Prévoir les décisions de la Réserve fédérale avec les textes et les données économiques

Résumé

L’étude vérifie si les communications de la Réserve fédérale apportent des informations utiles aux prévisions des décisions relatives au taux des fonds fédéraux. Elle compare des modèles utilisant uniquement des indicateurs économiques, uniquement des caractéristiques textuelles, ou les deux, notamment des méthodes conventionnelles d’apprentissage automatique, des caractéristiques linguistiques fondées sur des transformeurs et des approches d’apprentissage profond.

Le meilleur résultat rapporté combine des caractéristiques TF-IDF extraites des textes du FOMC avec des indicateurs économiques dans un classificateur XGBoost, qui atteint un AUC de test de 0.83. Les caractéristiques de sentiment FinBERT améliorent légèrement le classement, mais classent moins efficacement les résultats, en particulier lorsque les classes sont déséquilibrées. L’analyse SHAP suggère que les caractéristiques textuelles éparses correspondent davantage aux signaux pertinents pour la politique monétaire. Ces résultats plaident en faveur de modèles hybrides transparents, mais l’extrait donne peu de détails sur la constitution de l’échantillon, la conception de la validation ou les performances au cours de différentes périodes de politique monétaire ; le résultat ne doit donc pas être considéré comme la preuve de prévisions fiables en conditions réelles.

Idées clés

• La combinaison de caractéristiques textuelles FOMC avec des indicateurs économiques a dépassé les modèles utilisant séparément chacune de ces sources.
• Le meilleur modèle rapporté utilisait des caractéristiques textuelles TF-IDF et XGBoost, avec un AUC de test de 0.83.
• Le sentiment FinBERT a légèrement amélioré le classement, mais les performances de classification étaient moins bonnes en présence de classes déséquilibrées.
• L’analyse SHAP indiquait que les caractéristiques textuelles éparses correspondaient davantage aux signaux pertinents pour la politique monétaire.
• L’extrait n’établit pas que les performances rapportées se maintiendront au fil des périodes ou en trading réel.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.