通过新闻、情绪与叙事进行宏观经济预测

本研究提出一种将报纸文章中的情绪纳入宏观经济预测的新方法，试图利用全球报纸的叙事与情感来预测工业生产和消费者价格。现有研究大多仅包含正面和负面语调以改进宏观经济预测，且主要关注美国等大型经济体。这些工作主要使用英语叙事来源，因而未能捕捉全球新闻文章中蕴含的多种情绪的完整复杂性。本研究通过将从全球事件、语言和语调数据库（GDELT）提取的广泛情绪纳入宏观经济预测，拓展了现有研究体系。我们提出一种基于双向长短期记忆神经网络（Bi-LSTM）的主题数据过滤方法，用于从GDELT提取情绪分数，并通过比较过滤与未过滤数据的结果证明其有效性。我们使用自回归框架对多种经济体的工业生产和消费者价格建模，发现与三个自回归基准模型相比，纳入全球报纸情绪显著改善了预测。我们用针对 distinct 情绪组的 Interpretability 分析补充预测，发现与快乐和愤怒相关的情绪对我们所预测变量具有最强的预测能力。