Social Contagion and Bank Runs: An Agent-Based Model with LLM Depositors

1. Probleemstelling en Context

Traditionele economische modellen voor bankrun-risico, zoals het Diamond-Dybvig-model, leggen uit waarom runs kunnen optreden door strategische complementariteit (als anderen rennen, is het rationeel om ook te rennen). Deze modellen leiden echter vaak tot meerdere evenwichten, waarbij de keuze voor een "run-evenwicht" wordt bepaald door externe, niet-economische factoren (zogenaamde "sunspots").

Het probleem met deze evenwichtsbenadering voor het moderne tijdperk is dat:

• Het geen causaal mechanisme biedt voor hoe overtuigingen synchroniseren en verspreiden in real-time.
• Supervisors geen "sunspots" kunnen meten, stress-testen of gerichte interventies tegen kunnen ondernemen.
• De maart 2023-crisis (Silicon Valley Bank, First Republic) liet zien dat digitale communicatie en sociale media (Twitter/X) een katalysator waren voor snelle, netwerkgedreven runs die niet volledig door fundamentele balansgegevens werden gedreven.

De auteurs stellen dat een procesgebaseerd model nodig is dat de informatie- en coördinatielaag expliciet maakt, in plaats van alleen te vertrouwen op evenwichtsselectie.

2. Methodologie: Een Agent-Based Model (ABM) met LLM's

De auteurs ontwikkelen een agent-based simulatie die drie hoofdcomponenten integreert:

A. De Banken (Balansmechanica)

• Liquidatie: Banken verwerken opnames eerst via liquide activa. Als dit tekortschiet, worden illiquide activa verkocht met een brandverkoopkorting (fire-sale discount).
• Verwerkingscapaciteit: Er is een per-ronde limiet op het aantal opnames dat verwerkt kan worden (10% van de initiële deposito's), wat operationele fricties simuleert.
• Stress-index: Een endogene "Probability of Default" (PD) die stijgt bij grote uitstroom en daalt bij stabiliteit.
• Faillissement: Banken worden failliet verklaard als cumulatieve opnames een bepaalde drempel overschrijden (bijv. 25% voor SVB) of als liquiditeit negatief wordt.

B. De Deposanten (Gedrag via LLM)

In plaats van starre wiskundige regels, worden depositanten gemodelleerd als Large Language Model (LLM) agents (specifiek een constrained GPT-4.1-mini).

• Input: Elke agent ontvangt een gestructureerde prompt met:
  • Fundamentele gegevens van de bank (liquiditeit, illiquide activa, PD).
  • Verzekeringsstatus (verzekerd vs. onverzekerd).
  • Opnamepercentage van de vorige ronde.
  • Sociale posts van hun netwerkconnecties.
• Output: De LLM kiest een discrete actie (opnemen of blijven) en genereert optioneel een korte tekstpost voor het sociale netwerk.
• Validatie: Het gedrag van de LLM is gevalideerd tegen laboratoriumexperimenten (Garratt & Keister, 2009) en toont aan dat het de juiste kwalitatieve vergelijkingen reproduceert (bijv. onverzekerde depositanten zijn sneller geneigd te rennen dan verzekerden).

C. Het Netwerk (Sociale Contagie)

• Netwerkstructuur: Depositanten zijn verbonden via een zwaar-tailend netwerk (power-law), getuned op Twitter/X-data uit maart 2023. Dit creëert een kern-periferie structuur met "influencers".
• Cross-bank koppeling: Banken delen depositanten ("bridge depositors") en er zijn informatie-spillovers tussen banken. De sterkte van deze koppeling wordt gemodelleerd via een parameter $q_{safe}$, die de verspreiding van paniek van SVB naar een "veilige" regionale bank dempt.

3. Belangrijkste Bijdragen

1. Methodologische verschuiving: Het paper pleit voor een procesgebaseerde aanpak (ABM) boven evenwichtsmodellen om de causale pathway van paniek in digitale tijden te begrijpen.
2. Formalisatie van sociale correlatie: Het model behandelt sociale overlap en communicatienetwerken als een meetbaar risicokanaal, analoog aan gecorreleerde activa, maar werkend via overtuigingen.
3. Validatie van LLM's: Het toont aan dat een "off-the-shelf" LLM, zonder finetuning op run-data, kan dienen als een robuuste, conservatieve gedragsprior die complexe coördinatiepatronen nabootst.
4. Empirische reproduceerbaarheid: Het model reproduceert de specifieke volgorde van faillissementen uit maart 2023 (SVB $\rightarrow$ First Republic $\rightarrow$ Regionale banken overleven) en de dynamiek van onverzekerde deposito's.

4. Resultaten en Simulatiebevindingen

De simulatie werd uitgevoerd over 4.900 parameterconfiguraties. De kernbevindingen zijn:

• Netwerkconnectiviteit versnelt runs: Hogere connectiviteit binnen een bank verhoogt de waarschijnlijkheid en snelheid van opname-cascades, zelfs bij constante fundamentele omstandigheden.
• Fase-overgang in verspreiding: Er is een scherpe fase-overgang in het faillissementsrisico voor de tweede bank (First Republic) wanneer de informatiespillover-rates stijgen.
  • Onder een drempel van ca. 0,10 (10% spillover) overleeft de tweede bank vaak.
  • Boven deze drempel faalt de tweede bank in de meerderheid van de scenario's.
• Niet-lineaire interactie: De combinatie van bruggen (gemeenschappelijke depositanten) en netwerkstructuur (sociale verspreiding) creëert een synergie-effect.
  • Alleen bruggen of alleen netwerken leiden tot matige contagie.
  • Samen leiden ze tot een explosieve verspreiding van paniek (85% faalkans voor First Republic in de gekalibreerde setting).
• Onverzekerd vs. Verzekerd: Onverzekerde depositanten vertonen een opnamepercentage van ~81%, terwijl verzekerden slechts ~34% opnemen. Dit bevestigt dat verzekering de coördinatie-incentives elimineert.
• Realiteitstest: Het model voorspelde correct dat SVB zou falen, First Republic later zou volgen, en dat een "veilige" regionale bank zou overleven (met zelfs een "flight-to-safety" effect).

5. Betekenis en Implicaties

Dit onderzoek heeft belangrijke gevolgen voor toezicht en stress-testing:

• Sociale correlatie als risicofactor: Toezichthouders moeten sociale media-activiteit en de overlap van depositantenbanken niet als neveneffect zien, maar als een meetbare risicoversterker. Netwerken kunnen fundamentele stress omzetten in gesynchroniseerde runs.
• Nieuwe stress-testparameters: Stress-tests zouden scenario's moeten omvatten die variëren in snelheid van informatiediffusie en de mate van sociale overlap tussen instellingen.
• Beleid en Interventie: Snelheid en geloofwaardigheid van communicatie zijn kritieke variabelen. Een snelle, transparante reactie kan de "spillover"-drempel verlagen en paniek stoppen voordat de fase-overgang optreedt.
• Praktische toepassing: Het model biedt een raamwerk om "sociale risicometrieken" te ontwikkelen, zoals het meten van cross-audience overlap en influencer-concentratie, om kwetsbare banken te identificeren voordat een crisis uitbreekt.

Conclusie: Het paper demonstreert dat in het digitale tijdperk de mechanisme van een bankrun niet langer alleen in de balans zit, maar in de informatie- en coördinatiekanalen. Een procesgebaseerd model met geavanceerde gedragsagenten (LLM's) biedt een noodzakelijk en bruikbaar instrument om deze dynamiek te begrijpen en te managen.