Approcci deep learning all'elaborazione del linguaggio naturale dei documenti delle riunioni delle Banche Centrali

In an economic context in which Central Bank communication has become one of the main tools capable to influence the monetary policy of countries without explicit actions, it is essential to carefully analyze any official statement and any financial publication showing their vision of the financial markets over various time horizons. The number of these publications is so large that it is impossible for an analyst to read and analyse them all in a sufficiently short time. This work therefore, in collaboration with Intesa Sanpaolo’s Data Science and Artificial Intelligence Service, proposes to construct a Sentiment Index for the Fed, the central banking system of the United States of America, by analysing a large dataset of official speeches and statements, in order to forecast the Fed funds target. First, an attempt was made to forecast the Fed rate by only considering his time series. Traditional machine learning techniques were then applied to macroeconomic indices only to understand if they were sufficient to make a reliable prediction. Finally, advanced deep learning methods (specifically BERT and FinBERT) were used. For each modeling approach, a backtest was carried out to verify its effectiveness, i.e. to determine the one able to better capture the Fed sentiment. The results show how integrating a Sentiment Index as a feature within a classification model that seeks to predict Fed funds target rate changes improves the performance of the model by far.

In un contesto economico in cui la comunicazione da parte delle Banche Centrali è diventata uno degli strumenti principali capace di influenzare la politica monetaria dei Paesi senza alcuna azione esplicita, è essenziale analizzare attentamente qualsiasi dichiarazione ufficiale e qualsiasi pubblicazione che mostri la propria visione dei mercati finanziari su vari orizzonti temporali. Il numero di queste pubblicazioni è così importante che è impossibile per un analista leggerle e analizzarle tutte in un tempo sufficientemente breve. Dunque, questo lavoro, in collaborazione con l'ufficio Data Science & Artificial Intelligence Service di Intesa Sanpaolo, propone di costruire un indice di sentiment per la Fed, la Banca Centrale degli Stati Uniti d'America, analizzando un grosso dataset di dichiarazioni e discorsi ufficiali, in modo da prevedere i tassi di interesse dei fondi federali. Innanzitutto, è stato effettuato un tentativo di previsione dei tassi considerando solo la serie storica dei dati. Successivamente, sono state applicate tecniche di machine learning tradizionali ai principali indici macroeconomici per valutare se fossero sufficienti a effettuare una predizione affidabile. Infine, sono stati utilizzati metodi avanzati di deep learning (nello specifico, BERT e FinBERT). Per ciascun approccio modellistico è stato effetuato un backtest per verificare la sua efficiacia, ovvero per determinare quello che meglio riesce a catturare il sentiment della Fed. I risultati mostrano come, integrando un indice di sentiment come feature all'interno dei modelli di classificazione che provano a prevedere le variazioni dei tassi di interesse dei fondi federali, le prestazioni dei modelli stessi migliorino.