plus agressif concernant la hausse des taux de dépôt lorsque les difficultés apparaissaient.

Pour résoudre cela, le chercheur a développé une nouvelle méthode. Il a utilisé les décisions de l'ordinateur pour construire un nouvel ensemble de règles, qu'il a ensuite testées contre de nouveaux scénarios que l'ordinateur n'avait pas encore vus. Il a découvert qu'il pouvait effectivement créer un ensemble de règles simples et conditionnelles qui imitaient étroitement le comportement de l'ordinateur. Par exemple, les nouvelles règles montraient que, en période normale, le gestionnaire de banque maintenait les taux de dépôt très proches de la moyenne du marché. Cependant, si un signal de stress apparaissait, tel qu'un avertissement concernant la liquidité de la banque, le gestionnaire augmentait immédiatement les taux de dépôt de manière significative pour empêcher les clients de partir. Cette approximation basée sur des règles fonctionnait remarquablement bien. En dix années simulées, les nouvelles règles simples prédisaient le profit final de la banque avec une erreur de moins d'un tiers de point de pourcentage. Elles prédisaient également correctement comment la liquidité de la banque tiendrait pendant une crise.

L'étude a également révélé quelque chose de surprenant sur la façon dont l'ordinateur prenait ses décisions. Le chercheur a remarqué que le comportement de l'ordinateur dépendait fortement des instructions spécifiques qu'il lui donnait. Lorsqu'on disait à l'ordinateur d'agir comme un déposant « sensible aux taux », il se comportait de la sorte. Mais lorsqu'on supprimait ces indices comportementaux spécifiques pour ne donner à l'ordinateur que les faits bruts sur la banque et l'économie, l'ordinateur prenait tout de même des choix similaires, bien qu'avec certaines différences. Par exemple, sans l'instruction spécifique d'être « insensible », les ménages simulés par l'ordinateur étaient beaucoup plus susceptibles de retirer leur argent lorsque les taux d'intérêt changeaient. Cela suggère que l'ordinateur ne se contentait pas de suivre un script caché, mais pesait réellement les informations fournies. Cependant, le chercheur a pris soin de noter que ces résultats décrivent comment l'ordinateur s'est comporté sous des instructions spécifiques, et non comment les vrais banquiers ou clients agissent réellement.

L'une des conclusions les plus frappantes concernait le risque de panique bancaire. Dans les simulations, si le ratio de liquidité de la banque — une mesure de la quantité de liquidités qu'elle détient — tombait en dessous d'un certain seuil public, les déposants simulés continuaient à retirer de l'argent même après que la mauvaise nouvelle initiale soit passée. Cela créait une panique auto-entretenue. Le chercheur a constaté que ce résultat dépendait de la manière dont l'information était présentée. Si le public voyait un instantané mensuel de la santé de la banque, la panique pouvait durer des mois. Mais si le public ne voyait qu'une moyenne de la santé de la banque sur un an, la panique s'arrêtait beaucoup plus tôt. Cela souligne comment la manière dont les régulateurs partagent l'information peut interagir avec le comportement des déposants pour soit calmer, soit aggraver une crise.

Le chercheur a également exploré l'arbitrage entre profit et sécurité. Il a découvert que si la banque détenait des actifs à taux fixe à plus long terme, elle pouvait gagner plus d'argent lors des années calmes. Cependant, cette stratégie rendait la banque beaucoup plus vulnérable si les taux d'intérêt augmentaient brusquement. Dans leurs simulations, prolonger la durée de vie de ces actifs de deux à six ans augmentait le profit annuel de la banque de près de deux points de pourcentage en période de croissance. Mais lorsque les taux d'intérêt augmentaient de trois points de pourcentage, la valeur économique de la banque — la valeur réelle de ses actifs moins ses dettes — chutait de centaines de millions d'euros. Cela confirmait une vérité financière classique : des rendements plus élevés en période de croissance viennent souvent avec des risques plus élevés en période de crise.

En fin de compte, ce travail démontre une nouvelle façon de modéliser le système financier. En utilisant les grands modèles de langage pour générer des décisions réalistes et en traduisant ensuite ces décisions en règles simples et testables, les chercheurs peuvent créer des simulations qui sont à la fois flexibles et transparentes. L'étude ne prétend pas que ces agents informatiques sont des copies parfaites du comportement humain. Elle montre plutôt que cette méthode constitue un outil puissant pour explorer les questions de type « et si ». Elle permet aux régulateurs et aux banquiers de tester comment une banque pourrait réagir à une crise avant qu'elle ne se produise, en utilisant un modèle fondé sur la logique complexe et adaptative de l'intelligence artificielle moderne, tout en étant assez simple pour être compris et vérifié par des humains. Les résultats suggèrent que, bien que les chiffres spécifiques dépendent des instructions données à l'ordinateur, les schémas de comportement sous-jacents — tels que la tendance à augmenter les taux pendant une panique ou l'arbitrage entre sécurité et profit — sont robustes et méritent d'être étudiés plus avant.