美联储于2022年3月开始提高联邦基金利率，自此之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，使得固定收益作为传统对冲工具的作用失效。
随着资产多元化的价值至少暂时下降，对联邦公开市场委员会（FOMC）的前景取得客观、量化的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 情感词列表和 BERT 和 XLNet ML 技术应用于 NLP，以查看 FOMC 声明是否预测了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关联。
Loughran-McDonald 情感词列表
在计算情感分数之前，我们首先构建了词云来可视化 FOMC 声明中特定词语的频率/重要性。
词云：2017 年 3 月 FOMC 声明
词云：2019 年 7 月 FOMC 声明
尽管美联储 增加 2017 年 3 月的联邦基金利率和 减少 2019 年 7 月，两份相应声明的词云看起来相似。这是因为 FOMC 声明通常包含许多无情绪的词语，与 FOMC 的前景几乎没有关系。因此，词云无法区分信号和噪音。但定量分析可以提供一些清晰度。
Loughran-McDonald 情绪词汇表通过将词汇分为以下类别来分析 10-K 文件、收益电话会议记录和其他文本：消极、积极、不确定性、诉讼、强模态、弱模态和限制。我们将此技术应用于 FOMC 声明，将词汇指定为积极/鹰派或消极/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解释。然后，我们使用以下公式计算情绪得分：
情感分数 = （积极词汇 – 消极词汇）/（积极词汇 + 消极词汇）
FOMC 声明：洛夫兰-麦克唐纳情绪评分
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 个月内走软后，情绪在 2022 年 7 月再次跃升。虽然这些走势可能部分受到新冠疫情后复苏的推动，但也反映了 FOMC 在过去一年左右面对通胀上升而日益增强的鹰派立场。
但大幅波动也表明了洛夫兰-麦克唐纳分析法的一个固有缺陷：情绪评分只评估单词，而不评估句子。例如，在“失业率下降”这句话中，两个词都会被解读为消极/鸽派，尽管作为一个句子，这句话表明劳动力市场正在改善，而大多数人会将其解读为积极/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
Transformers 的双向编码器表示 (BERT) 是一种语言表示模型，它使用双向编码器而非单向编码器进行更好的微调。事实上，我们发现，使用双向编码器的 BERT 比使用单向编码器的 OpenAI GPT 表现更好。
与此同时，XLNet 是一种广义自回归预训练方法，也具有双向编码器，但没有掩码语言建模 (MLM)，它向 BERT 输入一个句子，并优化 BERT 内部的权重以在另一端输出相同的句子。然而，在向 BERT 输入输入句子之前，我们会在 MLM 中屏蔽一些标记。XLNet 避免了这种情况，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。使用自动标记时，我们根据句子是否表示联邦基金利率上升、下降或不变，赋予句子 1、0 或无的值。使用手动标记时，我们根据句子是鹰派、鸽派还是中立，将句子分别归类为 1、0 或无。
然后我们运行以下公式来生成情绪分数：
情感分数 = （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
| BERT （自动贴标） |
XLNet （自动贴标） |
BERT （手动标记） |
XLNet （手动标记） |
|
| 精确 | 86.36％ | 82.14％ | 84.62％ | 95.00% |
| 记起 | 63.33% | 76.67％ | 95.65％ | 82.61％ |
| F 分数 | 73.08% | 79.31％ | 89.80％ | 88.37％ |
预测情绪分数（自动标记）
预测情绪分数（手动标记）
上面的两张图表表明，手动标记更好地反映了 FOMC 立场的近期转变。尽管 FOMC 最终降低了（或提高了）联邦基金利率，但每份声明都包含鹰派（或鸽派）的句子。从这个意义上讲，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。一种方法是应用局部可解释模型无关解释 (LIME)。它们应用一个简单的模型来解释一个复杂得多的模型。下面的两张图显示了 XLNet（带有手动标记）如何解释 FOMC 声明中的句子，根据劳动力市场的加强和适度扩张的经济活动，将第一句解读为积极/鹰派，第二句解读为消极/鸽派，因为消费者价格下降且通胀率低于 2%。该模型对经济活动和通胀压力的判断似乎都是恰当的。
LIME 结果：FOMC 强劲经济声明
LIME 结果：FOMC 通胀压力疲弱
结论
通过从声明中提取句子，然后评估其情绪，这些技术使我们更好地掌握了 FOMC 的政策观点，并有可能使央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) 的累计回报以及 FOMC 情绪得分。我们研究了相关性、跟踪误差、超额回报和超额波动性，以检测股票回报的制度变化，这些变化由纵轴衡量。
股票回报和 FOMC 声明敏感度评分
结果显示，正如预期的那样，我们的情绪评分确实能检测到制度变化，股市制度变化和 FOMC 情绪评分的突然转变大致同时发生。根据我们的分析，纳斯达克可能对 FOMC 情绪评分的反应更为敏感。
总体而言，这项研究暗示了机器学习技术对未来投资管理的巨大潜力。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、James Sullivan, CFA 和 Paul McCaffrey。Satoh 组织并协调了 AI 研究小组，并担任主持人，审阅和修改了我们的报告，提出了深刻的见解。Sullivan 编写了 Python 代码，将 PDF 格式的 FOMC 声明转换为文本和摘录及相关信息。McCaffrey 在我们完成本研究报告的过程中给予了大力支持。
如果你喜欢这篇文章，别忘了订阅 进取的投资者。
所有文章仅代表作者的观点。因此，这些文章不应被视为投资建议，所表达的观点也不一定反映 CFA 协会或作者雇主的观点。
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报告所获得的专业学习 (PL) 学分，包括以下内容 进取的投资者. 会员可以使用在线 PL 追踪器轻松记录积分。
关键词：
