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

Le banche sono l'impianto idraulico dell'economia moderna, che sposta il denaro dai risparmiatori ai mutuatari. Quando i tassi di interesse salgono, come accaduto bruscamente nel 2022 e nel 2023, il valore dei prestiti a lungo termine e delle obbligazioni detenute dalle banche può scendere, mentre il costo del denaro che hanno preso in prestito dai depositanti può rimanere basso per un certo periodo. Questo crea un delicato gioco di equilibrio. Se una banca perde troppo valore, o se i depositanti si spaventano improvvisamente e prelevano il proprio denaro, la banca può fallire. Per capire come ciò accada, i regolatori e i banchieri costruiscono modelli informatici. Questi modelli cercano di prevedere come le persone reagiranno quando i tassi cambiano: un risparmiatore sposterà i suoi soldi verso un'offerta migliore, o un mutuatario smetterà di richiedere nuovi prestiti? Tradizionalmente, questi modelli si basano su semplici formule matematiche basate su dati passati. Ma il passato non sempre predice il futuro, specialmente quando l'ambiente economico cambia rapidamente.

Recentemente, i ricercatori hanno iniziato a utilizzare un nuovo tipo di strumento per colmare queste lacune: i grandi modelli linguistici (large language models). Questi sono gli stessi potenti programmi informatici in grado di scrivere saggi, rispondere a domande e sostenere conversazioni. In questo nuovo approccio, gli scienziati trattano questi programmi non come chatbot, ma come persone simulate. Forniscono al computer un ruolo, come quello di un direttore di banca o di un risparmiatore domestico, e chiedono di prendere decisioni in un'economia virtuale. L'obiettivo è vedere se le scelte del computer possono essere tradotte nuovamente nelle semplici regole matematiche che i regolatori usano per testare la sicurezza delle banche reali. Non si tratta di sostituire i banchieri umani con i computer, ma di usare la capacità del computer di simulare comportamenti complessi per costruire modelli migliori e più realistici di come una banca possa sopravvivere a una crisi.

Un ricercatore ha deciso di testare questa idea utilizzando una banca simulata nell'area euro. Ha creato un ambiente digitale in cui una singola banca doveva prendere dodici decisioni mensili: quale tasso di interesse pagare sui risparmi, quale margine applicare sui nuovi prestiti e come reinvestire il denaro proveniente dalle obbligazioni in scadenza. Allo stesso tempo, quattro gruppi di clienti simulati — risparmiatori molto sensibili ai tassi, risparmiatori meno sensibili e mutuatari con tassi di prestito variabili o fissi — reagivano alle scelte della banca e alle notizie economiche più ampie. Il ricercatore ha prima chiesto a un grande modello linguistico di agire come direttore della banca e come clienti, istruendoli a comportarsi secondo obiettivi e vincoli specifici. Il computer ha generato migliaia di decisioni attraverso diversi scenari economici, da anni tranquilli a periodi di rialzo dei tassi e persino simulazioni di corse agli sportelli in cui i depositanti vanno nel panico.

La sfida principale era che le decisioni del computer erano complesse e variegate, mentre i modelli utilizzati dai regolatori devono essere semplici equazioni. Il ricercatore si è posto una domanda fondamentale: potevano prendere le scelte disordinate e dall'aspetto intelligente fatte dal computer e distillarle in poche regole semplici che un essere umano potesse scrivere? Hanno cercato di adattare il comportamento del computer a formule matematiche standard. Inizialmente, le formule semplici non corrispondevano bene al comportamento del computer. Il computer, agendo come direttore di banca, sembrava reagire diversamente allo stress rispetto a quanto previsto dalle vecchie formule. Era più cauto nel concedere prestiti e più aggressivo nell'alzare i tassi sui depositi quando apparivano problemi.

Per risolvere il problema, il ricercatore ha sviluppato un nuovo metodo. Ha utilizzato le decisioni del computer per costruire un nuovo insieme di regole, che ha poi testato contro nuovi scenari che il computer non aveva ancora visto. Ha scoperto che era effettivamente possibile creare un insieme di semplici regole condizionali che imitavano da vicino il comportamento del computer. Ad esempio, le nuove regole mostravano che nei periodi normali, il direttore della banca manteneva i tassi sui depositi molto vicini alla media di mercato. Tuttavia, se appariva un segnale di stress, come un avviso sulla liquidità della banca, il direttore alzava immediatamente i tassi sui depositi di una quantità significativa per evitare che i clienti se ne andassero. Questa approssimazione basata su regole funzionò in modo straordinario. In dieci anni simulati, le nuove semplici regole hanno previsto il profitto finale della banca con un errore inferiore a un terzo di un punto percentuale. Hanno anche previsto correttamente come la liquidità della banca si sarebbe mantenuta durante una crisi.

Lo studio ha anche rivelato qualcosa di sorprendente sul modo in cui il computer prendeva le sue decisioni. Il ricercatore ha notato che il comportamento del computer dipendeva fortemente dalle istruzioni specifiche che gli venivano date. Quando dicevano al computer di agire come un depositore "sensibile ai tassi", esso si comportava in tal modo. Ma quando rimuovevano quei suggerimenti comportamentali specifici e fornivano al computer solo i fatti grezzi riguardanti la banca e l'economia, il computer prendeva comunque decisioni simili, sebbene con alcune differenze. Ad esempio, senza l'istruzione specifica di essere "insensibile", le famiglie simulate dal computer diventavano molto più propense a ritirare i propri soldi quando i tassi di interesse cambiavano. Ciò suggerisce che il computer non stava solo seguendo uno script nascosto, ma stava realmente valutando le informazioni fornite. Tuttavia, il ricercatore è stato attento a sottolineare che questi risultati descrivono come il computer si è comportato sotto istruzioni specifiche, non come agiscono realmente i veri esseri umani, banchieri o clienti.

Uno dei risultati più impressionanti riguardò il rischio di una corsa agli sportelli. Nelle simulazioni, se il rapporto di liquidità della banca — una misura di quanto contante ha a disposizione — scendeva al di sotto di una certa soglia pubblica, i depositanti simulati continuavano a ritirare denaro anche dopo che la notizia negativa iniziale era passata. Questo creava un panico autosostenuto. Il ricercatore ha scoperto che questo risultato dipendeva da come l'informazione veniva presentata. Se il pubblico vedeva un'istantanea mensile della salute della banca, il panico poteva durare per mesi. Ma se il pubblico vedeva solo una media della salute della banca su base annuale, il panico si interrompeva molto prima. Ciò evidenzia come il modo in cui i regolatori condividono le informazioni possa interagire con il comportamento dei depositanti per calmare o peggiorare una crisi.

Il ricercatore ha anche esplorato il compromesso tra profitto e sicurezza. Ha scoperto che se la banca deteneva attività a tasso fisso a lungo termine, poteva guadagnare più denaro negli anni di calma. Tuttavia, questa strategia rendeva la banca molto più vulnerabile se i tassi di interesse aumentavano bruscamente. Nelle sue simulazioni, estendere la durata di queste attività da due a sei anni aumentava il profitto annuale della banca di quasi due punti percentuali nei periodi favorevoli. Ma quando i tassi di interesse aumentavano del tre per cento, il valore economico della banca — il valore reale dei suoi asset meno i suoi debiti — crollava di centinaia di milioni di euro. Questo confermava una classica verità finanziaria: rendimenti più elevati nei periodi buoni spesso comportano rischi maggiori nei periodi cattivi.

In definitiva, questo lavoro dimostra un nuovo modo per costruire modelli per il sistema finanziario. Utilizzando i grandi modelli linguistici per generare decisioni realistiche e poi traducendo tali decisioni in regole semplici e testabili, i ricercatori possono creare simulazioni che siano allo stesso tempo flessibili e trasparenti. Lo studio non afferma che questi agenti informatici siano copie perfette del comportamento umano. Al contrario, mostra che questo metodo fornisce uno strumento potente per esplorare domande del tipo "cosa succederebbe se". Permette ai regolatori e ai banchieri di testare come una banca potrebbe reagire a una crisi prima che accada, utilizzando un modello che è basato sulla logica complessa e adattiva dell'intelligenza artificiale moderna, ma sufficientemente semplice da essere compreso e controllato dagli esseri umani. I risultati suggeriscono che, sebbene i numeri specifici dipendano dalle istruzioni date al computer, i modelli sottostanti del comportamento — come la tendenza ad alzare i tassi durante un panico o il compromesso tra sicurezza e profitto — sono robusti e degni di ulteriori studi.