Word2Prices: 인플레이션 예측을 위한 중앙은행 커뮤니케이션 임베딩

[이매진]

Word2Prices: 인플레이션 예측을 위한 중앙은행 커뮤니케이션 임베딩

https://www.bis.org/publ/work1253.htm

Word2Prices: embedding central bank communications for inflation prediction

work1253 (1).pdf

1.36MB

요약집중하다

텍스트를 숫자로 변환하고 의미와 감정을 포착하는 머신 러닝 도구는 경제 분석의 범위를 확장합니다. 중앙은행 커뮤니케이션은 특히 중요합니다. 중앙은행의 연설, 기자 회견 및 기타 텍스트에는 경제에 대한 정보가 포함되어 있습니다. 그러나 예측 작업을 위해 이 정보를 평가하려면 머신 러닝 도구가 텍스트를 실시간으로 디코딩해야 합니다. 이 논문에서는 분기별로 재교육하는 Word2Vec이라는 가벼운 머신 러닝 모델을 평가합니다. 이 작업은 간단하지만 까다롭습니다. 중앙은행 연설이 샘플에서 인플레이션을 예측하는 데 도움이 될까요?

기부금

대규모 언어 모델의 중요성은 경제학에서 텍스트가 데이터 소스로 사용되는 데 주목하게 되었습니다. 하지만 이러한 모델은 종종 지식 마감일을 투명하게 밝히지 않아 샘플 밖 성과를 테스트하는 능력이 침식됩니다. 또한 대규모 언어 모델은 처음부터 다시 학습하기 위해 상당한 리소스가 필요합니다. 반면 덜 강력한 모델인 Word2Vec은 다시 학습할 수 있습니다. 우리는 유럽 중앙은행 기자 회견 발언으로 추정한 Word2Vec의 인플레이션 예측을 과거 인플레이션 값과 비교합니다.

결과

Word2Vec에서 처리한 텍스트는 여러 분기 앞선 유로존 핵심 인플레이션 예측을 개선합니다. 이는 Word2Vec이 실제로 관련 정보를 포착한다는 것을 나타냅니다. 대규모 언어 모델도 예측을 개선하지만, 예측 편향이 있을 가능성이 높습니다. 경제학에서 일반적으로 사용되는 기존 기술, 예를 들어 특정 단어나 각 텍스트의 전반적인 감정을 세는 것은 더 제한적인 개선을 얻습니다. 또한 이러한 성과는 ECB의 예측으로 설명되지 않는다는 것을 보여주며, Word2Vec이 새로운 정보를 추출한다는 것을 나타냅니다.

---

추상적인

단어 임베딩은 단어와 연관된 실수 벡터로, 텍스트 코퍼스에서 단어 간의 의미적 및 구문적 유사성을 포착하도록 설계되었습니다. 우리는 간단한 자연어 처리 모델(Word2Vec)을 사용하여 통화 정책 기자 회견에서 유럽 중앙 은행의 서두 발언에 대한 단어 임베딩을 추정합니다. 이는 각 기자 회견 당시에 사용 가능한 정보와 모델 매개변수에만 기반합니다. 이러한 임베딩을 기반으로 하는 측정값이 여러 분기 앞선 핵심 인플레이션 예측을 개선하는 데 기여한다는 것을 보여줍니다. 사전 기반 지표나 감정 지표와 같은 다른 일반적인 텍스트 분석 기술은 동일한 결과를 얻지 못합니다. 임베딩에 포함된 정보는 서두 발언에 대한 중요한 입력인 중앙 은행 인플레이션 예측을 통제한 후에도 샘플 외부 예측에 여전히 가치가 있습니다.

JEL 분류: E31, E37, E58

키워드: 임베딩, 인플레이션, 예측, 중앙은행 텍스트