Atención al Cambio: Decodificando la Postura de la Política Monetaria en las Declaraciones de la FOMC mediante Modelos de Lenguaje a Gran Escala
Mind the Shift: Decoding Monetary Policy Stance from FOMC Statements with Large Language Models
March 15, 2026
Autores: Yixuan Tang, Yi Yang
cs.AI
Resumen
Las declaraciones del Comité Federal de Mercado Abierto (FOMC) son una fuente principal de información sobre política monetaria, y hasta cambios sutiles en su redacción pueden mover los mercados financieros globales. Una tarea central es, por lo tanto, medir la postura halcón-paloma transmitida en estos textos. Los enfoques existentes suelen tratar la detección de la postura como un problema de clasificación estándar, etiquetando cada declaración de forma aislada. Sin embargo, la interpretación de la comunicación de política monetaria es inherentemente relativa: las reacciones del mercado dependen no solo del tono de una declaración, sino también de cómo ese tono cambia entre reuniones. Introducimos la Puntuación Delta-Consistente (DCS), un marco libre de anotación que mapea representaciones de modelos de lenguaje grandes (LLM) congelados a puntuaciones de postura continuas mediante el modelado conjunto de la postura absoluta y los cambios relativos entre reuniones. En lugar de depender de etiquetas manuales halcón-paloma, DCS utiliza reuniones consecutivas como fuente de auto-supervisión. Aprende una puntuación de postura absoluta para cada declaración y una puntuación de cambio relativo entre declaraciones consecutivas. Un objetivo de consistencia-delta incentiva que los cambios en las puntuaciones absolutas se alineen con los cambios relativos. Esto permite a DCS recuperar una trayectoria de postura temporalmente coherente sin etiquetas manuales. En cuatro arquitecturas base de LLM, DCS supera consistentemente a los métodos supervisados y a las líneas base de LLM-como-juez, logrando hasta un 71.1% de precisión en la clasificación halcón-paloma a nivel de oración. Las puntuaciones resultantes a nivel de reunión también son económicamente significativas: se correlacionan fuertemente con indicadores de inflación y están significativamente asociadas con los movimientos de los rendimientos de los bonos del Tesoro. En general, los resultados sugieren que las representaciones de los LLM codifican señales de política monetaria que pueden recuperarse mediante una estructura temporal relativa.
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.