텍스트와 경제 데이터로 연준 결정 예측

기사 arXiv papers · 저자: Fiona Xiao Jingyi et al.

요약

이 연구는 연방준비제도 커뮤니케이션이 연방기금금리 결정 예측에 유용한 정보를 더하는지 검증합니다. 경제 지표만 사용하는 모델, 텍스트 특성만 사용하는 모델, 둘을 결합한 모델을 비교하며, 전통적인 머신러닝과 트랜스포머 기반 언어 특성, 딥러닝 접근법을 포함합니다.

가장 좋은 결과는 FOMC 텍스트의 TF-IDF 특성을 경제 지표와 결합한 XGBoost 분류기에서 나왔으며, 테스트 AUC는 0.83였습니다. FinBERT 감성 특성은 순위화 성능을 약간 높였지만, 특히 클래스 불균형이 있을 때 결과 분류는 덜 효과적이었습니다. SHAP 분석에 따르면 희소 텍스트 특성은 정책 관련 신호와 더 밀접하게 맞닿아 있습니다. 이러한 결과는 투명한 하이브리드 모델을 지지하지만, 발췌문에는 표본 구성, 검증 설계, 정책 시기별 성능에 관한 세부 정보가 제한적이므로 신뢰할 수 있는 실시간 예측의 증거로 보아서는 안 됩니다.

핵심 아이디어

FOMC 텍스트 특성을 경제 지표와 결합한 모델이 어느 한쪽만 사용한 모델보다 좋은 성능을 보였습니다.
가장 좋은 결과를 낸 모델은 TF-IDF 텍스트 특성과 XGBoost를 사용했으며, 테스트 AUC는 0.83였습니다.
FinBERT 감성 분석은 순위화에 약간 도움이 됐지만 클래스 불균형에서 분류 성능은 더 낮았습니다.
SHAP 분석 결과 희소 텍스트 특성이 정책 관련 신호와 더 밀접하게 맞닿아 있었습니다.
발췌문은 보고된 성능이 시기별로 유지되거나 실거래에서도 이어진다는 점을 입증하지 않습니다.

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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.

텍스트와 경제 데이터로 연준 결정 예측

요약

핵심 아이디어

태그