Осторожно, сдвиг: расшифровка позиции денежно-кредитной политики из заявлений FOMC с помощью больших языковых моделей

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

March 15, 2026

Авторы: Yixuan Tang, Yi Yang

cs.AI

Аннотация

Заявления Федерального комитета по операциям на открытом рынке (FOMC) являются важным источником информации о денежно-кредитной политике, и даже незначительные изменения в их формулировках могут повлиять на глобальные финансовые рынки. Поэтому ключевой задачей является измерение ястребиного или голубиного настроя, передаваемого в этих текстах. Существующие подходы обычно рассматривают определение настроя как стандартную задачу классификации, маркируя каждое заявление изолированно. Однако интерпретация коммуникации в области денежно-кредитной политики по своей природе относительна: рыночные реакции зависят не только от тональности заявления, но и от того, как этот тон меняется от одного заседания к другому. Мы представляем Delta-Consistent Scoring (DCS), безаннотационную систему, которая преобразует представления замороженных больших языковых моделей (LLM) в непрерывные оценки настроя, совместно моделируя абсолютный настрой и относительные межзаседательские сдвиги. Вместо того чтобы полагаться на ручные метки "ястребиный/голубиный", DCS использует последовательные заседания в качестве источника самообучения. Она изучает абсолютную оценку настроя для каждого заявления и относительную оценку сдвига между последовательными заявлениями. Цель дельта-согласованности заключается в том, чтобы изменения абсолютных оценок соответствовали относительным сдвигам. Это позволяет DCS восстанавливать временно согласованную траекторию настроя без ручных меток. На четырех архитектурах LLM DCS последовательно превосходит контролируемые пробы и базовые линии "LLM-как-судья", достигая точности до 71,1% в классификации настроя на уровне предложений. Полученные оценки на уровне заседаний также экономически значимы: они сильно коррелируют с показателями инфляции и существенно связаны с движениями доходности казначейских облигаций. В целом, результаты позволяют предположить, что представления LLM кодируют сигналы денежно-кредитной политики, которые могут быть восстановлены через относительную временную структуру.

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.