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

은행은 저축가로부터 차입자에게 돈을 이동시키는 현대 경제의 배관 역할을 합니다. 2022년과 2023년에 급격히 그랬던 것처럼 금리가 상승하면, 은행이 보유한 장기 대출 및 채권의 가치는 하락할 수 있는 반면, 예금자로부터 빌린 돈의 비용은 한동안 낮게 유지될 수 있습니다. 이는 섬세한 균형 잡기를 만들어냅니다. 만약 은행이 너무 많은 가치를 잃거나, 예금자들이 갑자기 공포에 질려 돈을 인출한다면 은행은 파산할 수 있습니다. 이러한 일이 어떻게 발생하는지 이해하기 위해 규제 기관과 은행가들은 컴퓨터 모델을 구축합니다. 이 모델들은 금리가 변할 때 사람들이 어떻게 반응할지 예측하려고 노력합니다. 즉, 저축가가 더 나은 제안을 찾아 돈을 옮길 것인지, 아니면 차입자가 새로운 대출을 받는 것을 중단할 것인지 등을 예측하는 것입니다. 전통적으로 이러한 모델은 과거 데이터에 기반한 단순한 수학 공식에 의존합니다. 하지만 과거가 항상 미래를 예측하는 것은 아니며, 특히 경제 환경이 급격하게 변할 때는 더욱 그렇습니다.

최근 연구자들은 이러한 격차를 메우기 위해 새로운 종류의 도구를 사용하기 시작했습니다. 바로 거대 언어 모델(LLM)입니다. 이것들은 에세이를 쓰거나 질문에 답하고 대화를 나눌 수 있는 것과 같은 강력한 컴퓨터 프로그램들입니다. 이 새로운 접근 방식에서 과학자들은 이 프로그램들을 챗봇이 아니라 시뮬레이션된 사람들로 취급합니다. 그들은 컴퓨터에 은행 관리자나 가계 저축가와 같은 역할을 부여하고, 가상 경제 내에서 의사결정을 내리도록 요청합니다. 목표는 컴퓨터의 선택을 규제 기관이 실제 은행의 안전성을 테스트하는 데 사용하는 단순한 수학적 규칙으로 다시 번역할 수 있는지 확인하는 것입니다. 이것은 인간 은행가를 컴퓨터로 대체하려는 것이 아니라, 복잡한 행동을 시뮬레이션하는 컴퓨터의 능력을 사용하여 은행이 위기에서 어떻게 살아남을지에 대한 더 나은, 더 현실적인 모델을 구축하려는 것입니다.

한 연구자는 유로 지역의 시뮬레이션된 은행을 사용하여 이 아이디어를 테스트하기로 했습니다. 그는 단일 은행이 12개월 동안의 12가지 월간 결정(예금에 지급할 이자율, 신규 대출에 부과할 마진, 만기가 도래하는 채권의 재투자 방법 등)을 내려야 하는 디지털 환경을 만들었습니다. 동시에, 금리에 매우 민감한 저축가, 금리에 덜 민감한 저축가, 그리고 변동 금리 또는 고정 금리 대출을 가진 차입자라는 네 그룹의 시뮬레이션된 고객들이 은행의 선택과 광범위한 경제 뉴스에 반응했습니다. 연구자는 먼저 거대 언어 모델에게 은행 관리자와 고객 역할을 맡기고, 특정 목표와 제약 조건에 따라 행동하도록 지시했습니다. 컴퓨터는 평온한 시기부터 금리 상승기, 심지어 예금자들이 공포에 질려 돈을 빼내는 시뮬레이션된 뱅크런 상황에 이르기까지 다양한 경제 시나리오에 걸쳐 수천 개의 결정을 생성했습니다.

핵심 과제는 컴퓨터의 결정은 복잡하고 다양하지만, 규제 기관이 사용하는 모델은 단순한 방정식이어야 한다는 점이었습니다. 연구자는 이 근본적인 질문을 던졌습니다. 컴퓨터가 내린 복잡하고 지능적으로 들리는 선택들을 인간이 적을 수 있는 몇 가지 단순한 규칙으로 추출할 수 있을 것인가? 그는 컴퓨터의 행동을 표준 수학 공식에 맞추려고 시도했습니다. 처음에 단순한 공식들은 컴퓨터의 행동과 잘 일치하지 않았습니다. 은행 관리자 역할을 하는 컴퓨터는 스트레스 상황에서 기존 공식이 예측한 것과는 다르게 반응하는 것처럼 보였습니다. 컴퓨터는 대출에는 더 신중해졌고, 문제가 발생했을 때 예금 금리를 더 공격적으로 인상했습니다.

이를 해결하기 위해 연구자는 새로운 방법을 개발했습니다. 그는 컴퓨터의 결정을 사용하여 새로운 규칙 세트를 구축했고, 그 후 컴퓨터가 본 적 없는 새로운 시나리오를 대상으로 이를 테스트했습니다. 그는 컴퓨터의 행동을 모방하는 일련의 단순한 조건부 규칙을 실제로 만들 수 있다는 것을 발견했습니다. 예를 들어, 새로운 규칙은 정상적인 시기에는 은행 관리자가 예금 금리를 시장 평균에 매우 가깝게 유지한다는 것을 보여주었습니다. 그러나 유동성 경고와 같은 스트레스 신호가 나타나면, 관리자는 고객이 떠나지 않도록 즉시 예금 금리를 상당한 수준으로 인상했습니다. 이 규칙 기반 근사치는 놀라울 정도로 잘 작동했습니다. 10가지 시뮬레이션된 연도 동안, 새로운 단순 규칙은 오차 범위가 1% 미만인 상태로 은행의 최종 이익을 예측했습니다. 또한 그들은 위기 상황에서 은행의 유동성이 어떻게 유지될지도 정확하게 예측했습니다.

연구는 또한 컴퓨터가 어떻게 결정을 내리는지에 대해 놀라운 사실을 밝혀냈습니다. 연구자는 컴퓨터의 행동이 주어진 구체적인 지침에 크게 의존한다는 것을 발견했습니다. 컴퓨터에게 "금리 민감형" 예금자처럼 행동하라고 지시했을 때는 그렇게 행동했습니다. 하지만 그러한 특정 행동 힌트를 제거하고 은행과 경제에 대한 가공되지 않은 사실만을 제공했을 때도, 컴퓨터는 약간의 차이는 있었지만 유사한 선택을 했습니다. 예를 들어, "둔감함"이라는 특정 지시가 없었을 때, 컴퓨터의 시뮬레이션된 가계는 금리가 변할 때 돈을 인출할 가능성이 훨씬 더 높았습니다. 이는 컴퓨터가 단순히 숨겨진 대본을 따르는 것이 아니라, 제공된 정보를 진정으로 검토하고 있다는 것을 시사합니다. 그러나 연구자는 이 결과가 컴퓨터가 어떻게 행동했는지를 설명하는 것이지, 실제 인간 은행가나 고객이 실제로 어떻게 행동하는지를 설명하는 것은 아니라고 주의를 기울였습니다.

가장 눈에 띄는 발견 중 하나는 뱅크런의 위험에 관한 것이었습니다. 시뮬레이션에서, 만약 은행의 유동성 비율(은행이 보유한 현금의 척도)이 특정 공개 임계값 아래로 떨어지면, 시뮬레이션된 예금자들은 초기 악재가 지나간 후에도 계속해서 돈을 인출했습니다. 이는 자가 지속적인 공포를 만들어냈습니다. 연구자는 이 결과가 정보가 어떻게 제시되느냐에 달려 있다는 것을 발견했습니다. 만약 대중이 은행의 건강 상태에 대한 월간 스냅샷을 본다면, 공포는 몇 달 동안 지속될 수 있었습니다. 하지만 대중이 은행의 건강 상태에 대한 연간 평균치만을 본다면, 공포는 훨씬 더 빨리 멈췄습니다. 이는 규제 기관이 정보를 공유하는 방식이 예금자의 행동과 상호작용하여 위기를 진정시키거나 혹은 악화시킬 수 있음을 강조합니다.

연구자는 또한 이익과 안전 사이의 절충 관계를 탐구했습니다. 그들은 만약 은행이 장기 고정 금리 자산을 보유한다면, 평온한 해에 더 많은 돈을 벌 수 있다는 것을 발견했습니다. 그러나 이 전략은 금리가 급격히 상승할 때 은행을 훨씬 더 취약하게 만들었습니다. 시뮬레이션에서, 이러한 자산의 만기를 2년에서 6년으로 연장하면 좋은 시기에 연간 이익이 거의 2% 포인트 증가했습니다. 하지만 금리가 3% 포인트 상승했을 때, 은행의 경제적 가치(자산의 실제 가치에서 부채를 뺀 값)는 수억 유로 급락했습니다. 이는 높은 수익이 좋은 시기에는 높은 위험을 동반한다는 고전적인 금융의 진리를 확인시켜 주었습니다.

궁극적으로, 이 작업은 금융 시스템을 위한 모델을 구축하는 새로운 방법을 보여줍니다. 거대 언어 모델을 사용하여 현실적인 결정을 생성하고, 그 결정을 다시 단순하고 테스트 가능한 규칙으로 번역함으로써, 연구자들은 유연하면서도 투명한 시뮬레이션을 만들 수 있습니다. 이 연구는 이 컴퓨터 에이전트들이 인간 행동의 완벽한 복사본이라고 주장하는 것이 아닙니다. 대신, 이 방법이 "만약 ~한다면"이라는 질문을 탐구하기 위한 강력한 도구를 제공한다는 것을 보여줍니다. 이는 규제 기관과 은행가들이 현대 인공지능의 복잡하고 적응적인 논리에 기반하면서도 인간이 이해하고 확인할 수 있을 만큼 단순한 모델을 사용하여, 위기가 발생하기 전에 은행이 어떻게 반응할지 테스트할 수 있게 해줍니다. 결과는 특정 수치가 컴퓨터에 주어진 지침에 따라 달라질 수는 있지만, 금리 인상 기조 중에 금리를 올리는 경향이나 안전과 이익 사이의 절충 관계와 같은 근본적인 행동 패턴은 견고하며 더 연구할 가치가 있다는 것을 시사합니다.