Let op de Wending: Het Ontcijferen van het Monetair Beleidsstandpunt uit FOMC-Verklaringen met Grote Taalmodellen

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

March 15, 2026

Auteurs: Yixuan Tang, Yi Yang

cs.AI

Samenvatting

Verklaringen van de Federal Open Market Committee (FOMC) zijn een belangrijke bron van informatie over het monetair beleid, en zelfs subtiele wijzigingen in de formulering kunnen wereldwijde financiële markten in beweging brengen. Een centrale taak is daarom het meten van de hawkish-dovish (havikachtig-duifachtige) houding die in deze teksten wordt overgebracht. Bestaande benaderingen behandelen stellingherkenning doorgaans als een standaard classificatieprobleem, waarbij elke verklaring geïsoleerd wordt gelabeld. De interpretatie van communicatie over monetair beleid is echter inherent relatief: marktreacties hangen niet alleen af van de toon van een verklaring, maar ook van hoe die toon verschuift tussen vergaderingen. Wij introduceren Delta-Consistent Scoring (DCS), een annotatievrij raamwerk dat ingevroren representaties van grote taalmodellen (LLM's) afbeeldt op continue stelling-scores door zowel de absolute stelling als relatieve verschuivingen tussen vergaderingen gezamenlijk te modelleren. In plaats van te vertrouwen op handmatige hawkish-dovish labels, gebruikt DCS opeenvolgende vergaderingen als bron van zelfsupervisie. Het leert een absolute stelling-score voor elke verklaring en een relatieve verschuif-score tussen opeenvolgende verklaringen. Een delta-consistentiedoelstelling moedigt aan dat veranderingen in absolute scores overeenkomen met de relatieve verschuivingen. Hierdoor kan DCS een tijdelijk coherente stellingtrajectorie herstellen zonder handmatige labels. Over vier LLM-backbones heen presteert DCS consistent beter dan supervised probes en LLM-as-judge baseline-methoden, met een nauwkeurigheid tot 71,1% voor hawkish-dovish classificatie op zinsniveau. De resulterende scores op vergaderingsniveau zijn ook economisch betekenisvol: ze correleren sterk met inflatie-indicatoren en vertonen een significant verband met bewegingen in de Treasury-rendementen. Over het geheel genomen suggereren de resultaten dat LLM-representaties signalen over monetair beleid coderen die kunnen worden gereconstrueerd via relatieve temporele structuur.

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.