Predicción de decisiones de la Fed con texto y datos económicos

Artículo arXiv papers · Autor: Fiona Xiao Jingyi et al.

Resumen

El estudio evalúa si las comunicaciones de la Reserva Federal aportan información útil para predecir las decisiones sobre los tipos de los fondos federales. Compara modelos que usan solo indicadores económicos, solo características textuales y combinaciones de ambos, incluidos métodos convencionales de aprendizaje automático, características lingüísticas basadas en transformadores y enfoques de aprendizaje profundo.

El resultado más sólido que se comunica combina características TF-IDF de textos del FOMC con indicadores económicos en un clasificador XGBoost, que obtuvo un AUC de prueba de 0.83. Las características de sentimiento de FinBERT mejoraron ligeramente la clasificación por orden, pero clasificaron los resultados con menor eficacia, sobre todo con clases desequilibradas. El análisis SHAP sugiere que las características textuales dispersas se ajustan mejor a las señales pertinentes para la política monetaria. Estos hallazgos favorecen los modelos híbridos transparentes, pero el fragmento ofrece pocos detalles sobre la construcción de la muestra, el diseño de validación o el rendimiento en distintos periodos de política monetaria; por ello, el resultado no debe considerarse prueba de que las previsiones en vivo sean fiables.

Ideas clave

La combinación de características textuales FOMC con indicadores económicos superó a los modelos que usaban cada fuente por separado.
El mejor modelo comunicado usó características textuales TF-IDF y XGBoost, con un AUC de prueba de 0.83.
El análisis de sentimiento de FinBERT mejoró modestamente la clasificación por orden, pero rindió peor al clasificar con clases desequilibradas.
El análisis SHAP indicó que las características textuales dispersas se alineaban mejor con las señales pertinentes para la política monetaria.
El fragmento no demuestra que el rendimiento comunicado vaya a mantenerse en otros periodos o en el trading en vivo.

Etiquetas

Renta fija Aprendizaje automático Sentimiento del mercado Estadística Mercados de EE. UU.

Texto completo

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.