📈 economia

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

Este artigo demonstra que as decisões geradas por agentes de modelos de linguagem de grande escala em uma simulação de gestão de balanço patrimonial bancário podem ser efetivamente aproximadas por equações simples, as quais reproduzem com precisão métricas financeiras fundamentais, como o retorno sobre o patrimônio líquido e a dinâmica de liquidez, através de vários cenários, embora o estudo esclareça que essas descobertas validam a metodologia de aproximação em vez de confirmar a representação do comportamento humano real pelos modelos.

Autores originais: Zlatin Sarastov

Publicado 2026-10-20

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Zlatin Sarastov

Artigo original sob licença CC BY 4.0 (https://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

Os bancos são o sistema de tubulação da economia moderna, movendo dinheiro de poupadores para tomadores de empréstimos. Quando as taxas de juros sobem, como ocorreu de forma acentuada em 2022 e 2023, o valor dos empréstimos de longo prazo e dos títulos que os bancos detêm pode cair, enquanto o custo do dinheiro que eles pegaram emprestado com os depositantes pode permanecer baixo por um tempo. Isso cria um delicado jogo de equilíbrio. Se um banco perder muito valor, ou se os depositantes subitamente entrarem em pânico e retirarem seu dinheiro, o banco pode falir. Para entender como isso acontece, reguladores e banqueiros constroem modelos computacionais. Esses modelos tentam prever como as pessoas reagirão quando as taxas mudarem: um poupador moverá seu dinheiro para uma oferta melhor, ou um tomador de empréstimos deixará de contratar novos créditos? Tradicionalmente, esses modelos baseiam-se em fórmulas matemáticas simples baseadas em dados passados. Mas o passado nem sempre prevê o futuro, especialmente quando o ambiente econômico muda rapidamente.

Pesquisadores começaram recentemente a usar um novo tipo de ferramenta para preencher essas lacunas: modelos de linguagem de grande escala (LLMs). Estes são os mesmos programas de computador poderosos que podem escrever ensaios, responder perguntas e manter conversas. Nesta nova abordagem, os cientistas tratam esses programas não como chatbots, mas como pessoas simuladas. Eles atribuem ao computador um papel, como um gerente de banco ou um poupador doméstico, e pedem que ele tome decisões em uma economia virtual. O objetivo é ver se as escolhas do computador podem ser traduzidas de volta para as regras matemáticas simples que os reguladores usam para testar a segurança dos bancos reais. Não se trata de substituir banqueiros humanos por computadores, mas de usar a capacidade do computador de simular comportamentos complexos para construir modelos melhores e mais realistas de como um banco poderia sobreviver a uma crise.

Um pesquisador decidiu testar essa ideia usando um banco simulado na zona euro. Ele criou um ambiente digital onde um único banco tinha que tomar doze decisões mensais: qual taxa de juros pagar sobre as poupanças, qual margem cobrar sobre novos empréstimos e como reinvestir o dinheiro de títulos que vencem. Ao mesmo tempo, quatro grupos de clientes simulados — poupadores que são muito sensíveis às taxas, poupadores que são menos sensíveis e tomadores de empréstimos com taxas variáveis ou fixas — reagiram às escolhas do banco e às notícias econômicas mais amplas. O pesquisador primeiro pediu a um modelo de linguagem de grande escala para atuar como o gerente do banco e como os clientes, instruindo-os a comportar-se de acordo com objetivos e restrições específicos. O computador gerou milhares de decisões através de diferentes cenários econômicos, desde anos de calma até períodos de subida de taxas e até corridas bancárias simuladas onde os depositantes entram em pânico.

O desafio central era que as decisões do computador eram complexas e variadas, enquanto os modelos que os reguladores utilizam devem ser equações simples. O pesquisador fez uma pergunta fundamental: poderiam eles pegar as escolhas complexas e de aparência inteligente feitas pelo computador e destilá-las em algumas regras simples que um humano pudesse escrever? Eles tentaram ajustar o comportamento do computador em fórmulas matemáticas padrão. Inicialmente, as fórmulas simples não coincidiam bem com o comportamento do computador. O computador, atuando como um gerente de banco, parecia reagir de forma diferente ao estresse do que as fórmulas antigas previam. Ele era mais cauteloso quanto a empréstimos e mais agressivo quanto ao aumento das taxas de depósito quando surgiam problemas.

Para resolver isso, o pesquisador desenvolveu um novo método. Ele utilizou as decisões do computador para construir um novo conjunto de regras, que testou posteriormente contra cenários inéditos para o computador. Descobriu que era possível, de fato, criar um conjunto de regras simples e condicionais que mimetizavam de perto o comportamento do computador. Por exemplo, as novas regras mostraram que, em tempos normais, o gerente do banco manteria as taxas de depósito muito próximas da média do mercado. No entanto, se um sinal de estresse aparecesse, como um aviso sobre a liquidez do banco, o gerente aumentaria imediatamente as taxas de depósito em uma quantidade significativa para evitar que os clientes fossem embora. Essa aproximação baseada em regras funcionou de forma notável. Em dez anos simulados, as novas regras simples previram o lucro final do banco com um erro inferior a um terço de um ponto percentual. Eles também previram corretamente como a liquidez do banco se manteria durante uma crise.

O estudo também revelou algo surpreendente sobre como o computador tomava suas decisões. O pesquisador notou que o comportamento do computador dependia fortemente das instruções específicas que lhe eram dadas. Quando disseram ao computador para agir como um depositante "sensível à taxa", ele comportou-se dessa forma. Mas quando removeram essas pistas comportamentais específicas e apenas deram ao computador os fatos brutos sobre o banco e a economia, o computador ainda tomou decisões semelhantes, embora com algumas diferenças. Por exemplo, sem a instrução específica para ser "insensível", as famílias simuladas pelo computador tornaram-se muito mais propensas a retirar o seu dinheiro quando as taxas de juros mudavam. Isto sugere que o computador não estava apenas a seguir um roteiro oculto, mas estava genuinamente a ponderar a informação fornecida. No entanto, o pesquisador foi cuidadoso ao notar que estes resultados descrevem como o computador se comportou sob instruções específicas, e não como os banqueiros ou clientes reais realmente agem.

Uma das descobertas mais impressionantes diz respeito ao risco de uma corrida bancária. Nas simulações, se a razão de liquidez do banco — uma medida de quanto dinheiro vivo ele tem em mãos — caísse abaixo de um determinado limite público, os depositantes simulados continuariam a retirar dinheiro mesmo após o choque inicial de más notícias ter passado. Isto criou um pânico autossustentável. O pesquisador descobriu que este resultado dependia de como a informação era apresentada. Se o público visse um retrato mensal da saúde do banco, o pânico poderia durar meses. Mas se o público visse apenas uma média da saúde do banco ao longo de um ano, o pânico parava muito mais cedo. Isto destaca como a forma como os reguladores partilham a informação pode interagir com o comportamento dos depositantes para acalmar ou agravar uma crise.

O pesquisador também explorou o compromisso entre lucro e segurança. Descobriu que, se o banco detivesse ativos de taxa fixa de longo prazo, poderia ganhar mais dinheiro em anos de calma. No entanto, esta estratégia tornava o banco muito mais vulnerável se as taxas de juros subissem abruptamente. Nas suas simulações, prolongar a vida destes ativos de dois para seis anos aumentou o lucro anual do banco em quase dois pontos percentuais em tempos bons. Mas quando as taxas de juros subiram três pontos percentuais, o valor econômico do banco — o valor real dos seus ativos menos as suas dívidas — despencou centenas de milhões de euros. Isto confirmou uma verdade financeira clássica: retornos mais elevados em tempos bons frequentemente vêm acompanhados de riscos mais elevados em tempos maus.

Em última análise, este trabalho demonstra uma nova forma de construir modelos para o sistema financeiro. Ao utilizar modelos de linguagem de grande escala para gerar decisões realistas e, em seguida, traduzir essas decisões em regras simples e testáveis, os investigadores podem criar simulações que são simultaneamente flexíveis e transparentes. O estudo não afirma que estes agentes de computador são cópias perfeitas do comportamento humano. Em vez disso, mostra que este método fornece uma ferramenta poderosa para explorar perguntas do tipo "e se". Permite que reguladores e banqueiros testem como um banco poderá reagir a uma crise antes que ela aconteça, utilizando um modelo que está fundamentado na lógica complexa e adaptativa da inteligência artificial moderna, mas que é suficientemente simples para ser compreendido e verificado por humanos. Os resultados sugerem que, embora os números específicos dependam das instruções dadas ao computador, os padrões subjacentes de comportamento — como a tendência de aumentar as taxas durante um pânico ou o compromisso entre segurança e lucro — são robustos e merecem estudos mais aprofundados.

Resumo Técnico: Estimando Regras de Decisão a partir de Agentes de Grandes Modelos de Linguagem

Definição do Problema
O artigo aborda o desafio metodológico de integrar agentes de Grandes Modelos de Linguagem (LLM) em modelos baseados em agentes (ABM) para a gestão do balanço patrimonial de bancos. Embora os LLMs possam gerar decisões simuladas, seus resultados são frequentemente opacos e dependentes de engenharia de prompt. O problema central é determinar se as decisões geradas por LLM podem ser aproximadas por regras de decisão simples, baseadas em equações, que sejam reproduzíveis e avaliáveis em cenários fora da amostra (out-of-sample). Isso é particularmente relevante para a avaliação do risco de taxa de juros no balanço bancário (IRRBB) e da dinâmica de liquidez, onde as estruturas regulatórias (ex: Basel IRRBB, LCR) dependem de suposições sobre o comportamento de depositantes e tomadores que podem mudar com as condições econômicas. O estudo distingue explicitamente entre a aproximação do comportamento do LLM e a validação do comportamento humano, observando que as respostas do LLM podem refletir instruções de prompt em vez de realidades de mercado observadas.

Metodologia
O autor constrói um modelo baseado em agentes estilizado, de líder-seguidor mensal, de um banco da zona euro. O modelo apresenta:

Agentes: Um banco (líder) e quatro categorias de clientes (seguidores): depositantes sensíveis à taxa, depositantes insensíveis à taxa, tomadores de taxa variável e tomadores de taxa fixa.
Ambiente: Um componente macroeconômico especificando taxas de política monetária, inclinação da curva de rendimentos, desemprego e notícias de estresse.
Mecanismo: O banco define taxas de depósito, margens de empréstimo e alocação de reinvestimento de títulos. Os clientes respondem com base em diferenças de preço, indicadores de estresse e índices regulatórios (LCR, CET1). O balanço patrimonial é atualizado via equações contábeis determinísticas.
Procedimento de Estimação:
1. Elicitação por LLM: Agentes de LLM (usando famílias Claude e GPT-5.5) são instigados a tomar decisões através de vários estados hipotéticos e trajetórias simuladas. As instruções incluem orientação comportamental (ex: limites de retirada, classificações de objetivos) e versões neutras.
2. Derivação de Equações: As escolhas geradas pelo LLM são usadas para estimar parâmetros para aproximações baseadas em equações (denotadas como EQ0 até EQ4). Isso envolve estimação de mínimos quadrados para coeficientes de resposta do cliente e buscas em grade (grid searches) para parâmetros de preferência do banco.
3. Regras Condicionais: Regras condicionais complexas, como o reinvestimento de títulos, são derivadas diretamente das escolhas do LLM em vez de uma função de otimização global.
4. Avaliação: As equações estimadas são testadas contra simulações de LLM separadas "fora da amostra" (cenários retidos e diferentes famílias de modelos). O sucesso é medido contra sete critérios (V1–V7), incluindo identidade contábil, alvos de calibração, respostas direcionais e ajuste às decisões do LLM (lacuna de ROE, lacuna de balanço e discrepância de decisão $G$ ).

Principais Contribuições
A principal contribuição é metodológica: o artigo estabelece um procedimento para estimar, aproximar e avaliar regras de decisão geradas por LLM dentro de um ambiente de simulação definido.

Procedimento: Descreve um ciclo de elicitação, estimação e validação fora da amostra para determinar quando uma especificação baseada em equações captura adequadamente o comportamento do LLM.
Sensibilidade à Instrução: Demonstra que as respostas dos LLM são altamente sensíveis às instruções do prompt. Remover a orientação comportamental (ex: limites específicos de retirada ou classificações de objetivos) altera significativamente os coeficientes estimados, particularmente para a sensibilidade de tomadores de taxa fixa e magnitudes de retirada.
Aproximação Condicional: O estudo mostra que regras simples e condicionais (ex: precificação próxima ao mercado em tempos normais, aplicação de prêmios específicos durante estresse de liquidez) frequentemente aproximam melhor as decisões do LLM do que um benchmark de otimização global ou modelos de regressão simples.

Resultados

Desempenho de Ajuste: A especificação final (EQ4), que incorpora regras de precificação condicional e reinvestimento, reproduz o Retorno sobre o Patrimônio Líquido (ROE) anual dentro de 0,31 pontos percentuais em 7 de 10 simulações fora da amostra do banco Claude. Ela atende a todos os critérios de ajuste nesses 7 casos. Em 18 simulações usando uma segunda família de LLM (GPT-5.5), a diferença de ROE permanece dentro de 0,71 pontos percentuais, embora apenas 6 atendam a todos os critérios.
Discrepância de Decisão: O EQ4 supera especificações mais simples (heurísticas de precificação de mercado, regressão direta, imitação de vizinho mais próximo) em termos de discrepância de nível de decisão ( $G$ ) e ajuste de balanço, particularmente em cenários de estresse envolvendo corridas bancárias de depósitos.
Dependência de Instrução: Sob instruções neutras, as magnitudes de retirada e a sensibilidade de preço de tomadores de taxa fixa mudam materialmente. Especificamente, um episódio de retirada de dois meses que se torna autossustentável sob as instruções originais (devido às altas magnitudes de retirada) deixa de ser autossustentável quando as equações dos clientes são estimadas sob instruções neutras.
Trocas Econômicas (Trade-offs): O modelo ilustra uma troca entre ganhos e valor econômico. Estender a duração dos ativos de taxa fixa de dois para seis anos aumenta o ROE em anos de calma em cerca de 1,9 pontos percentuais, mas reduz o patrimônio líquido econômico em EUR 516 milhões após um choque de taxa de +300 pontos base.
Dinâmica de Liquidez: A persistência das corridas de depósitos na simulação é condicional à frequência de divulgação do Índice de Cobertura de Liquidez (LCR). A divulgação mensal do LCR abaixo de 100% desencadeia retiradas sustentadas, enquanto divulgações trimestrais ou médias permitem que a resposta ao estresse diminua assim que as notícias terminam.

Significância e Alegações
O artigo alega modestamente que seus resultados demonstram um procedimento para aproximar decisões de LLM, não que essas decisões representem o comportamento humano real.

Não é Validação Humana: O autor afirma explicitamente que o estudo não estabelece que as respostas do LLM representam o comportamento de gestores bancários ou clientes. As descobertas são condicionais às instruções específicas e à arquitetura do modelo utilizadas.
Ferramenta Complementar: A abordagem de estimação baseada em LLM é apresentada como um complemento, e não um substituto, para a calibração empírica baseada em transações observadas ou experimentos humanos incentivados. Ela permite a geração de dados de nível de decisão para testar a sensibilidade e a especificação do modelo.
Relevância para Políticas Públicas: O estudo sugere que as avaliações regulatórias de liquidez e risco de taxa de juros devem considerar a interação entre as regras de divulgação (ex: frequência de publicação do LCR) e as funções de resposta dos depositantes, pois essas interações podem determinar se um evento de estresse se tornará autossustentável. No entanto, os limiares específicos identificados são propriedades do modelo e das instruções específicas do LLM, não fatos empiricamente validados sobre o setor bancário.

Em resumo, o artigo fornece um arcabouço rigoroso para traduzir o comportamento de agentes de LLM em regras matemáticas tratáveis para simulação, destacando o papel crítico da engenharia de prompt na determinação da dinâmica econômica resultante.

Mais como este