Social Contagion and Bank Runs: An Agent-Based Model with LLM Depositors
이 논문은 2023 년 3 월 트위터 데이터를 기반으로 한 대규모 언어 모델 (LLM) 을 예금자로 시뮬레이션한 에이전트 기반 모델을 통해, 디지털 환경에서 사회적 전염과 네트워크 구조가 은행의 기본적 건전성과는 별개로 예금 인출 붐을 어떻게 가속화하고 증폭시키는지 규명했습니다.
과거에는 은행에 돈 찾아가는 사람이 많으면, **대기 줄 **(Queue)이 생겼습니다. "아, 저 사람이 돈을 찾아가네? 나도 찾아야겠다"라고 생각하며 줄을 서는 방식이었습니다.
하지만 요즘은 스마트폰과 SNS(트위터/X)가 있습니다.
비유: 은행 앞에 긴 줄이 생기는 대신, 모든 사람의 스마트폰 화면에 동시에 "은행이 망한다!"는 알림이 뜨는 상황입니다.
문제점: 기존의 경제 이론은 "사람들이 왜 불안해하는지"는 설명해 주지만, **"그 불안한 마음이 어떻게 전염되어 폭발하는지" **(전파 과정)는 설명하지 못했습니다. 마치 "폭발이 일어났다"는 사실은 알지만, "어떤 불씨가 어떻게 번져 폭발했는지"를 설명하지 못하는 것과 같습니다.
2. 연구 방법: "가상의 은행"과 "AI 예금자"
저자들은 이 문제를 해결하기 위해 **가상의 은행 시뮬레이션 **(Agent-Based Model)을 만들었습니다.
가상의 은행: 실제 은행처럼 자산을 가지고 있고, 돈이 부족하면 저가 매각 (Fire-sale) 을 합니다.
**가상의 예금자 **(AI) 여기에 수천 명의 AI(대형 언어 모델, LLM)를 예금자로 배치했습니다. 이 AI 들은 실제 사람처럼 행동하도록 훈련된 것이 아니라, **주어진 상황 **(은행 상태, 친구들의 글, 뉴스)을 보고 "돈을 찾을까? 아니면 기다릴까?"를 결정합니다.
비유: 마치 수천 명의 AI 가 연기하는 연극입니다. 이 연극은 실제 2023 년 실리콘밸리은행 (SVB) 사태를 재현하도록 설계되었습니다.
3. 주요 발견: "소문"이 어떻게 은행을 무너뜨리는가?
이 시뮬레이션을 통해 세 가지 놀라운 사실을 발견했습니다.
① 연결이 많을수록 위험하다 (Social Contagion)
비유: 한 반에서 한 학생이 "오늘 시험 망쳤다!"라고 외치면, 그 친구들이 불안해하고, 그 친구들의 친구들도 불안해하며 전체 반이 공황에 빠지는 것과 같습니다.
결과: 예금자들끼리 SNS 로 서로 연결되어 있을수록, 한 은행의 문제가 더 빠르고 강력하게 다른 은행으로 퍼졌습니다.
② '전파율'의 임계점 (Phase Transition)
비유: **스프링 **(스프링)을 생각해보세요. 약하게 누르면 원래 모양으로 돌아오지만, **어떤 지점 **(임계점)을 넘어서면 갑자기 꺾여버립니다.
결과: 소문이 퍼지는 속도가 **약 10%**만 넘어서도, 건전한 은행까지 갑자기 무너질 확률이 급격히 높아졌습니다. 즉, 약간의 정보 전달만으로도 시스템이 완전히 무너질 수 있다는 뜻입니다.
③ 겹친 친구 관계가 치명적이다 (Overlapping Communities)
비유: 은행 A 와 은행 B 에 **동일한 친구들 **(예: 같은 벤처캐피털, 같은 업계 사람들)이 예금을 맡겨두고 있다고 상상해보세요.
결과: 은행 A 가 흔들리면, 이 '공통 친구들'이 은행 B 로도 소문을 퍼뜨립니다. **서로 다른 은행이더라도, 예금자들의 '소셜 네트워크'가 겹쳐 있으면 한 은행의 위기가 다른 은행으로 번지는 '연쇄 사고'**가 일어납니다.
4. 실제 사례와의 비교: SVB 와 퍼스트 리퍼블릭
이 모델은 2023 년 실제 미국 은행 위기 (SVB 사태) 를 매우 잘 재현했습니다.
**SVB **(실리콘밸리은행) uninsured(보험에 들지 않은) 예금자가 많아 AI 들이 가장 먼저 공포에 질려 돈을 찾았습니다.
퍼스트 리퍼블릭: SVB 보다 재무 상태가 좋았지만, SNS 를 통해 SVB 의 공포가 전파되면서 결국 무너졌습니다.
지역 은행: SVB 와는 다른 고객층을 가진 은행은 소문으로부터 상대적으로 안전했고, 오히려 돈을 찾아가는 사람들이 줄었습니다.
결론: AI 시뮬레이션은 "재무 상태가 나쁘면 무너진다"는 단순한 이론을 넘어, **"소셜 네트워크를 통해 공포가 어떻게 전염되어 건전한 은행까지 무너뜨리는지"**를 보여줍니다.
5. 이 연구가 우리에게 주는 교훈
이 논문의 핵심 메시지는 **"소셜 미디어와 정보의 전파는 이제 은행의 '재무제표'만큼이나 중요한 리스크"**라는 점입니다.
과거: 은행 감독은 "자본이 충분한가?"만 확인했습니다.
미래: 은행 감독은 **"예금자들이 서로 어떻게 연결되어 있는가?", "소문이 얼마나 빨리 퍼질 수 있는가?"**도 함께 점검해야 합니다.
한 줄 요약:
"디지털 시대에는 한 사람의 공포가 SNS 를 타고 순식간에 전염되어 은행을 무너뜨릴 수 있다. 따라서 우리는 은행의 '재무 상태'뿐만 아니라, 예금자들의 '소셜 연결망'을 감시해야 한다."
이 연구는 인공지능을 활용해 이러한 복잡한 전염 과정을 실험실처럼 재현함으로써, 앞으로 발생할 수 있는 금융 위기를 더 잘 예측하고 막을 수 있는 길을 제시합니다.
1. 연구 배경 및 문제 제기 (Problem)
현대 은행 도주의 변화: 디지털 뱅킹과 온라인 커뮤니케이션의 발달로 현대의 은행 도주 (Bank Run) 는 전통적인 지점 앞 줄서기 (Queue-at-the-branch) 방식보다 훨씬 빠르고 네트워크화되어 발생함.
기존 이론의 한계:
다이아몬드 - 디브리그 (Diamond-Dybvig) 모델: 은행 도주의 존재 이유 (유동성 보험과 조정 문제) 를 설명하지만, '태양점 (Sunspot)'과 같은 외생적 신념 변화에 의한 균형 선택을 가정함. 이는 실제 위기 발생 시 '언제, 어떻게' 균형이 선택되는지에 대한 인과적 메커니즘을 설명하지 못하며, 감독당국이 측정하거나 스트레스 테스트할 수 있는 실용적 도구가 아님.
글로벌 게임 (Global Games): 정보의 노이즈를 도입하여 균형 선택을 확률화했으나, 현대의 복잡한 정보 환경 (공식 발표, 사적 네트워크, 소셜 미디어 필터링 등) 을 단일 매개변수 신호 구조로 가정하는 데 한계가 있음.
핵심 문제: 2023 년 3 월 실리콘밸리은행 (SVB) 사태와 같이, 소셜 미디어를 통한 정보 전파와 예금주들의 중첩된 커뮤니티가 어떻게 신념을 동기화시키고 도주를 가속화하는지에 대한 인과적 과정 (Process-based) 을 설명할 수 있는 모델이 부재함.
2. 방법론 (Methodology)
저자들은 전통적 균형 모델 대신 프로세스 기반 에이전트 기반 모델 (Process-based Agent-Based Model, ABM) 을 개발하여 정보와 조정 계층을 명시적으로 구현함.
모델 구성 요소:
은행 (Banks):
현금 우선 인출 처리 (Cash-first withdrawal), 할인된 화재 매각 (Fire-sale liquidation), 운영 처리 한도 (Per-round processing cap) 를 따름.
인출 강도에 반응하는 내생적 스트레스 지수 (Endogenous stress index) 와 부도 확률 (PD) 업데이트 규칙을 가짐.
SVB, 퍼스트 리퍼블릭 (First Republic), 지역 은행 3 개를 시나리오로 설정.
예금주 (Depositors):
이질적 위험 감수성, 기본 가치 (Fundamentals) 대 사회적 정보 (Social information) 에 대한 가중치 차이를 가짐.
LLM 기반 의사결정: 예금주의 행동은 제약된 대형 언어 모델 (Constrained LLM) 이 생성함. LLM 은 각 에이전트의 정보 집합 (기본 가치, 보험 유무, 이전 라운드 인출율, 이웃의 소셜 미디어 게시물) 을 입력받아 '인출' 또는 '유지' 결정과 선택적 게시물을 출력함.
검증: 실험실 조정 실험 (Laboratory coordination experiment) 결과와 비교하여 LLM 정책의 타당성을 검증함.
네트워크 및 전염 (Network & Contagion):
소셜 네트워크: 2023 년 3 월 트위터/X 활동 데이터를 기반으로 한 heavy-tailed (무거운 꼬리) 네트워크 구조를 사용. 핵심 - 주위 (Core-periphery) 구조와 허브 중심 확산을 반영.
교차 은행 전염: 은행 간 중첩된 예금주 (Bridge depositors) 와 정보 스프릴오버 (Information spillover) 를 통해 전염 발생. SVB 와 퍼스트 리퍼블릭 간의 연결 강도는 실제 트위터 데이터로 보정됨.
시뮬레이션 설정:
4,900 개의 파라미터 - 시드 구성에서 실행.
시간 단계별 (Discrete rounds) 로 스트레스 업데이트, 정보 노출, 사회적 소통, 의사결정, 자산 매각, 부도 판정 순서로 진행.
3. 주요 기여 (Key Contributions)
방법론적 기여: 현대 은행 도주 분석에 있어 균형 다중성 (Multiplicity) 과 태양점 선택 이론의 한계를 지적하고, 정보 집합, 소통, 피드백 루프를 명시적으로 규정한 프로세스 모델이 정책적 견고성 평가에 더 실용적임을 주장.
사회적 상관관계의 공식화: 예금주 커뮤니티의 중첩과 소통 네트워크가 자산의 상관관계와 유사하게 은행 간 인출을 동기화시키는 독립적인 위험 노출 채널임을 규명.
행동적 검증: 튜닝되지 않은 오프 - 더 - 쉘 (Off-the-shelf) LLM 이 실험실 은행 도주 조정 실험의 주요 정성적 패턴을 재현함을 보여줌. 이는 LLM 을 시뮬레이터의 보수적 행동 사전 (Behavioral prior) 으로 사용할 수 있음을 지지.
시뮬레이션 결과 도출: 단일 은행 환경과 다중 은행 (SVB-퍼스트 리퍼블릭) 환경에서의 도주 역학을 시뮬레이션하여 사회적 연결성이 도주 위험을 어떻게 증폭시키는지 입증.
4. 주요 결과 (Key Results)
2023 년 3 월 위기 재현: 모델은 SVB 의 붕괴가 퍼스트 리퍼블릭으로 전염되고, 지역 은행은 생존하는 실제 사건의 순서를 성공적으로 재현함.
SVB: 30% 인출로 붕괴.
퍼스트 리퍼블릭: 더 나은 기본 가치에도 불구하고 40% 인출로 붕괴 (사회적 전염 효과).
지역 은행: 6% 인출로 생존 (안전 피난처 효과).
비보험 예금주의 행동: 비보험 예금주의 인출율 (81.3%) 이 보험 예금주 (34.5%) 보다 훨씬 높게 나타나, 조정 인센티브가 행동에 미치는 영향을 확인.
위상 전이 (Phase Transition): 정보 스프릴오버 (Information spillover) 비율이 약 0.10 부근에서 시스템의 안정성에서 붕괴로 가는 급격한 위상 전이가 발생함. 이는 정보 환경의 작은 변화가 시스템적 결과에 불연속적인 영향을 미칠 수 있음을 시사.
채널 상호작용:
정보 스프릴오버만, 또는 네트워크 구조만으로는 전염이 미미함.
교량 예금주 (Bridge depositors) 와 네트워크 구조가 결합될 때 전염 효과가 비선형적으로 증폭됨 (시너지 효과).
교량 예금주가 교차 은행 공황을 씨앗으로 심고, 네트워크 토폴로지가 이를 증폭시킴.
LLM vs. 휴리스틱: LLM 에이전트와 휴리스틱 (규칙 기반) 에이전트 모두 유사한 정성적 결과 (위상 전이, 채널 시너지) 를 보임. 이는 핵심 메커니즘이 LLM 의 특이성이 아니라 모델 구조 (네트워크, 피드백) 에 있음을 의미.
5. 의의 및 시사점 (Significance & Implications)
감독 및 스트레스 테스트의 새로운 패러다임:
소셜 미디어와 중첩된 커뮤니티를 통한 사회적 상관관계 (Social Correlation) 를 측정 가능한 위험 증폭기로 간주해야 함.
기존 재무제표 기반 스트레스 테스트에 더해, 예금주 커뮤니티의 중첩도 (Overlap) 와 소셜 네트워크 연결성을 모니터링하고 시나리오 분석에 포함해야 함.
정책적 함의:
위기 대응 속도와 신뢰 회복이 내생적 상태 변수가 됨.
"태양점"을 제거하는 대신, 정보 전파 경로를 측정하고 관리할 수 있는 구체적인 개입 지점을 마련해야 함.
한계 및 향후 과제:
현재 모델은 축소된 규모 (은행당 50 명의 예금주) 와 단순화된 기본 가치 업데이트 규칙을 사용.
향후 더 풍부한 예금주 이질성, 노이즈가 있는 신호 추출, 다중 플랫폼 네트워크, 그리고 실제 사례에 대한 백테스팅 (Backtesting) 이 필요함.
결론적으로, 이 논문은 디지털 시대의 은행 도주가 단순한 기본 가치의 실패가 아니라, 소셜 네트워크를 통한 정보 전염과 조정 메커니즘에 의해 촉발되고 증폭된다는 점을 증명하며, 이를 분석하기 위한 새로운 에이전트 기반 모델링 프레임워크를 제시합니다.