Прогноз решений ФРС по текстам и экономическим данным

Сводка

Исследование проверяет, дают ли сообщения Федеральной резервной системы полезную информацию для прогнозирования решений по ставке федеральных фондов. В нём сравниваются модели только с экономическими показателями, только с текстовыми признаками и с их сочетаниями, включая классическое машинное обучение, языковые признаки на основе трансформеров и методы глубокого обучения.

Наилучший из представленных результатов получен при сочетании признаков TF-IDF из текстов FOMC с экономическими показателями в классификаторе XGBoost: тестовый показатель AUC составил 0.83. Признаки тональности FinBERT немного улучшили ранжирование, но хуже классифицировали исходы, особенно при несбалансированных классах. Анализ SHAP показывает, что разреженные текстовые признаки теснее связаны с сигналами, значимыми для денежно-кредитной политики. Результаты говорят в пользу прозрачных гибридных моделей, однако во фрагменте мало сведений о формировании выборки, схеме валидации и качестве прогнозов в разные периоды политики. Поэтому их нельзя считать доказательством надёжности прогнозов в реальном времени.

Ключевые идеи

• Сочетание текстовых признаков FOMC с экономическими показателями превзошло модели, использующие только один из этих источников.
• Наилучшая из описанных моделей использовала текстовые признаки TF-IDF и XGBoost; тестовый показатель AUC составил 0.83.
• Тональность FinBERT немного улучшила ранжирование, но хуже справилась с классификацией при несбалансированных классах.
• Анализ SHAP показал, что разреженные текстовые признаки лучше соответствовали сигналам, важным для денежно-кредитной политики.
• Во фрагменте не доказано, что представленное качество сохранится в разные периоды или при торговле на реальном счёте.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.