תחזית החלטות הפד באמצעות טקסט ונתונים כלכליים

מאמר arXiv papers · מחבר: Fiona Xiao Jingyi et al.

סיכום

המחקר בודק אם הודעות הפדרל ריזרב מוסיפות מידע מועיל לתחזיות על החלטות הריבית הפדרלית. הוא משווה מודלים המשתמשים רק במדדים כלכליים, רק במאפייני טקסט או בשילוב ביניהם, לרבות למידת מכונה קונבנציונלית, מאפייני שפה המבוססים על שנאים וגישות למידה עמוקה.

התוצאה החזקה ביותר שדווחה מתקבלת משילוב מאפייני TF-IDF מטקסטים של FOMC עם מדדים כלכליים במסווג XGBoost, שהשיג AUC בדיקה של 0.83. מאפייני הסנטימנט של FinBERT שיפרו מעט את הדירוג, אך סיווגו תוצאות באופן פחות יעיל, במיוחד כאשר המחלקות לא היו מאוזנות. ניתוח SHAP מצביע על כך שמאפייני הטקסט הדלילים תואמים יותר לאותות הרלוונטיים למדיניות. הממצאים תומכים במודלים היברידיים שקופים, אך הקטע מפרט מעט על בניית המדגם, מבנה האימות או הביצועים בתקופות מדיניות שונות; לכן אין לראות בתוצאה הוכחה לתחזיות אמינות בזמן אמת.

רעיונות מרכזיים

שילוב מאפייני טקסט מסוג FOMC עם מדדים כלכליים גבר על מודלים שהשתמשו בכל מקור בנפרד.
המודל הטוב ביותר שדווח השתמש במאפייני טקסט מסוג TF-IDF וב-XGBoost, עם AUC בדיקה של 0.83.
הסנטימנט של FinBERT שיפר במעט את הדירוג, אך הסיווג היה פחות יעיל כאשר המחלקות לא היו מאוזנות.
ניתוח SHAP הצביע על כך שמאפייני טקסט דלילים תאמו יותר לאותות הרלוונטיים למדיניות.
הקטע אינו מוכיח שהביצועים המדווחים יישמרו בתקופות אחרות או במסחר בזמן אמת.

תגיות

ניירות ערך בעלי הכנסה קבועה למידת מכונה סנטימנט שוק סטטיסטיקה שווקי ארצות הברית

הטקסט המלא

# 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.

מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0

הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.