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

银行是现代经济的管道，将资金从储蓄者转移到借款人手中。当利率上升时（如在2022年和2023年那样剧烈上升），银行持有的长期贷款和债券的价值可能会下降，而它们向存款人支付的资金成本在一段时间内可能保持在较低水平。这创造了一种微妙的平衡。如果一家银行损失了太多价值，或者存款人突然恐慌并撤回资金，银行就可能倒闭。为了理解这种情况是如何发生的，监管机构和银行家构建了计算机模型。这些模型试图预测人们在利率变化时的反应：储蓄者会把钱转到更好的产品中去，还是借款人会停止进行新的贷款？传统上，这些模型依赖于基于过去数据的简单数学公式。但过去并不总是能预测未来，尤其是在经济环境快速变化的时候。

研究人员最近开始使用一种新型工具来填补这些空白：大语言模型。这些是能够写文章、回答问题和进行对话的强大计算机程序。在这种新方法中，科学家们并不将这些程序视为聊天机器人，而是将其视为模拟的人。他们给计算机赋予一个角色，例如银行经理或家庭储蓄者，并让它在虚拟经济中做出决策。目标是观察计算机的选择是否可以转化为监管机构用于测试真实银行安全性的简单数学规则。这并不是要用计算机取代人类银行家，而是利用计算机模拟复杂行为的能力，来构建更完善、更真实的关于银行如何度过危机的模型。

一位研究人员试图利用一个欧元区的模拟银行来测试这个想法。他们创建了一个数字环境，其中一家银行必须做出十二个每月的决策：支付存款利息的利率是多少、对新贷款收取多少利润空间，以及如何重新投资到期债券的资金。与此同时，四个模拟客户群体——对利率非常敏感的储蓄者、对利率不太敏感的储蓄者，以及具有浮动利率或固定利率贷款的借款人——根据银行的选择和更广泛的经济新闻做出反应。研究人员首先要求大语言模型扮演银行经理和客户的角色，指示它们根据特定的目标和约束进行行为。计算机在不同的经济情景下生成了数千个决策，包括平静年份、利率上升时期，甚至包括存款人产生恐慌的模拟银行挤兑时期。

核心挑战在于，计算机的决策是复杂且多变的，而监管机构使用的模型必须是简单的方程。研究人员提出了一个根本性的问题：他们能否将计算机做出的那些复杂且听起来智能的决策，提炼成人类可以写下来的几个简单规则？他们尝试将计算机的行为拟合进标准的数学公式中。最初，简单的公式与计算机的行为并不匹配。作为银行经理的计算机在面对压力时的反应与旧公式预测的不同。它在面临困难时，对于放贷表现得更加谨慎，而在提高存款利率方面则更加积极。

为了解决这个问题，研究人员开发了一种新方法。他们利用计算机的决策来构建一套新的规则，然后将这些规则应用于计算机从未见过的全新场景进行测试。他们发现，他们确实可以创建一套简单的、条件性的规则，来紧密模仿计算机的行为。例如，新规则显示，在正常时期，银行经理会将存款利率保持在接近市场平均水平的水平。然而，一旦出现压力信号（例如关于银行流动性的警告），经理就会立即大幅提高存款利率，以防止客户流失。这种基于规则的近似法效果显著。在十个模拟年份中，新规则预测银行最终利润的误差不到三分之一个百分点。它们还正确预测了银行在危机期间的流动性状况。

这项研究还揭示了关于计算机如何做出决策的一些令人惊讶的事实。研究人员注意到，计算机的行为很大程度上取决于给它的具体指令。当他们告诉计算机扮演一名“利率敏感型”存款者时，它确实表现得如此。但当他们移除这些特定的行为提示，只给计算机关于银行和经济的原始事实时，计算机仍然做出了类似的决策，尽管存在一些差异。例如，在没有“不敏感”这一特定指令的情况下，计算机模拟的家庭在利率变化时变得更有可能提取资金。这表明计算机不仅仅是在遵循一个隐藏的剧本，而是在真正权衡所提供的信息。然而，研究人员谨慎地指出，这些结果描述的是计算机在特定指令下的行为，而非真实人类银行家或客户的实际行为。

关于银行挤兑的研究结果中最引人注目的发现之一是：在模拟中，如果银行的流动性比率（衡量其手头现金多少的指标）跌破了某个公开阈值，模拟的存款人即使在最初的坏消息过去之后，仍会继续提取资金。这造成了一种自我持续的恐慌。研究人员发现，这一结果取决于信息的呈现方式。如果公众看到的是银行健康状况的每月快照，那么恐慌可能会持续数月。但如果公众看到的只是银行一年内的平均健康状况，那么恐慌停止得要快得多。这凸显了监管机构分享信息的方式如何与存款人行为相互作用，从而缓解或加剧危机。

研究人员还探讨了利润与安全之间的权衡。他们发现，如果银行持有长期的固定利率资产，它可以在平稳年份赚取更多利润。然而，这种策略使得银行在利率急剧上升时变得更加脆弱。在他们的模拟中，将这些资产的期限从两年延长到六年，虽然在形势良好时增加了近两个百分点的年利润，但当利率上升三个百分点时，银行的经济价值（即资产的真实价值减去债务）却骤降了数亿欧元。这证实了一个经典的金融真理：好时光里的高回报往往伴随着坏时光里的高风险。

最终，这项工作展示了构建金融系统模型的一种新途径。通过使用大语言模型生成现实的决策，并随后将这些决策转化为简单的、可测试的规则，研究人员可以创建既灵活又透明的模拟系统。该研究并不声称这些计算机代理是人类行为的完美副本。相反，它表明这种方法提供了一个强大的工具，用于探索“如果……会怎样”的问题。它允许监管机构和银行家在危机发生前测试银行可能如何反应，使用的是基于现代人工智能的复杂、适应性逻辑，同时又足够简单，能够被人类理解和检查。研究结果表明，虽然具体的数值取决于给计算机的指令，但底层的行为模式——例如在恐慌期间提高利率的倾向，或安全与利润之间的权衡——是稳健且值得进一步研究的。