Ein neues agentenbasiertes Modell simuliert Bank Runs unter Einschluss sozialer Medien und zeigt: Nicht Fundamentaldaten allein, sondern die Überlappung von Einlegergemeinschaften und Kommunikationskanälen entscheidet darüber, ob aus einer lokalen Bankenstörung eine systemische Kaskade wird.
Die klassische Theorie des Bank Runs—prominentestes Modell: Diamond und Dybvig (1983)—beschreibt das Phänomen als Koordinationsproblem mit multiplen Gleichgewichten. Entweder ziehen nur die wirklich illiquiden Einleger ab, oder alle tun es gleichzeitig, weil alle erwarten, dass alle anderen es tun. Welches Gleichgewicht sich realisiert, bleibt in diesen Modellen letztlich offen, abhängig von „Sunspots”—exogenen Koordinationssignalen ohne inhärenten Informationsgehalt. Global-Games-Ansätze à la Morris und Shin verfeinern das Bild durch das Einführen privater Signale: Ein Gleichgewicht lässt sich eindeutig bestimmen, wenn Einleger unvollständige Informationen über den Bankzustand haben. Doch auch hier bleibt die Koordinationsdynamik abstrakt—ein theoretischer Mechanismus ohne operative Beschreibung des Prozesses selbst.
Genau hier setzt ein neueres Forschungsprojekt an, das sich der SVB-Krise vom März 2023 als Kalibrierbasis bedient. Die Autoren argumentieren, dass die Ausbreitungsdynamik moderner Bank Runs ohne explizite Modellierung von Kommunikationsinfrastruktur, Netzwerkheterogenität und Feedbackschleifen in sozialen Medien nicht adäquat zu beschreiben ist. Ihr Werkzeug: ein agentenbasiertes Simulationsmodell, in dem Einleger nicht als homogene Masse, sondern als vernetzt-heterogene Individuen mit unterschiedlicher Risikotoleranz und unterschiedlichem Informationsverarbeitungsverhalten auftreten.
Drei Blöcke, ein Modell
Der Modellaufbau gliedert sich in drei Komponenten. Die Banken—kalibriert auf SVB, First Republic und eine regionale Kontrollbank—sind mit realistischen Bilanzparametern ausgestattet: Liquidität, illiquide Aktiva, Einlagensockel, endogene Stress- und Ausfallwahrscheinlichkeitsindizes sowie Liquidationshaircuts (SVB: 0,85; First Republic: 0,88; Regionalbank: 0,90). FDIC-ähnliche Schwellenwerte definieren, ab welchem kumulativen Abzug eine Bank als „seized” gilt.
Die Einleger unterscheiden sich in ihrer Gewichtung von Fundamentaldaten gegenüber sozialer Information sowie in ihrem Versicherungsstatus. Pro Simulationsperiode erhalten sie drei Signale: den aktuellen Bankzustand, die Abzugsquote der Vorperiode und die Posts ihrer sozialen Nachbarn. Aus diesem Input generieren sie eine Entscheidung—„withdraw” oder „stay”—und optional einen eigenen Social-Media-Post.
Das soziale Netzwerk innerhalb jeder Bank folgt einer heavy-tailed Verteilung mit Kern-Peripherie-Struktur, kalibriert auf tatsächliche Twitter-Aktivität während der SVB-Krise. Zwischen den Banken existieren sogenannte „Bridge-Einleger” sowie asymmetrische Informationsspillovers, die aus Lag-Regressionen von Tweet-Zeitreihen abgeleitet wurden. Die Entscheidungslogik der Agenten wird durch ein Large Language Model (GPT‑4.1‑mini) erzeugt, das zero-shot auf strukturierte Prompts antwortet und gegen Laborexperimente zu Bank Runs validiert wurde.
Was das Modell zeigt—und was nicht
Verglichen mit den klassischen Theoriemodellen liefert das neue Simulationsmodell das überzeugendere Bild der Realität. Das Diamond-Dybvig-Modell kann zwar erklären, dass ein Bank Run möglich ist—es sagt aber nichts darüber, wann und warum er tatsächlich einsetzt. Das Morris-Shin-Modell geht einen Schritt weiter und kommt unter realistischen Annahmen zu dem Schluss, dass ein Run so gut wie unvermeidlich ist—und schießt damit über das Ziel hinaus: Bei der SVB zogen Einleger vor der Schließung rund 24 Prozent der Einlagen ab, kein vollständiger Zusammenbruch also, sondern ein partieller. Das agentenbasierte Modell trifft genau dieses Muster: Wer keine Einlagensicherung hat, zieht in mehr als acht von zehn Simulationen sein Geld ab; wer abgesichert ist, bleibt eher. Und der Prozess läuft nicht schlagartig ab, sondern entwickelt sich Schritt für Schritt—je nachdem, was Nachbarn im Netzwerk tun und berichten.
In 4.900 Konfigurationen—einem Gitter über Netzwerk- und Spillover-Parameter—treten drei zentrale Befunde hervor.
Erstens: Die Kaskade von 2023 lässt sich reproduzieren. SVB scheitert zuerst, First Republic folgt mit erhöhten Abzugsraten, die Regionalbank bleibt überwiegend stabil. Unversicherte Einleger ziehen im Schnitt 2,4‑mal häufiger ab als versicherte.
Zweitens: Das Modell zeigt ein zweites, besonders aufschlussreiches Phänomen: Es gibt keinen fließenden Übergang zwischen Stabilität und Kollaps, sondern einen Kipppunkt. Solange die Nachrichten und Narrative rund um die SVB-Krise nur begrenzt auf andere Institute übergreifen, übersteht First Republic die Krise in den meisten Szenarien. Überschreitet die Intensität dieser Informationsübertragung jedoch einen bestimmten Schwellenwert, schlägt die Situation abrupt um—und First Republic scheitert in der Mehrzahl der Simulationen. Ein kleiner Unterschied in der Stärke des Narrativs kann also den Ausschlag zwischen Rettung und Untergang geben. Klassische Gleichgewichtsmodelle können diesen Mechanismus grundsätzlich nicht abbilden, weil sie nicht beschreiben, wie sich ein Prozess über die Zeit aufschaukelt—sie zeigen nur den Endzustand, nicht den Weg dorthin.
Drittens: Die Kanäle interagieren nichtlinear. Hohe Konnektivität allein genügt nicht für starke Ansteckung. Spillover allein auch nicht. Erst die Kombination von Bridge-Einlegern, dicht vernetzten Graphen und hinreichendem Narrativ-Transfer zwischen Instituten erzeugt Ausfallwahrscheinlichkeiten, die deutlich über der Summe der Einzelwirkungen liegen.
Soziale Korrelation als eigenständige Risikodimension
Die konzeptionelle Schlussfolgerung der Autoren verdient besondere Aufmerksamkeit: Sie schlagen vor, „soziale Korrelation”—die Überlappung von Einlegergemeinschaften und Kommunikationskanälen—als eigenständigen, messbaren Risikofaktor zu behandeln. Analog zu korrelierten Vermögenspositionen im Marktrisiko wirkt dieser Faktor nicht über Bilanzkennzahlen, sondern über Erwartungen und Koordinationsdynamiken.
Für Aufsichtsbehörden und Stresstest-Architekturen hätte das praktische Konsequenzen: Maße wie Audience-Overlap, gemeinsame Influencer-Reichweiten oder Retweet-Netzwerke zwischen Einlegergruppen verschiedener Institute ließen sich als Szenarioparameter einführen. Ebenso wäre die Kommunikationspolitik einer Bank—Reaktionsgeschwindigkeit, Glaubwürdigkeit, Tonlage in Krisenzeiten—explizit als Resilienzfaktor modellierbar.
Das Modell selbst bleibt ein „Sandbox”-Instrument mit erkennbaren Grenzen: vereinfachte Bilanzdynamiken, kleine Agentenzahlen, keine Reallokation abgezogener Einlagen, vollständige Beobachtbarkeit der Fundamentaldaten. Diese Einschränkungen sind den Autoren bewusst; sie rahmen ihre Arbeit ausdrücklich als Grundlage für weitergehende, kalibrierte soziale Risikomessung.
Fazit
Der eigentliche Beitrag liegt weniger in der Modellarchitektur als in der konzeptionellen Verschiebung: Bank Runs sind keine reinen Liquiditätsereignisse, die sich in Bilanzrelationen abbilden lassen. Sie sind Kommunikationsereignisse, deren Ausbreitung von der sozialen Topologie der Einlegerschaft abhängt. Wer das ignoriert, betreibt Stresstest-Design an der Realität vorbei—zumindest an der Realität des digitalen Bankenwesens, in dem ein Narrativ auf Twitter bzw. mittlerweile X schneller diffundiert als jede Einlagensicherungsmitteilung.