Attenzione al Cambiamento: Decodificare l'Orientamento della Politica Monetaria dalle Dichiarazioni dell'FOMC con i Modelli Linguistici di Grande Dimensione

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

March 15, 2026

Autori: Yixuan Tang, Yi Yang

cs.AI

Abstract

Le dichiarazioni del Federal Open Market Committee (FOMC) rappresentano una fonte primaria di informazioni sulla politica monetaria, e persino sottili modifiche nella loro formulazione possono muovere i mercati finanziari globali. Un compito centrale è quindi misurare l'orientamento "falco-colomba" trasmesso da questi testi. Gli approcci esistenti tipicamente trattano il rilevamento dell'orientamento come un problema di classificazione standard, etichettando ogni dichiarazione in isolamento. Tuttavia, l'interpretazione della comunicazione di politica monetaria è intrinsecamente relativa: le reazioni del mercato dipendono non solo dal tono di una dichiarazione, ma anche da come quel tono cambia tra le diverse riunioni. Introduciamo il Delta-Consistent Scoring (DCS), un framework che non richiede annotazioni e che mappa le rappresentazioni di modelli linguistici di grandi dimensioni (LLM) "congelati" a punteggi di orientamento continui, modellando congiuntamente l'orientamento assoluto e i cambiamenti relativi tra le riunioni. Piuttosto che affidarsi a etichette manuali falco-colomba, il DCS utilizza riunioni consecutive come fonte di auto-supervisione. Apprende un punteggio di orientamento assoluto per ogni dichiarazione e un punteggio di cambiamento relativo tra dichiarazioni consecutive. Un obiettivo di "coerenza del delta" incoraggia l'allineamento delle variazioni nei punteggi assoluti con i cambiamenti relativi. Ciò consente al DCS di ricostruire una traiettoria di orientamento temporalmente coerente senza etichette manuali. Su quattro architetture LLM di base, il DCS supera costantemente le sonde supervisionate e i baseline di tipo "LLM-as-judge", raggiungendo una precisione fino al 71,1% nella classificazione falco-colomba a livello di frase. I punteggi a livello di riunione risultanti sono anche economicamente significativi: mostrano una forte correlazione con gli indicatori di inflazione e sono significativamente associati ai movimenti dei rendimenti dei Treasury. Nel complesso, i risultati suggeriscono che le rappresentazioni degli LLM codificano segnali di politica monetaria che possono essere recuperati attraverso la struttura temporale 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.