Previsão de decisões do Federal Reserve com textos e dados econômicos

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

Resumo

O estudo testa se as comunicações do Federal Reserve acrescentam informações úteis às previsões de decisões sobre a taxa dos fundos federais. Compara modelos que usam apenas indicadores econômicos, apenas características textuais e combinações dos dois, incluindo métodos convencionais de aprendizado de máquina, características linguísticas baseadas em transformers e abordagens de deep learning.

O resultado mais forte relatado vem da combinação de características TF-IDF de textos do FOMC com indicadores econômicos em um classificador XGBoost, que alcançou AUC de teste de 0.83. As características de sentimento do FinBERT melhoraram um pouco a ordenação, mas classificaram os resultados com menos eficácia, sobretudo em classes desbalanceadas. A análise SHAP sugere que as características textuais esparsas se alinham mais estreitamente a sinais relevantes para a política monetária. Esses resultados favorecem modelos híbridos transparentes, mas o trecho traz poucos detalhes sobre a construção da amostra, o desenho da validação ou o desempenho em diferentes períodos de política monetária; portanto, não devem ser tratados como prova de previsões ao vivo confiáveis.

Ideias principais

A combinação de características textuais FOMC com indicadores econômicos superou modelos que usavam apenas uma dessas fontes.
O melhor modelo relatado usou características textuais TF-IDF e XGBoost, com AUC de teste de 0.83.
O sentimento do FinBERT ajudou modestamente na ordenação, mas teve desempenho inferior na classificação com classes desbalanceadas.
A análise SHAP indicou que características textuais esparsas estavam mais alinhadas a sinais relevantes para a política monetária.
O trecho não demonstra que o desempenho relatado persistirá em diferentes períodos ou no trading ao vivo.

Tags

Renda fixa Aprendizado de máquina Sentimento Estatística Mercados dos EUA

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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.