Can We Reliably Predict the Fed’s Next Move? A Multi-Modal Approach to U.S. Monetary Policy Forecasting
创建于 更新于
摘要
本报告基于多模态学习框架，整合了结构化宏观经济指标与美联储官方文本情感信号，采用多种机器学习和深度学习模型对联邦基金利率决策进行分类预测。基于TF-IDF文本特征与Loughran–McDonald词典情感得分结合经济指标的XGBoost模型表现最佳，测试AUC达0.83，实现准确率77.91%。相较之下，FinBERT情感概率虽丰富语境但分类准确性较低，且受类别不平衡影响显著。模型通过SHAP解释揭示政策惯性、债券收益率差及住房指标等为核心驱动因子，体现了结构化数据与政策话语解析的互补价值，为金融政策预测提供了兼顾性能与透明度的有效解决方案 [page::0][page::4][page::5][page::6][page::7]
