Atenção à Mudança: Decodificando a Posição da Política Monetária nas Declarações do FOMC com Modelos de Linguagem de Grande Porte

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

March 15, 2026

Autores: Yixuan Tang, Yi Yang

cs.AI

Resumo

As declarações do Federal Open Market Committee (FOMC) são uma fonte primordial de informações sobre política monetária, e até mesmo mudanças sutis em sua redação podem movimentar os mercados financeiros globais. Uma tarefa central é, portanto, medir o tom hawkish-dovish transmitido nesses textos. As abordagens existentes geralmente tratam a detecção de posicionamento como um problema de classificação padrão, rotulando cada declaração isoladamente. No entanto, a interpretação da comunicação de política monetária é inerentemente relativa: as reações do mercado dependem não apenas do tom de uma declaração, mas também de como esse tom se desloca entre as reuniões. Apresentamos o Delta-Consistent Scoring (DCS), uma estrutura livre de anotação que mapeia representações de modelos de linguagem de grande escala (LLM) congelados para escores de posicionamento contínuos, modelando conjuntamente o posicionamento absoluto e os deslocamentos relativos entre reuniões. Em vez de depender de rótulos manuais hawkish-dovish, o DCS utiliza reuniões consecutivas como uma fonte de auto-supervisão. Ele aprende um escore de posicionamento absoluto para cada declaração e um escore de deslocamento relativo entre declarações consecutivas. Um objetivo de consistência-delta incentiva que as mudanças nos escores absolutos estejam alinhadas com os deslocamentos relativos. Isso permite que o DCS recupere uma trajetória de posicionamento temporalmente coerente sem rótulos manuais. Em quatro arquiteturas de LLM diferentes, o DCS supera consistentemente sondas supervisionadas e baselines do tipo LLM-como-juiz, atingindo até 71,1% de precisão na classificação hawkish-dovish em nível de sentença. Os escores resultantes em nível de reunião também são economicamente significativos: eles correlacionam-se fortemente com indicadores de inflação e estão significativamente associados aos movimentos dos rendimentos dos Treasuries. No geral, os resultados sugerem que as representações de LLM codificam sinais de política monetária que podem ser recuperados por meio da estrutura 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.