💻 computer science

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

Este artigo apresenta um modelo baseado em agentes com depositantes impulsionados por grandes modelos de linguagem (LLMs) que demonstra como a conectividade social e a propagação de informações em redes digitais amplificam os riscos de corridas bancárias, reproduzindo com precisão a dinâmica de falhas observada em bancos como o SVB e First Republic durante a crise de 2023.

Autores originais: Chris Ruano, Shreshth Rajan

Publicado 2026-02-18

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Chris Ruano, Shreshth Rajan

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está em uma fila para entrar em um show muito popular. De repente, alguém grita: "O show foi cancelado! Corram!" Mesmo que o show ainda esteja acontecendo, as pessoas começam a correr, não porque o show acabou, mas porque todos os outros estão correndo.

Isso é o que acontece em um pânico bancário (ou "bank run"). O artigo que você pediu para explicar estuda exatamente como esses pánicos acontecem hoje em dia, onde não precisamos mais correr para a agência do banco, mas sim clicar em um botão no celular enquanto lemos tweets.

Aqui está a explicação do artigo, traduzida para uma linguagem simples e cheia de analogias:

1. O Problema: Por que os modelos antigos não funcionam mais?

Os economistas têm uma teoria antiga (como um manual de instruções) que diz: "Se as pessoas acham que o banco vai quebrar, elas sacam o dinheiro, e o banco realmente quebra." Isso é verdade. Mas esse manual antigo trata o pânico como algo mágico e aleatório, como se fosse um "sinal do céu" (chamado de sunspot na teoria) que faz todo mundo decidir sacar ao mesmo tempo sem um motivo claro.

O problema é que, na vida real, não é mágica. É comunicação. Em 2023, com o Silicon Valley Bank (SVB), o pânico não começou do nada; começou no Twitter (agora X). As pessoas viram um tweet, leram um comentário, e a notícia se espalhou como fogo em uma floresta seca. Os modelos antigos não conseguem explicar como a notícia viaja tão rápido e por que ela faz todo mundo agir junto.

2. A Solução: Um "Simulador de Videogame" com Robôs Inteligentes

Os autores criaram um modelo de computador (um simulador) para entender isso. Em vez de usar matemática complexa de equilíbrio, eles construíram um "mundo virtual" com três partes principais:

Os Bancos: São como caixas de dinheiro. Se muita gente saca ao mesmo tempo, o banco é obrigado a vender seus investimentos (ações, títulos) com desconto, perdendo dinheiro. Se vender demais, quebra.
Os Depositantes (Você e Eu): São agentes de computador. Mas, em vez de serem robôs burros que seguem regras fixas, eles são Robôs com Cérebro de IA (usando uma Inteligência Artificial chamada LLM, a mesma tecnologia por trás do ChatGPT).
- A Analogia: Imagine que cada robô tem um "amigo" virtual. Se o amigo diz "O banco está mal", o robô pensa. Se o amigo diz "Está tudo bem", o robô relaxa. A IA decide se saca ou fica baseada no que ela "lê" e no quanto ela confia no banco.
A Rede Social: É a "praça pública" onde os robôs conversam. Eles estão conectados em redes complexas, onde alguns têm milhões de seguidores (influenciadores) e a maioria tem poucos.

3. O Experimento: O que eles descobriram?

Eles rodaram esse simulador milhares de vezes, mudando as regras, para ver o que acontecia. Aqui estão as descobertas principais, explicadas com analogias:

A. A "Rede de Amigos" é Perigosa

Se todos os depositantes de um banco forem amigos uns dos outros na rede social (como uma comunidade de startups no Vale do Silício), o pânico se espalha muito rápido.

Analogia: É como um jogo de "telefone sem fio" em uma sala pequena. Se uma pessoa diz "corra", em segundos todos na sala estão correndo. Quanto mais conectados vocês são, mais rápido o pânico se espalha.

B. O "Efeito Dominó" entre Bancos

O estudo mostrou que, se o Banco A (SVB) entra em pânico, o Banco B (First Republic) pode quebrar mesmo que ele seja mais forte financeiramente.

Analogia: Imagine dois barcos no mar. O barco A tem um pequeno vazamento. Se o barco B estiver amarrado ao barco A por uma corda (clientes em comum e redes sociais conectadas), quando o barco A afunda, ele puxa o barco B para baixo, mesmo que o barco B esteja intacto. A "corda" aqui é a sobreposição social: os mesmos clientes e as mesmas redes sociais falam sobre os dois bancos.

C. O Ponto de Ruptura (O "Gatilho")

Eles descobriram que existe um ponto crítico. Se a informação ruim se espalha com uma velocidade de apenas 10% entre os bancos, o sistema fica estável. Mas, se essa velocidade passa de 10%, o sistema colapsa de repente.

Analogia: É como uma sala cheia de palha. Se você acende um fósforo longe, nada acontece. Mas, se o vento (a rede social) sopra o fogo na direção certa e com força suficiente, de repente toda a sala explode. Não é uma mudança lenta; é uma explosão súbita.

4. A Lição para os Supervisores (Os "Bombeiros")

O artigo diz que os reguladores (como o Banco Central) não podem mais olhar apenas para os números do banco (quanto dinheiro eles têm). Eles precisam olhar para como as pessoas conversam.

O Novo Risco: O risco não é apenas o banco ter pouco dinheiro; é ter muitos clientes que são "amigos" nas redes sociais e que compartilham o mesmo medo.
A Solução: Os reguladores precisam medir essa "conexão social". Se dois bancos têm clientes que seguem os mesmos influenciadores no Twitter, eles estão mais vulneráveis a quebrar juntos. É como se os bombeiros precisassem saber não apenas onde está o fogo, mas como o vento sopra para que o fogo não pegue em outros prédios.

Resumo Final

Este artigo diz que, na era digital, o medo é contagioso e se espalha mais rápido do que o dinheiro. Usando robôs inteligentes em um simulador, eles provaram que a estrutura das nossas redes sociais pode transformar um problema pequeno em um desastre global, arrastando bancos saudáveis para a falência junto com os doentes.

A mensagem final é: Não olhe apenas para o cofre do banco; olhe para a conversa na praça. Se a conversa estiver tóxica e conectada, o cofre pode estar vazio antes mesmo de alguém perceber.

Título: Contágio Social e Corridas Bancárias: Um Modelo Baseado em Agentes com Depositantes LLM

Autores: Shreshth Rajan e Christopher Ruaño (Harvard College)
Data: 18 de fevereiro de 2026

1. O Problema e a Motivação

O artigo aborda a inadequação dos modelos econômicos tradicionais de equilíbrio (como Diamond-Dybvig e jogos globais) para explicar a dinâmica das corridas bancárias na era digital.

Limitações dos Modelos de Equilíbrio: Embora expliquem por que as corridas ocorrem (complementaridade estratégica e múltiplos equilíbrios), eles tratam a seleção do equilíbrio como um "sinal de sol" (sunspot) extrínseco e imprevisível. Isso impede que reguladores meçam, testem sob estresse ou mitiguem o risco de forma operacional.
A Lacuna na Era Digital: As corridas modernas (ex.: Silicon Valley Bank - SVB, em março de 2023) são mais rápidas e baseadas em redes de comunicação (Twitter/X) do que em filas físicas. A correlação de crenças e ações é gerada por tecnologias de comunicação e comunidades sobrepostas, um mecanismo que modelos de equilíbrio não conseguem capturar causalmente.
Objetivo: Desenvolver um modelo baseado em processos (não apenas em equilíbrio) que torne explícita a camada de informação e coordenação, utilizando redes sociais e sobreposição de depositantes como canais de risco mensuráveis.

2. Metodologia: Modelo Baseado em Agentes (ABM)

Os autores construíram um simulador de tempo discreto que integra três componentes principais:

A. Mecânica Bancária (Balanço Patrimonial)

Processamento de Saques: Os bancos processam saques primeiro com base em ativos líquidos. Se a liquidez for insuficiente, realizam venda de ativos de longo prazo com desconto de "liquidação forçada" (fire-sale).
Limites Operacionais: Existe um limite de processamento por rodada (10% dos depósitos iniciais) para refletir atritos operacionais e intervenções regulatórias.
Índice de Estresse Endógeno: A probabilidade de inadimplência (Probability of Default - PD) atualiza-se dinamicamente com base na intensidade dos saques e choques exógenos.
Regras de Falha: Um banco é considerado falido/sequestrado se os saques acumulados ultrapassarem um limiar específico (ex.: 25% para SVB, 35% para First Republic) ou se a liquidez se esgotar.

B. Depositantes e Comportamento (LLMs)

Agentes Heterogêneos: Os depositantes diferem em tolerância ao risco e no peso atribuído a fundamentos econômicos versus informação social.
Uso de Grandes Modelos de Linguagem (LLMs): Em vez de regras heurísticas rígidas, o comportamento dos depositantes é gerado por um LLM (GPT-4.1-mini) que atua como uma função de política comportamental.
- Entrada: O LLM recebe um prompt estruturado com o estado do banco (fundamentos, status de seguro, taxa de saque anterior) e posts de vizinhos na rede social.
- Saída: Uma decisão discreta (sacar ou ficar) e uma postagem opcional na rede social.
- Validação: O comportamento do LLM foi validado contra evidências de laboratório (experimentos de coordenação), mostrando que reproduz os comparativos estáticos qualitativos corretos (ex.: maior retirada em cenários de alta vulnerabilidade).

C. Rede de Comunicação e Contágio

Estrutura da Rede: Redes internas aos bancos são geradas com distribuição de grau de cauda pesada (heavy-tailed), calibrada com dados reais do Twitter/X durante a crise de 2023 (estrutura núcleo-periferia).
Contágio Cross-Bank: A propagação entre bancos ocorre através de:
1. Depositantes Ponte: Agentes que possuem contas em múltiplos bancos.
2. Spillover de Informação: Narrativas que se espalham entre redes de bancos diferentes.
Calibração: Os parâmetros de sobreposição e spillover foram calibrados usando dados de atividade do Twitter sobre SVB, First Republic (FRC) e um banco regional de controle (SFST), replicando a assimetria observada (FRC altamente correlacionada, SFST isolada).

3. Principais Contribuições

Mudança Metodológica: Argumenta que, para corridas modernas, a modelagem baseada em processos (causal) é superior à seleção de equilíbrio baseada em sunspots para fins de supervisão e teste de estresse.
Correlação Social como Canal de Risco: Formaliza a sobreposição de comunidades de depositantes e redes de comunicação como um canal de risco distinto, análogo a exposições de ativos correlacionados, mas operando através de crenças.
Validação Comportamental: Demonstra que LLMs "prontos para uso" (off-the-shelf), sem ajuste fino (fine-tuning) em dados de corridas, podem servir como priores comportamentais conservadores e realistas em simuladores.
Prova de Conceito Empírica: O modelo reproduz a ordem de falhas observada em março de 2023 (SVB $\to$ First Republic $\to$ Regional) e quantifica o papel amplificador da infraestrutura social.

4. Resultados Chave

O estudo analisou 4.900 configurações de parâmetros e sementes, destacando três achados principais:

Reprodução da Crise de 2023: O modelo simula corretamente a sequência de falhas. O SVB falha primeiro (30% de saques), desencadeando contágio para o First Republic (40% de saques), enquanto um banco regional saudável sobrevive (6% de saques), refletindo o padrão de "fuga para a segurança".
Transição de Fase no Contágio: Existe um ponto de inflexão crítico na taxa de spillover de informação (aproximadamente 0,10). Abaixo deste limiar, o contágio é limitado; acima dele, a probabilidade de falha do banco secundário salta drasticamente, indicando que pequenas mudanças no ambiente de informação podem causar mudanças descontinuas nos resultados sistêmicos.
Sinergia Não-Linear: A interação entre depositantes sobrepostos (pontes) e a estrutura da rede social é não-linear.
- Canais isolados (apenas spillover ou apenas pontes) geram pouco contágio.
- A combinação de ambos amplifica o pânico de forma exponencial. O contágio ocorre porque os depositantes ponte semeiam o pânico entre instituições, e a topologia da rede (nós de alto grau) amplifica essa mensagem.

Comparação com Teoria:

O modelo de LLM produz taxas de saque intermediárias entre os equilíbrios binários de Diamond-Dybvig e a coordenação instantânea de Morris-Shin.
Depositantes não segurados retiraram 81,3% dos fundos (próximo à previsão de corrida total), enquanto segurados retiraram apenas 34,5%, validando a teoria da complementaridade estratégica.

5. Significado e Implicações

Para Supervisão e Testes de Estresse: O artigo sugere que reguladores devem tratar a correlação social como um fator de risco mensurável, ao lado dos fundamentos do balanço patrimonial.
- Monitoramento: Bancos devem ser monitorados quanto à sobreposição de comunidades de depositantes (ex.: clusters de VC, indústrias específicas) e à concentração de influenciadores em redes sociais.
- Cenários de Estresse: Os testes de estresse devem incluir cenários onde narrativas de estresse se propagam rapidamente para instituições com fundamentos diferentes, mas com redes sociais sobrepostas.
Limitações: O modelo é uma prova de conceito. Ele usa uma escala reduzida de depositantes, simplifica a realocação de depósitos (dinheiro sai do sistema em vez de ir para outros bancos) e assume que os agentes observam fundamentos verdadeiros (sem ruído de sinal).
Futuro: O trabalho abre caminho para o desenvolvimento de "estimadores de risco de correlação social" operacionais, utilizando dados de redes sociais para prever a propagação de pânico em tempo real.

Conclusão

O artigo conclui que, na era digital, o mecanismo que importa não é apenas a fragilidade fundamental, mas o caminho causal pelo qual informações e narrativas sincronizam os saques. Modelos baseados em agentes, que tornam explícitas as redes de comunicação e a heterogeneidade comportamental, oferecem uma ferramenta prática e operacional para entender e mitigar riscos sistêmicos que os modelos de equilíbrio tradicional não conseguem capturar.