银行决策不再靠优化器硬算：从大模型智能体反推的简单规则，在十个模拟银行年把ROE误差压到0.31个百分点
核心概要
在一个风格化的欧元区银行存款定价与债券再投资模型里，银行和四类客户由大语言模型智能体扮演，研究者再从这些智能体的选择中反推出方程形式的决策规则。用未参与估计的模拟检验，最终规则在十个Claude模拟银行年中把年度ROE误差控制在0.31个百分点以内，其中七个满足全部拟合标准，未通过的三例都涉及存款挤兑；换成GPT-5.5后误差不超过0.71个百分点，但十八个模拟银行年中只有六个全部达标。
深度剖析
银行决策可以由少数几条按情形切换的简单规则来近似，而不必每次都求解原来的优化目标。 此前的基准做法是让银行在每期最大化一个带风险目标惩罚的十二个月收益目标函数，并配合坐标搜索在定价网格上寻优。 在十个未参与估计的Claude模拟银行年中，最终规则EQ4的年度ROE与智能体银行相差不超过0.31个百分点，七个满足全部拟合标准，未通过的三例均为存款挤兑年份；同一批对照中，市场定价启发式通过四个，原优化器、直接回归和最近邻近似分别通过零个、零个和一个。
规则按流动性状态分档：平常时期贴近市场定价，出现压力时抬高存款利率和贷款加点，并把再投资转向短久期资产。 这些分档来自对智能体银行在八组开发模拟中反复出现的选择的归纳，而不是来自对真实银行行为的估计。 在八组开发模拟中，有七组的平常月份固定利率贷款加点平均高出市场22至43个基点，压力月份对利率敏感存款的加点约50个基点；把同一规则用于改写指令后的六个模拟银行年，ROE误差不超过0.30个百分点，四个无挤兑年份全部达标，两个挤兑年份未通过。
智能体给出的客户反应对指令措辞敏感，去掉行为提示后，提款幅度和固定利率借款人的价格敏感度明显改变。 原始指令中写入了存款流量上下限、固定利率借款人“仅轻微”减少借款等行为提示。 在两种模型家族的中性指令下，严重消息下利率敏感存款的月提款比例从27%至28%降到12%至14%，固定利率借款人价格系数从0.14升到1.11（Claude）和从0.08升到0.62（GPT-5.5）；用中性指令估计的客户方程替换后，两个月严重消息不再让LCR跌破100%。
启示与展望
结论限定在一个风格化、以客户存款为主要资金来源的欧元区银行：客户存款占资产88%，对照样本中位数约52%，因此实质解读只适用于存款融资约三分之二以上的银行。模型是十二个月的月度领导者—跟随者博弈，利率冲击为平行移动，竞争性存款利率由外部传导函数给定，不含策略性竞争银行、同业传染或危机处置工具。评估主要固定方程化客户、只检验银行决策规则，且多数样本外年份来自Claude家族。
挤兑年份没有任何规格满足全部拟合标准，压力期的债券组合选择在改写指令和GPT-5.5下都转向浮动利率资产，说明该规则不稳定。中性指令下提款幅度下降，意味着LCR跌破100%后提款持续这一现象依赖原始指令给出的提款量级。跨家族通过率（Claude七个、GPT-5.5六个）样本量小，作者明确不将其解读为家族间精确差异。模型未直接验证真实银行经理、借款人或存款人的行为。