Fed-Entscheidungen mit Text- und Wirtschaftsdaten prognostizieren

Zusammenfassung

Die Studie prüft, ob Mitteilungen der US-Notenbank zusätzliche nützliche Informationen für Prognosen zu Entscheidungen über den Federal Funds Rate liefern. Sie vergleicht Modelle, die ausschließlich Wirtschaftsindikatoren, ausschließlich Textmerkmale oder eine Kombination aus beidem verwenden, darunter herkömmliches maschinelles Lernen, transformerbasierte Sprachmerkmale und Deep-Learning-Ansätze.

Das stärkste berichtete Ergebnis stammt aus der Kombination von TF-IDF-Merkmalen aus FOMC-Texten mit Wirtschaftsindikatoren in einem XGBoost-Klassifikator, der im Test einen AUC von 0.83 erzielte. FinBERT-Stimmungsmerkmale verbesserten die Rangfolge leicht, klassifizierten Ergebnisse jedoch weniger effektiv, besonders bei unausgewogenen Klassen. Die SHAP-Analyse deutet darauf hin, dass die spärlichen Textmerkmale stärker mit politikrelevanten Signalen übereinstimmen. Diese Ergebnisse sprechen für transparente Hybridmodelle; der Auszug enthält jedoch nur begrenzte Einzelheiten zur Stichprobenbildung, zum Validierungsdesign oder zur Leistung in verschiedenen geldpolitischen Phasen. Daher sind sie kein Beleg für verlässliche Live-Prognosen.

Kernaussagen

• Die Kombination von FOMC-Textmerkmalen mit Wirtschaftsindikatoren übertraf Modelle, die nur eine der beiden Informationsquellen nutzten.
• Das beste berichtete Modell nutzte TF-IDF-Textmerkmale und XGBoost und erreichte im Test einen AUC von 0.83.
• FinBERT-Stimmungsmerkmale verbesserten die Rangfolge leicht, schnitten bei unausgewogenen Klassen aber bei der Klassifikation schlechter ab.
• Die SHAP-Analyse zeigte, dass spärliche Textmerkmale stärker mit politikrelevanten Signalen übereinstimmten.
• Der Auszug belegt nicht, dass die berichtete Leistung über verschiedene Zeiträume oder im Live-Handel bestehen bleibt.

Schlagwörter

# Can We Reliably Predict the Fed's Next Move? A Multi-Modal Approach to U.S. Monetary Policy Forecasting


# Can We Reliably Predict the Fed's Next Move? A Multi-Modal Approach to U.S. Monetary Policy Forecasting









Forecasting central bank policy decisions remains a persistent challenge for investors, financial institutions, and policymakers due to the wide-reaching impact of monetary actions. In particular, anticipating shifts in the U.S. federal funds rate is vital for risk management and trading strategies. Traditional methods relying only on structured macroeconomic indicators often fall short in capturing the forward-looking cues embedded in central bank communications. This study examines whether predictive accuracy can be enhanced by integrating structured data with unstructured textual signals from Federal Reserve communications. We adopt a multi-modal framework, comparing traditional machine learning models, transformer-based language models, and deep learning architectures in both unimodal and hybrid settings. Our results show that hybrid models consistently outperform unimodal baselines. The best performance is achieved by combining TF-IDF features of FOMC texts with economic indicators in an XGBoost classifier, reaching a test AUC of 0.83. FinBERT-based sentiment features marginally improve ranking but perform worse in classification, especially under class imbalance. SHAP analysis reveals that sparse, interpretable features align more closely with policy-relevant signals. These findings underscore the importance of integrating textual and structured signals transparently. For monetary policy forecasting, simpler hybrid models can offer both accuracy and interpretability, delivering actionable insights for researchers and decision-makers.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.