The informative value of central banks talks: a topic model application to sentiment analysis
Notice bibliographique
Résumé
Central banks communication has lately become an important tool to guide expectations and its impact on the economy has been acknowledged by the literature. Nowadays central banks speeches face an increasing variety of topics, which are not discriminated by text analysis. In this paper we build a topic-weighted central bank sentiment index as a combination of machine learning and text analysis techniques to investigate large datasets. First, we develop a methodological framework to grid search the best Latent Dirichlet Allocation (LDA) model to uncover the latent topics in central banks' speeches and releases published between 2000 and 2021. Then, we build a topic-specific sentiment index based on dictionary techniques. Next, we summarise the results in a topic-weighted Central Bank Sentiment Index (CBSIw) for the Bank of Canada (BoC), the Bank of England (BoE), the European Central Bank (ECB) and the Federal Reserve (Fed). We find that the main common driver of the CBSIw is the monetary policy topic, followed by macroprudential policy and payments and settlements. We also uncover bank-specific topics and topics related to new challenges, for example innovation and climate change. Moreover, we find that the CBSIw decreases after the Great Recession, signalling a worsening in sentiment, as well as during the COVID-19 crisis. Finally, we employ a probit regression to further assess the predictive power of our monetary policy topic-specific index. We find that the indicator helps predicting future changes in policy rate, corroborating the evidence that central banks communication signals future monetary policy decisions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».