LabelFusion-TS: Fusing Large Language Models, Transformer Encoders, and Financial Time Series for Monetary-Policy Stance Classification
Di cosa parla
Si verifica se i dati di mercato che precedono un comunicato aiutano a classificare il tono delle frasi della banca centrale come hawkish (orientato all’inasprimento), dovish (orientato all’allentamento) o neutro. Per farlo si combina un grande modello linguistico con modelli che analizzano l’andamento di mercato; avendo poche etichette umane disponibili (circa mille), il modello linguistico viene prima addestrato su etichette generate automaticamente e poi rifinito con quelle umane.
Cosa permette di osservare
Permette di esplorare se integrare i dati di mercato, oltre al solo testo, cambia la lettura del tono delle comunicazioni di politica monetaria, e quanto si può ottenere ricorrendo a etichette automatiche quando le etichette umane sono scarse.
Dalla fonte
Financial text is produced and interpreted within a market environment, yet financial text classifiers almost always receive text alone. We study whether financial time series are useful as an additional input on the task of classifying sentences from Federal Reserve communication as hawkish, dovish, or neutral. Our system, \lfts{}, extends the \lf{} architecture with this modality: a small voting network combines three independently trained components, a fine-tuned RoBERTa encoder, a prompted large language model (LLM), and a fused ensemble of time-series transformers over the market series of the months preceding publication. Because only about a thousand annotated sentences are available for training, the RoBERTa encoder is first pre-trained on sentences annotated automatically by the LLM and only then fine-tuned on the human labels. Trained on Federal Open Market Committee (FOMC) co…