我们能可靠地预测联邦的下一步动作吗?联合多模态美国货币政策预测方法
投资组合管理
2025-07-01 v1 机器学习
计算金融
摘要
预测中央银行政策决策始终是投资者、金融机构和政策制定者面临的持久挑战,由于货币政策行动的深远影响. 特别是,预判美国联邦基金利率的转变对风险管理和交易策略至关重要. 传统方法仅依赖结构化宏观经济指标往往难以捕捉中央银行通信中嵌入的前瞻性线索. 本研究检验了通过整合中央银行通信中来自结构化数据与非结构化文本信号,能否提高预测准确度. 我们采用多模态框架,比较传统机器学习模型、基于 Transformer 的语言模型和深度学习架构在单模态和混合设置下的表现. 我们的结果表明,混合模型在单模态基线上持续优于单模态. 最佳性能通过将 FOMC 文本的 TF-IDF 特征与经济指标结合到 XGBoost 分类器中实现,测试 AUC 达到 0.83. 基于 FinBERT 的情感特征在排序方面略有提升,但在分类中表现更差,尤其在类别不平衡情况下. SHAP 分析揭示,稀疏、可解释的特征与政策相关信号更 closely 对齐. 这些发现凸显了整合文本和结构化信号具有透明度的重要性. 对于货币政策预测,更简单的混合模型既能提供准确性又能提供可解释性,为研究人员和决策者提供可操作的见解.
引用
@article{arxiv.2506.22763,
title = {Can We Reliably Predict the Fed's Next Move? A Multi-Modal Approach to U.S. Monetary Policy Forecasting},
author = {Fiona Xiao Jingyi and Lili Liu},
journal= {arXiv preprint arXiv:2506.22763},
year = {2025}
}
备注
9 pages, 15 figures