Attention au changement : Décoder l'orientation de la politique monétaire à partir des déclarations du FOMC grâce aux grands modèles de langage

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

March 15, 2026

Auteurs: Yixuan Tang, Yi Yang

cs.AI

Résumé

Les déclarations du Federal Open Market Committee (FOMC) constituent une source majeure d'information sur la politique monétaire, et même des modifications subtiles dans leur formulation peuvent faire bouger les marchés financiers mondiaux. Une tâche centrale consiste donc à mesurer la position hawkish-dovish véhiculée dans ces textes. Les approches existantes traitent généralement la détection de position comme un problème de classification standard, en étiquetant chaque déclaration de manière isolée. Cependant, l'interprétation de la communication de politique monétaire est intrinsèquement relative : les réactions des marchés dépendent non seulement du ton d'une déclaration, mais aussi de la façon dont ce ton évolue d'une réunion à l'autre. Nous présentons le Delta-Consistent Scoring (DCS), un cadre d'évaluation sans annotation qui cartographie les représentations de grands modèles de langage (LLM) figés vers des scores de position continus en modélisant conjointement la position absolue et les changements relatifs entre les réunions. Plutôt que de s'appuyer sur des étiquettes manuelles hawkish-dovish, le DCS utilise des réunions consécutives comme source d'auto-supervision. Il apprend un score de position absolue pour chaque déclaration et un score de changement relatif entre des déclarations consécutives. Un objectif de cohérence delta encourage les changements dans les scores absolus à s'aligner sur les changements relatifs. Cela permet au DCS de reconstituer une trajectoire de position temporellement cohérente sans étiquettes manuelles. Sur quatre architectures de LLM, le DCS surpasse constamment les sondes supervisées et les bases de référence de type LLM-comme-juge, atteignant jusqu'à 71,1 % de précision sur la classification hawkish-dovish au niveau de la phrase. Les scores obtenus au niveau de la réunion sont également significatifs d'un point de vue économique : ils présentent une forte corrélation avec les indicateurs d'inflation et sont significativement associés aux mouvements des rendements des obligations d'État. Globalement, les résultats suggèrent que les représentations des LLM encodent des signaux de politique monétaire qui peuvent être récupérés grâce à une structure temporelle relative.

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.