掌握转折点：基于大语言模型解码FOMC声明的货币政策立场
计算与语言
2026-03-17 v1
摘要
联邦公开市场委员会（FOMC）声明是货币政策信息的主要来源，即便是细微的措辞变化也能引发全球金融市场的波动。因此，衡量这些文本传递的鹰派-鸽派立场至为重要。现有方法通常将立场检测视为标准分类问题，孤立地为每条声明贴标签。然而，货币政策沟通的解读本质上是相对性的：市场反应不仅取决于声明的语气，还取决于该语气在不同会议间的变化。我们提出Delta-Consistent Scoring（DCS）方法，构建无需标注的框架，通过联合建模绝对立场与相对跨会议变化，将冻结的大语言模型（LLM）表示映射到连续立场得分。DCS不依赖人工鹰派-鸽派标签，而是将连续会议作为自监督来源。它为每条声明学习绝对立场得分，并为相邻声明间的相对变化得分。delta-一致性目标引导绝对得分变化与相对变化一致，从而在无需人工标签的情况下恢复时序连贯的立场轨迹。在四种LLM主干模型上，DCS均优于监督探针和LLM评判基线，实现最高71.1%的句子级鹰派-鸽派分类准确率。最终的会议级得分亦具备经济意义：它们与通胀指标显著相关，与美债收益率变动呈显著关联。总体而言，结果表明LLM表示中编码了可通过相对时序结构恢复的货币政策信号。
引用
@article{arxiv.2603.14313,
title = {Mind the Shift: Decoding Monetary Policy Stance from FOMC Statements with Large Language Models},
author = {Yixuan Tang and Yi Yang},
journal= {arXiv preprint arXiv:2603.14313},
year = {2026}
}