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

1. 研究问题与背景 (Problem Statement)

• 核心痛点：传统的银行挤兑理论（如 Diamond-Dybvig 模型）虽然解释了由于期限错配导致的战略互补性和多重均衡（包括挤兑均衡），但在解释现代数字时代的挤兑动态时存在局限。
  • 均衡模型的缺陷：传统模型常依赖“太阳黑子”（sunspots，即外生的、无经济内容的信念冲击）来解释均衡选择，但这无法为监管者提供可测量、可压力测试的因果机制。
  • 全球博弈（Global Games）的局限：虽然引入了噪声信号来唯一化均衡，但其结果高度依赖于对信息结构的假设（如信号噪声分布），而在社交媒体主导的现代环境中，信息是内生且网络化的，难以精确参数化。
• 现实背景：2023 年 3 月的硅谷银行（SVB）危机表明，挤兑速度极快，且社交媒体（Twitter/X）在协调存款人行为、传播恐慌叙事方面起到了催化作用。存款人的信念同步和传播机制是理解现代挤兑的关键，但现有模型缺乏对这一“信息与协调层”的显式建模。
• 研究目标：构建一个基于过程的代理模型（Process-based Agent-Based Model, ABM），显式地模拟信息流、社交网络互动以及存款人异质性行为，以量化“社会相关性”（Social Correlation）如何作为风险放大器，加剧银行挤兑。

2. 方法论 (Methodology)

该研究采用**基于代理的建模（ABM）框架，结合大语言模型（LLM）**作为存款人的行为引擎。

A. 模型架构

模型包含三个核心实体：银行、存款人、社交网络。时间以离散回合（Round）推进，每回合包含以下步骤：

1. 冲击更新：应用外生或脚本化的压力事件（如 SVB 的流动性危机）。
2. 信息观察：存款人观察银行基本面（流动性、资产、违约概率 PD）、上一轮提款率及邻居的社交帖子。
3. 决策生成：存款人决定“提款”或“留守”，并可选择发布帖子。
4. 银行处理：银行按“现金优先”原则处理提款，若流动性不足则按折扣价抛售资产（Fire-sale）。
5. 状态更新：更新违约概率（PD），检查是否触发失败或接管阈值。
6. 信息传播：帖子进入网络，影响下一回合的邻居。

B. 银行模块 (Banks)

• 资产负债表：包含流动资产、长期非流动资产和存款。
• 资产抛售：当提款超过流动性时，长期资产以折扣率（Fire-sale discount, $h_b$）变现。SVB 设定为 0.85，第一共和国（First Republic）为 0.88，区域银行为 0.90。
• 失败机制：
  • 机械失败：现金不足以支付提款。
  • 接管阈值：设定类似 FDIC 的接管阈值（如 SVB 为初始存款的 25%），一旦累计提款超过此比例即视为失败，模拟监管干预。
• 内生压力指标：违约概率（PD）随提款率动态更新，体现“坏消息自我实现”的机制。

C. 存款人模块与 LLM 行为 (Depositors & LLM)

• 异质性：存款人在风险偏好、对基本面（$\alpha$）与社交信息（$\beta$）的权重上存在差异。
• 保险状态：根据银行特定的未保险存款比例（SVB 为 93%，第一共和国为 68%），存款人被标记为“已保险”或“未保险”。
• LLM 作为行为策略：
  • 使用 GPT-4.1-mini 作为代理的决策引擎。
  • 输入：结构化的状态描述（基本面数据、保险状态、上一轮提款率、邻居的帖子内容）。
  • 输出：离散的“提款/留守”决策及可选的社交帖子。
  • 验证：未对 LLM 进行微调（Zero-shot），而是通过实验室协调实验（Garratt & Keister, 2009）验证其能复现关键定性规律（如脆弱性增加时，未保险存款人更倾向于提款）。
  • 优势：相比硬编码规则，LLM 能更灵活地处理复杂状态和自然语言叙事，同时保持行为的可审计性。

D. 社交网络与传染机制 (Network & Contagion)

• 网络结构：基于 Twitter/X 在 2023 年 3 月危机期间的数据校准。
  • 行内网络：重尾分布（Heavy-tailed），核心 - 边缘结构（Core-Periphery），模拟 VC 圈和科技社区的紧密连接。
  • 跨行传染：通过“桥接存款人”（Bridge Depositors，同时在两家银行开户）和**信息溢出（Spillover）**实现。
  • 溢出参数 ($q_{safe}$)：基于回归分析，量化 SVB 的恐慌叙事传播到第一共和国（FRC）与传播到“安全”区域银行（SAFE）的相对强度。校准显示 FRC 受冲击强，而 SAFE 受冲击弱（$q_{safe} \approx 0.20$）。

3. 主要贡献 (Key Contributions)

1. 方法论创新：提出用“过程模型”替代“均衡选择”作为现代银行挤兑的因果解释框架。强调信息流和协调机制的可测量性，而非依赖不可观测的“太阳黑子”。
2. 形式化“社会相关性”：将存款人社区的重叠和通信网络定义为独立的风险渠道。证明社交重叠可以像相关资产一样同步提取行为，但通过信念而非会计身份运作。
3. LLM 行为验证：展示了未经微调的 LLM 在协调博弈实验中能复现实验室观察到的关键定性模式，支持将其作为模拟器中的保守行为先验。
4. 实证模拟发现：
   • 在单银行环境中，增加行内连通性会提高挤兑发生的概率和速度。
   • 在多银行环境中，存款人重叠和信息溢出会产生非线性放大效应，导致健康银行（如第一共和国）因关联银行（SVB）的危机而失败。

4. 关键结果 (Key Results)

基于 4,900 种参数配置和种子（Seeds）的模拟，得出以下核心发现：

A. 复现 2023 年危机序列

• 模型成功复现了 SVB $\rightarrow$ 第一共和国 $\rightarrow$ 区域银行 的危机传导顺序。
• SVB：在脚本化冲击下迅速失败（累计提款 30%）。
• 第一共和国：尽管初始基本面优于 SVB（初始 PD 3% vs 5%），但在 SVB 失败后，受社交传染影响，提款率飙升至 40% 并失败。
• 区域银行：由于信息溢出折扣（$q_{safe}$）和基本面差异，仅经历 6% 的提款并存活，符合“避险”（Flight-to-safety）的实证观察。

B. 传染的相变 (Phase Transition)

• 在信息溢出率（Spillover Rate）约为 0.10 处存在一个尖锐的相变点。
  • 低于 0.10：第一共和国在大多数模拟中存活。
  • 高于 0.10：第一共和国失败概率急剧上升至 80-100%。
• 这表明信息环境的微小变化（恐慌叙事传播速度）会导致系统性结果的断崖式改变。

C. 渠道分解与协同效应

• 单一渠道无效：仅靠信息溢出（无桥接）或仅靠网络结构（无桥接），第一共和国的失败率仅为 5%。
• 桥接存款人：仅靠共享客户（桥接）导致 20% 的失败率。
• 协同放大：桥接存款人 + 网络结构 结合时，失败率激增至 65%。若再加入信息溢出，失败率高达 85%。
• 结论：社交渠道（桥接）和网络拓扑（重尾分布）存在强烈的非线性协同效应，单独的压力测试会严重低估风险。

D. 未保险 vs. 已保险存款人

• 未保险存款人的提款率（81.3%）远高于已保险存款人（34.5%），符合战略互补性理论。
• LLM 模拟结果介于 Diamond-Dybvig 的二元均衡和 Morris-Shin 的瞬时协调之间，更贴近现实中“部分挤兑”的动态特征。

5. 意义与启示 (Significance & Implications)

• 监管与压力测试：
  • 监管机构应将社交相关性（Social Correlation）视为与资产负债表风险同等重要的可测量风险放大器。
  • 压力测试场景应包含“社交网络冲击”，评估当一家机构出现危机时，恐慌如何通过重叠的存款人社区和社交媒体迅速传导至其他机构。
  • 需要监测跨银行的重叠指标（如共同创始人、VC 网络、行业集群、社交媒体受众重叠度）。
• 理论贡献：
  • 挑战了仅依赖均衡理论解释危机的传统，证明了在数字时代，因果路径（Causal Pathway）（即信息如何流动、如何转化为行动）是理解脆弱性的关键。
  • 为将 LLM 作为经济模拟中的行为代理提供了实证支持，展示了其在处理复杂状态和自然语言叙事方面的潜力。
• 局限性：
  • 模型规模较小（每行 50 个代理），且简化了资金再分配（提款资金直接退出系统，未流向其他银行）。
  • 代理观察到真实的基本面数据（无信号提取噪声），这可能高估了协调速度。
  • 网络参数基于 Twitter 数据校准，存在数据获取限制。

总结：该论文通过结合 Agent-Based Modeling 和 LLM，提供了一个强有力的框架，揭示了在数字时代，社会网络结构和信息传播机制如何将原本可控的流动性压力转化为系统性的银行挤兑危机。它强调了“社会相关性”作为独立风险因子的极端重要性，并为未来的监管工具开发指明了方向。