机器学习和 FOMC 声明：情绪如何？

美联储于2022年3月开始上调联邦基金利率。此后，几乎所有资产类别均表现不佳，而固定收益资产与股票之间的相关性飙升，导致固定收益作为对冲工具的传统作用失效。

随着资产多元化的价值至少暂时减弱，对联邦公开市场委员会 (FOMC) 前景的客观和量化理解变得越来越重要。

这就是机器学习 (ML) 和自然语言处理 (NLP) 的用武之地。我们将 Loughran-McDonald 情感词列表以及用于 NLP 的 BERT 和 XLNet ML 技术应用于 FOMC 声明，以查看他们是否预期联邦基金利率的变化，然后检查我们的结果是否与股市表现有任何相关性。

Loughran-McDonald 情感词汇表

在计算情绪分数之前，我们首先构建词云来可视化 FOMC 声明中特定词的频率/重要性。

文字云：2017 年 3 月联邦公开市场委员会声明

文字云：2019 年 7 月联邦公开市场委员会声明

尽管美联储 增加 2017 年 3 月的联邦基金利率和 减少 it 在 2019 年 7 月，两个对应语句的词云看起来很相似。 这是因为 FOMC 声明通常包含许多与 FOMC 前景无关的无情绪词汇。 因此，词云无法区分信号和噪声。 但定量分析可以提供一些清晰度。

Loughran-McDonald 情感词列表分析 10-K 文档、收益电话会议记录和其他文本，将词分为以下几类：消极、积极、不确定、诉讼、强模态、弱模态和约束。 我们将此技术应用于 FOMC 声明，将词语指定为正面/鹰派或负面/鸽派，同时过滤掉不太重要的文本，如日期、页码、投票成员和货币政策实施的解释。 然后，我们使用以下公式计算情绪分数：

情感得分 =（正面词 – 负面词）/（正面词 + 负面词）

FOMC 声明：Loughran-McDonald 情绪评分

如上图所示，FOMC 的声明在 2021 年 3 月变得更加积极/鹰派，并在 2021 年 7 月达到顶峰。在随后的 12 个月走软之后，情绪在 2022 年 7 月再次上涨。尽管这些走势可能部分是由复苏推动的从 COVID-19 大流行来看，它们也反映了 FOMC 在过去一年左右的时间里面对不断上升的通胀而变得越来越强硬。

但巨大的波动也表明了 Loughran-McDonald 分析的一个固有缺陷：情绪分数只评估单词，而不评估句子。 例如，在“失业率下降”这句话中，这两个词都被认为是消极/温和的，尽管作为一个句子，该声明表明劳动力市场正在改善，大多数人会将其解释为积极/鹰派。

为了解决这个问题，我们训练了 BERT 和 XLNet 模型来逐句分析语句。

BERT 和 XLNet

Bidirectional Encoder Representations from Transformers 或 BERT 是一种语言表示模型，它使用双向而不是单向编码器来进行更好的微调。 事实上，凭​​借其双向编码器，我们发现 BERT 优于使用单向编码器的 OpenAI GPT。

与此同时，XLNet 是一种广义自回归预训练方法，它还具有双向编码器但没有掩码语言建模 (MLM)，它为 BERT 提供一个句子并优化 BERT 内部的权重以在另一侧输出相同的句子。 然而，在我们向 BERT 提供输入句子之前，我们在 MLM 中屏蔽了一些标记。 XLNet 避免了这一点，这使其成为 BERT 的改进版本。

为了训练这两个模型，我们将 FOMC 声明分为训练数据集、测试数据集和样本外数据集。 我们提取了 2017 年 2 月至 2020 年 12 月的训练和测试数据集以及 2021 年 6 月至 2022 年 7 月的样本外数据集。然后我们应用了两种不同的标记技术：手动和自动。 使用自动标记，我们根据句子是否表示联邦基金利率增加、减少或没有变化，分别给它们赋值 1、0 或无。 使用手动标记，我们将句子分类为 1、0 或无，具体取决于它们是鹰派、鸽派还是中立。

然后我们运行以下公式来生成情绪分数：

情绪分数 =（正面句子 – 负面句子）/（正面句子 + 负面句子）

人工智能模型的性能

预测情绪得分（自动标记）

预测情绪得分（人工标注）

上面的两个图表表明，手动标记更好地捕捉了 FOMC 立场的近期转变。 即使 FOMC 最终降低（或提高）联邦基金利率，每份声明都包含鹰派（或鸽派）的句子。 从这个意义上说，逐句标记可以很好地训练这些 ML 模型。

由于 ML 和 AI 模型往往是黑匣子，因此我们如何解释它们的结果非常重要。 一种方法是应用本地可解释模型不可知解释 (LIME)。 这些应用一个简单的模型来解释一个更复杂的模型。 下面的两个图显示了 XLNet（带有手动标签）如何解读 FOMC 声明中的句子，将第一句解读为积极/强硬的基于劳动力市场的增强和适度扩张的经济活动，将第二句解读为消极的/鸽派的因为消费者价格下降通货膨胀率低于 2%。 该模型对经济活动和通胀压力的判断似乎是恰当的。

LIME 结果：联邦公开市场委员会强势经济判决

LIME 结果：FOMC 弱通胀压力判

结论

通过从声明中提取句子然后评估他们的情绪，这些技术让我们更好地掌握了 FOMC 的政策观点，并有可能使中央银行的沟通在未来更容易解释和理解。

但 FOMC 声明的情绪变化与美国股市回报之间是否存在联系？ 下图绘制了道琼斯工业平均指数 (DJIA) 和纳斯达克综合指数 (IXIC) 的累积回报以及 FOMC 情绪评分。 我们调查了相关性、跟踪误差、超额回报和超额波动，以检测由纵轴衡量的股票回报的制度变化。

股票回报率和 FOMC 声明敏感性评分

结果表明，正如预期的那样，我们的情绪评分确实检测到状态变化，股票市场状态变化和 FOMC 情绪评分的突然变化大致同时发生。 根据我们的分析，纳斯达克可能对 FOMC 情绪评分反应更灵敏。

总的来说，这项研究暗示了机器学习技术对投资管理未来的巨大潜力。 当然，归根结底，这些技术如何与人类判断相结合，将决定其最终价值。

我们要感谢 Yoshimasa Satoh, CFA、Ja​​mes Sullivan, CFA 和 Paul McCaffrey。 Satoh 作为主持人组织和协调了 AI 研究小组，并以深思熟虑的见解审查和修改了我们的报告。 Sullivan 编写了将 PDF 格式的 FOMC 声明转换为文本和摘录及相关信息的 Python 代码。 McCaffrey 为我们完成这份研究报告提供了大力支持。

如果你喜欢这篇文章，别忘了订阅 进取的投资者.

所有帖子均为作者的意见。 因此，它们不应被解释为投资建议，所表达的意见也不一定反映 CFA Institute 或作者雇主的观点。

图片来源：©Getty Images/AerialPerspective Works

CFA 协会会员的专业学习

CFA 协会会员有权自行决定和自行报告所获得的专业学习 (PL) 学分，包括关于 进取的投资者. 会员可以使用他们的在线 PL 跟踪器轻松记录学分。