基于LLM的Fedspeak解读框架：引入不确定性感知，引导货币政策传导路径

Fedspeak是美国联邦储备局使用的符合规范且常常含糊的语言，编码了隐含的政策信号和战略立场。美联�开放市场委员会战略性地将Fedspeak作为一种沟通工具，用于塑造市场预期并影响国内外经济条件。因此，自动解析和解读Fedspeak是一个具有高影响力的挑战，对金融预测、算法交易和数据驱动的政策分析具有重大意义。在本文中，我们提出了一种基于LLM的、不确定性感知的框架，用于解读Fedspeak并分类化其 underlying monetary policy stance。技术上，为丰富Fedspeak文本的语义和上下文表示，我们融合了基于货币政策传导机制的领域特定推理。我们进一步引入动态不确定性解码模块来评估模型预测的置信度，从而提高分类准确度和模型可靠性。实验结果表明，我们的框架在政策立场分析任务上实现了SOTA性能。此外，统计分析揭示了感知不确定性与模型错误率之间存在显著正相关性，验证了将感知不确定性作为诊断信号的有效性。