Achtung, Wechsel: Entschlüsselung der geldpolitischen Ausrichtung aus FOMC-Statements mit Large Language Models

Mind the Shift: Decoding Monetary Policy Stance from FOMC Statements with Large Language Models

March 15, 2026

Autoren: Yixuan Tang, Yi Yang

cs.AI

Zusammenfassung

Die Stellungnahmen des Federal Open Market Committee (FOMC) sind eine wichtige Quelle für geldpolitische Informationen, und selbst subtile Änderungen in deren Formulierung können die globalen Finanzmärkte bewegen. Eine zentrale Aufgabe besteht daher darin, die in diesen Texten vermittelte hawkische bzw. dovische Haltung zu messen. Bisherige Ansätze behandeln die Erkennung der Haltung typischerweise als ein Standard-Klassifikationsproblem, bei dem jede Stellungnahme isoliert bewertet wird. Die Interpretation geldpolitischer Kommunikation ist jedoch inhärent relativ: Marktreaktionen hängen nicht nur vom Ton einer Stellungnahme ab, sondern auch davon, wie sich dieser Ton von Sitzung zu Sitzung verschiebt. Wir stellen Delta-Consistent Scoring (DCS) vor, ein annotierungsfreies Framework, das eingefrorene Repräsentationen großer Sprachmodelle (LLM) durch die gemeinsame Modellierung absoluter Haltung und relativer Verschiebungen zwischen den Sitzungen auf kontinuierliche Haltungswerte abbildet. Anstatt sich auf manuelle Hawkish-Dovish-Labels zu verlassen, nutzt DCS aufeinanderfolgende Sitzungen als Quelle für Selbstüberwachung. Es lernt einen absoluten Haltungswert für jede Stellungnahme und einen relativen Verschiebungswert zwischen aufeinanderfolgenden Stellungnahmen. Ein Delta-Konsistenz-Ziel fördert die Übereinstimmung von Änderungen der absoluten Werte mit den relativen Verschiebungen. Dies ermöglicht es DCS, einen zeitlich kohärenten Haltungspfad ohne manuelle Labels zu rekonstruieren. Über vier LLM-Backbones hinweg übertrifft DCS durchgängig überwachte Probes und LLM-as-Judge-Baselines und erreicht bis zu 71,1 % Genauigkeit bei der hawkish-dovish Klassifikation auf Satzebene. Die resultierenden Werte auf Sitzungsebene sind auch ökonomisch bedeutsam: Sie korrelieren stark mit Inflationsindikatoren und weisen eine signifikante Assoziation mit Bewegungen der Treasury-Renditen auf. Insgesamt deuten die Ergebnisse darauf hin, dass LLM-Repräsentationen geldpolitische Signale codieren, die durch relative temporale Struktur rekonstruiert werden können.

English

Federal Open Market Committee (FOMC) statements are a major source of monetary-policy information, and even subtle changes in their wording can move global financial markets. A central task is therefore to measure the hawkish--dovish stance conveyed in these texts. Existing approaches typically treat stance detection as a standard classification problem, labeling each statement in isolation. However, the interpretation of monetary-policy communication is inherently relative: market reactions depend not only on the tone of a statement, but also on how that tone shifts across meetings. We introduce Delta-Consistent Scoring (DCS), an annotation-free framework that maps frozen large language model (LLM) representations to continuous stance scores by jointly modeling absolute stance and relative inter-meeting shifts. Rather than relying on manual hawkish--dovish labels, DCS uses consecutive meetings as a source of self-supervision. It learns an absolute stance score for each statement and a relative shift score between consecutive statements. A delta-consistency objective encourages changes in absolute scores to align with the relative shifts. This allows DCS to recover a temporally coherent stance trajectory without manual labels. Across four LLM backbones, DCS consistently outperforms supervised probes and LLM-as-judge baselines, achieving up to 71.1% accuracy on sentence-level hawkish--dovish classification. The resulting meeting-level scores are also economically meaningful: they correlate strongly with inflation indicators and are significantly associated with Treasury yield movements. Overall, the results suggest that LLM representations encode monetary-policy signals that can be recovered through relative temporal structure.