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

बैंक आधुनिक अर्थव्यवस्था की प्लंबिंग (नलसाजी) की तरह हैं, जो बचतकर्ताओं से उधारकर्ताओं तक पैसा पहुँचाते हैं। जब ब्याज दरें बढ़ती हैं, जैसा कि 2022 और 2023 में तेजी से हुआ, तो बैंकों के पास मौजूद दीर्घकालिक ऋणों और बॉण्डों का मूल्य गिर सकता है, जबकि जमाकर्ताओं से लिए गए पैसे की लागत कुछ समय तक कम बनी रह सकती है। यह एक नाजुक संतुलन बनाने जैसा है। यदि कोई बैंक बहुत अधिक मूल्य खो देता है, या यदि जमाकर्ता अचानक घबराकर अपना पैसा निकाल लेते हैं, तो बैंक विफल हो सकता है। यह समझने के लिए कि ऐसा कैसे होता है, नियामक और बैंकर कंप्यूटर मॉडल बनाते हैं। ये मॉडल यह अनुमान लगाने की कोशिश करते हैं कि दरें बदलने पर लोग कैसे प्रतिक्रिया देंगे: क्या एक बचतकर्ता बेहतर प्रस्ताव के लिए अपना पैसा स्थानांतरित करेगा, या क्या एक उधारकर्ता नए ऋण लेना बंद कर देगा? पारंपरिक रूप से, ये मॉडल पिछले डेटा पर आधारित सरल गणितीय सूत्रों पर निर्भर करते हैं। लेकिन अतीत हमेशा भविष्य की भविष्यवाणी नहीं करता है, खासकर जब आर्थिक वातावरण तेजी से बदलता है।

शोधकर्ताओं ने हाल ही में इन कमियों को भरने के लिए एक नए प्रकार के उपकरण का उपयोग करना शुरू कर दिया है: लार्ज लैंग्वेज मॉडल्स (LLMs)। ये वही शक्तिशाली कंप्यूटर प्रोग्राम हैं जो निबंध लिख सकते हैं, सवालों के जवाब दे सकते हैं और बातचीत कर सकते हैं। इस नए दृष्टिकोण में, वैज्ञानिक इन प्रोग्रामों को चैटबॉट के रूप में नहीं, बल्कि सिम्युलेटेड (अनुकरणित) लोगों के रूप में देखते हैं। वे कंप्यूटर को एक भूमिका देते हैं, जैसे कि एक बैंक मैनेजर या एक घरेलू बचतकर्ता, और उसे एक आभासी अर्थव्यवस्था में निर्णय लेने के लिए कहते हैं। लक्ष्य यह देखना है कि क्या कंप्यूटर के निर्णयों को उन सरल गणितीय नियमों में बदला जा सकता है जिनका उपयोग नियामक वास्तविक बैंकों की सुरक्षा का परीक्षण करने के लिए करते हैं। यह मानव बैंकरों को कंप्यूटर से बदलने के बारे में नहीं है, बल्कि जटिल व्यवहार को सिम्युलेट करने की कंप्यूटर की क्षमता का उपयोग करके यह बनाने के बारे में है कि एक बैंक संकट से कैसे बच सकता है, इसके बेहतर और अधिक यथार्थवादी मॉडल बनाए जा सकें।

एक शोधकर्ता ने यूरो क्षेत्र में एक सिम्युलेटेड बैंक का उपयोग करके इस विचार का परीक्षण करने का निर्णय लिया। उन्होंने एक डिजिटल वातावरण बनाया जहाँ एक एकल बैंक को बारह मासिक निर्णय लेने थे: बचत पर कितना ब्याज देना है, नए ऋणों पर कितना मार्जिन लेना है, और परिपक्व हो रहे बॉण्डों से प्राप्त धन को कहाँ पुनर्निवेश करना है। साथ ही, चार सिम्युलेटेड ग्राहकों के समूहों ने—जो अत्यधिक दर-संवेदनशील बचतकर्ता थे, जो कम संवेदनशील बचतकर्ता थे, और चर (variable) या निश्चित (fixed) ऋण दरों वाले उधारकर्ता थे—बैंक के निर्णयों और व्यापक आर्थिक समाचारों पर प्रतिक्रिया दी। शोधकर्ता ने पहले एक लार्ज लैंग्वेज मॉडल को बैंक मैनेजर और ग्राहकों के रूप में कार्य करने के लिए कहा, उन्हें विशिष्ट लक्ष्यों और बाधाओं के अनुसार व्यवहार करने का निर्देश दिया। कंप्यूटर ने विभिन्न आर्थिक परिदृश्यों में हजारों निर्णय उत्पन्न किए, जिनमें शांत वर्ष से लेकर बढ़ती दरों के दौर और यहाँ तक कि सिम्युलेटेड बैंक रन (जमा राशि निकालने की भगदड़) भी शामिल थे जहाँ जमाकर्ता घबरा जाते हैं।

मुख्य चुनौती यह थी कि कंप्यूटर के निर्णय जटिल और विविध थे, जबकि नियामकों द्वारा उपयोग किए जाने वाले मॉडल सरल समीकरण होने चाहिए। शोधकर्ता ने एक मौलिक प्रश्न पूछा: क्या वे कंप्यूटर द्वारा किए गए जटिल और बुद्धिमान दिखने वाले निर्णयों को कुछ सरल नियमों में बदल सकते हैं जिन्हें एक मनुष्य लिख सके? उन्होंने कंप्यूटर के व्यवहार को मानक गणितीय सूत्रों में फिट करने की कोशिश की। शुरुआत में, सरल सूत्र कंप्यूटर के व्यवहार से अच्छी तरह मेल नहीं खाए। कंप्यूटर, बैंक मैनेजर के रूप में कार्य करते हुए, तनाव के दौरान अलग तरह से प्रतिक्रिया दे रहा था जैसा कि पुराने सूत्र भविष्यवाणी करते थे। वह ऋण देने के मामले में अधिक सतर्क और जमा राशि की दरों को बढ़ाने के मामले में अधिक आक्रामक था।

इसे हल करने के लिए, शोधकर्ता ने एक नई विधि विकसित की। उन्होंने कंप्यूटर के निर्णयों का उपयोग नए नियमों का एक सेट बनाने के लिए किया, जिसका परीक्षण उन्होंने उन ताज़ा परिदृश्यों के विरुद्ध किया जिन्हें कंप्यूटर ने पहले नहीं देखा था। उन्होंने पाया कि वे वास्तव में सरल, सशर्त नियम बना सकते थे जो कंप्यूटर के व्यवहार की बारीकी से नकल करते थे। उदाहरण के लिए, नए नियमों ने दिखाया कि सामान्य समय में, बैंक मैनेजर जमा दर को बाजार के औसत के बहुत करीब रखता है। हालांकि, यदि कोई तनाव का संकेत दिखाई देता है, जैसे कि बैंक की तरलता (liquity) के बारे में चेतावनी, तो मैनेजर ग्राहकों को जाने से रोकने के लिए तुरंत जमा दरों को एक महत्वपूर्ण राशि से बढ़ा देता है। यह नियम-आधारित सन्निकटन (approximation) उल्लेखनीय रूप से प्रभावी रहा। दस अलग-अलग सिम्युलेटेड वर्षों में, नए सरल नियमों ने एक-तिहाई प्रतिशत अंक से भी कम की त्रुटि के साथ बैंक के अंतिम लाभ की भविष्यवाणी की। उन्होंने यह भी सही ढंग से भविष्यवाणी की कि संकट के दौरान बैंक की तरलता कैसे बनी रहेगी।

अध्ययन ने यह भी खुलासा किया कि कंप्यूटर निर्णय कैसे लेता है, इसके बारे में कुछ आश्चर्यजनक बातें सामने आईं। शोधकर्ता ने देखा कि कंप्यूटर का व्यवहार उनके द्वारा दिए गए विशिष्ट निर्देशों पर बहुत अधिक निर्भर था। जब उन्होंने कंप्यूटर को एक "दर-संवेदनशील" जमाकर्ता की तरह व्यवहार करने के लिए कहा, तो उसने वैसा ही किया। लेकिन जब उन्होंने उन विशिष्ट व्यवहार संबंधी संकेतों को हटा दिया और केवल बैंक और अर्थव्यवस्था के बारे में कच्चे तथ्य दिए, तो कंप्यूटर ने समान विकल्प चुने, हालांकि कुछ अंतरों के साथ। उदाहरण के लिए, "असंवेदनशील" होने के विशिष्ट निर्देश के बिना, कंप्यूटर के सिम्युलेटेड घर अधिक संभावना के साथ अपना पैसा निकाल लेते थे जब ब्याज दरों में बदलाव होता था। यह सुझाव देता है कि कंप्यूटर केवल एक छिपे हुए स्क्रिप्ट का पालन नहीं कर रहा था, बल्कि वह प्रदान की गई जानकारी का वास्तव में मूल्यांकन कर रहा था। हालांकि, शोधकर्ता ने सावधानीपूर्वक नोट किया कि ये परिणाम इस बात का वर्णन करते हैं कि कंप्यूटर विशिष्ट निर्देशों के तहत कैसे व्यवहार करता है, न कि यह कि वास्तविक मानव बैंकर या ग्राहक वास्तव में कैसे कार्य करते हैं।

सबसे चौंकाने वाले निष्कर्षों में से एक बैंक रन (बैंक से पैसा निकालने की भगदड़) का जोखिम था। सिमुलेशन में, यदि बैंक का लिक्विडिटी रेशियो—यह मापने का पैमाना कि उसके पास कितनी नकदी उपलब्ध है—एक निश्चित सार्वजनिक सीमा से नीचे गिर जाता है, तो सिम्युलेटेड जमाकर्ता शुरुआती बुरी खबर बीत जाने के बाद भी पैसा निकालना जारी रखते हैं। इसने एक स्वतः-संचालित घबराहट पैदा कर दी। शोधकर्ता ने पाया कि यह परिणाम इस बात पर निर्भर करता था कि जानकारी कैसे प्रस्तुत की जाती है। यदि जनता को बैंक के स्वास्थ्य का मासिक स्नैपशॉट (झलक) दिखता था, तो घबराहट महीनों तक चल सकती थी। लेकिन यदि जनता को एक वर्ष के औसत के रूप में बैंक का स्वास्थ्य दिखता था, तो घबराहट बहुत जल्दी समाप्त हो जाती थी। यह इस बात पर प्रकाश डालता है कि नियामक सूचना कैसे साझा करते हैं, जो संकट को शांत करने या उसे बदतर बनाने में जमाकर्ताओं के व्यवहार के साथ कैसे अंतःक्रिया करती है।

शोधकर्ता ने लाभ और सुरक्षा के बीच के समझौते (trade-off) का भी पता लगाया। उन्होंने पाया कि यदि बैंक लंबी अवधि के निश्चित-दर वाली संपत्तियों को रखता है, तो वह शांत वर्षों में अधिक पैसा कमा सकता है। हालांकि, यह रणनीति बैंक को बहुत अधिक संवेदनशील बना देती है यदि ब्याज दरें तेजी से बढ़ती हैं। उनके सिमुलेशन में, इन संपत्तियों के जीवन को दो से छह वर्ष तक बढ़ाने से अच्छे समय में बैंक के वार्षिक लाभ में लगभग दो प्रतिशत अंक की वृद्धि हुई। लेकिन जब ब्याज दरें तीन प्रतिशत अंक बढ़ीं, तो बैंक का आर्थिक मूल्य—उसकी संपत्तियों का वास्तविक मूल्य घटा हुआ देनदारियां—सैकड़ों मिलियन यूरो गिर गया। इसने एक क्लासिक वित्तीय सत्य की पुष्टि की: अच्छे समय में उच्च रिटर्न अक्सर बुरे समय में उच्च जोखिम के साथ आता है।

अंततः, यह कार्य वित्तीय प्रणाली के लिए मॉडल बनाने का एक नया तरीका प्रदर्शित करता है। वास्तविक निर्णय उत्पन्न करने के लिए लार्ज लैंग्वेज मॉडल्स का उपयोग करके और फिर उन निर्णयों को सरल, परीक्षण योग्य नियमों में बदलकर, शोधकर्ता ऐसे सिमुलेशन बना सकते हैं जो लचीले और पारदर्शी दोनों हैं। अध्ययन यह दावा नहीं करता है कि ये कंप्यूटर एजेंट मानव व्यवहार की सटीक प्रतियां हैं। इसके बजाय, यह दिखाता है कि यह पद्धति "क्या होगा यदि" वाले प्रश्नों का पता लगाने के लिए एक शक्तिशाली उपकरण प्रदान करती है। यह नियामकों और बैंकरों को यह परीक्षण करने की अनुमति देता है कि संकट आने से पहले एक बैंक कैसे प्रतिक्रिया देगा, एक ऐसे मॉडल का उपयोग करके जो आधुनिक आर्टिफिशियल इंटेलिजेंस के जटिल, अनुकूलन योग्य तर्क पर आधारित है, फिर भी इतना सरल है कि मनुष्यों द्वारा समझा और जांचा जा सके। परिणाम बताते हैं कि हालांकि विशिष्ट संख्याएं कंप्यूटर को दिए गए निर्देशों पर निर्भर करती हैं, लेकिन व्यवहार के अंतर्निहित पैटर्न—जैसे कि घबराहट के दौरान दरें बढ़ाना या सुरक्षा और लाभ के बीच का समझौता—मजबूत हैं और आगे के अध्ययन के योग्य हैं।