Artigo interessante sobre corridas bancárias com ~4k corridas como pontos de dados. Altamente recomendado para qualquer pessoa na indústria de stablecoins, uma vez que as corridas ocorreram principalmente na era anterior às intervenções governamentais (como o seguro FDIC), portanto, o comportamento dos depositantes antes de 1934 parece relevante para os emissores de stablecoins. Primeiro, o artigo constata que as corridas são muito mais prováveis quando um banco tem "fundamentos observáveis fracos". A palavra "observável" faz um trabalho pesado, embora mais adiante no artigo você perceba que bancos com fundamentos fortes não falham em uma corrida. Mas se você é fraco, esconder isso parece importante? Em segundo lugar, os bancos no conjunto de dados tinham 38% mais probabilidade de falhar após uma corrida em comparação com uma taxa de falência bancária de <1% como base. Embora eu não tenha os números, isso parece divergir da experiência de corrida das stablecoins, onde elas parecem praticamente ir a zero. E aquelas que não vão, arrastam-se como zumbis (por exemplo, sUSD) em vez de se recuperarem completamente. Eu me pergunto se isso é uma função de tamanho — USDC e DAI se recuperaram em 2023, mas ambos eram bilhões em tamanho e também estava claro em tempo real que os detentores de USDC poderiam todos retirar ao par devido a alguns fatores idiossincráticos que são detalhes demais para aqui. Curiosamente, ao revisar as respostas dos bancos a uma corrida, aqueles que suspenderam retiradas completamente tinham muito mais probabilidade de falhar do que aqueles que acomodaram todas as retiradas. Estou certo de que há muito viés de sobrevivência nisso, mas os dados são muito desiguais, então parece razoável questionar se o viés sozinho explica a diferença. Um dos conselhos típicos dados historicamente tem sido suspender temporariamente as retiradas. O artigo também analisa os efeitos locais de corridas e falências, mas como uma pessoa de stablecoin, não encontrei nada pessoalmente interessante lá. Note que este conjunto de dados foi acumulado usando LLMs para ler jornais e outros registros, então também há a possibilidade de que algo tenha dado errado sistematicamente na execução do prompt. Artigo de @EmilVerner, Sergio Correia, Stephen Luck. Link no próximo tweet