論文の概要: Interpreting Fedspeak with Confidence: A LLM-Based Uncertainty-Aware Framework Guided by Monetary Policy Transmission Paths

• arxiv url: http://arxiv.org/abs/2508.08001v2
• Date: Tue, 12 Aug 2025 04:42:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 12:16:51.42967
• Title: Interpreting Fedspeak with Confidence: A LLM-Based Uncertainty-Aware Framework Guided by Monetary Policy Transmission Paths
• Title（参考訳）: 信頼とFedspeakの解釈:通貨政策伝達経路に基づくLLMに基づく不確実性認識フレームワーク
• Authors: Rui Yao, Qi Chai, Jinhai Yao, Siyuan Li, Junhao Chen, Qi Zhang, Hao Wang,
• Abstract要約: 連邦準備制度が使用するスタイル化され、しばしばニュアンスな言語である「Fedspeak」は、暗黙の政策信号と戦略的スタンスを符号化している。 我々はFedspeakを解析・解釈するための不確実性を考慮したフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 30.982590730616746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: "Fedspeak", the stylized and often nuanced language used by the U.S. Federal Reserve, encodes implicit policy signals and strategic stances. The Federal Open Market Committee strategically employs Fedspeak as a communication tool to shape market expectations and influence both domestic and global economic conditions. As such, automatically parsing and interpreting Fedspeak presents a high-impact challenge, with significant implications for financial forecasting, algorithmic trading, and data-driven policy analysis. In this paper, we propose an LLM-based, uncertainty-aware framework for deciphering Fedspeak and classifying its underlying monetary policy stance. Technically, to enrich the semantic and contextual representation of Fedspeak texts, we incorporate domain-specific reasoning grounded in the monetary policy transmission mechanism. We further introduce a dynamic uncertainty decoding module to assess the confidence of model predictions, thereby enhancing both classification accuracy and model reliability. Experimental results demonstrate that our framework achieves state-of-the-art performance on the policy stance analysis task. Moreover, statistical analysis reveals a significant positive correlation between perceptual uncertainty and model error rates, validating the effectiveness of perceptual uncertainty as a diagnostic signal.
• Abstract（参考訳）: 連邦準備制度が使用するスタイル化され、しばしばニュアンスな言語である「Fedspeak」は、暗黙の政策信号と戦略的スタンスを符号化している。 連邦公開市場委員会(Federal Open Market Committee)は、市場期待を形作り、国内と世界の経済状況に影響を及ぼすためのコミュニケーションツールとして、フェドスピークを戦略的に採用している。 このように、Fedspeakの自動解析と解釈は、金融予測、アルゴリズムトレーディング、データ駆動型政策分析に重要な意味を持つ、高いインパクトの課題を提示する。 本稿では、Fedspeakを解読し、その基盤となる金融政策スタンスを分類するためのLLMベースの不確実性対応フレームワークを提案する。 技術的には、Fedspeakテキストの意味的および文脈的表現を強化するために、金融政策伝達機構に根ざしたドメイン固有の推論を取り入れる。 さらに、モデル予測の信頼性を評価するために、動的不確実性復号モジュールを導入し、分類精度とモデルの信頼性を両立させる。 実験結果から,政策スタンス分析タスクにおける現状の成果が得られた。 さらに, 統計的解析により, 知覚不確かさとモデル誤差率との間に有意な正の相関がみられ, 診断信号としての知覚不確かさの有効性が検証された。

関連論文リスト

• Can We Reliably Predict the Fed's Next Move? A Multi-Modal Approach to U.S. Monetary Policy Forecasting [2.6396287656676733]
  本研究では、構造化データと連邦準備制度の通信からの非構造化テキスト信号を統合することにより、予測精度を向上させることができるかどうかを検討する。 以上の結果から,ハイブリッドモデルは単調なベースラインを一貫して上回ることがわかった。 金融政策予測では、より単純なハイブリッドモデルは正確性と解釈可能性の両方を提供し、研究者と意思決定者に実用的な洞察を提供する。
  論文  参考訳（メタデータ） (2025-06-28T05:54:58Z)
• SEED-GRPO: Semantic Entropy Enhanced GRPO for Uncertainty-Aware Policy Optimization [57.69385990442078]
  大規模言語モデル(LLM)は、入力プロンプト(クエスト)にまたがる様々なレベルの信頼を示す。 セマンティックエントロピー(Semantic entropy)は、プロンプトが与えられた複数の生成された回答における意味の多様性を測定し、ポリシー更新の規模を変調するためにこれを使用する。
  論文  参考訳（メタデータ） (2025-05-18T10:20:59Z)
• Deciphering Political Entity Sentiment in News with Large Language Models: Zero-Shot and Few-Shot Strategies [0.5459032912385802]
  政治ニュース記事からエンティティ固有の感情を予測する上で,Large Language Models (LLMs) の有効性を検討する。 我々は、文脈内学習において、合理的に強化されたチェーン・オブ・シント(COT)アプローチを採用する。 文脈内での学習はモデル性能を著しく向上させる一方、自己整合性メカニズムは感情予測の一貫性を高める。
  論文  参考訳（メタデータ） (2024-04-05T19:14:38Z)
• On the Importance of Uncertainty in Decision-Making with Large Language Models [16.960086222920488]
  自然言語を入力とする意思決定問題における不確実性の役割について検討する。 我々は、Laplace Approximation、Dropout、Epinetsなどの不確実性推定に異なる手法を採用する。
  論文  参考訳（メタデータ） (2024-04-03T11:21:23Z)
• FMPAF: How Do Fed Chairs Affect the Financial Market? A Fine-grained Monetary Policy Analysis Framework on Their Language [3.760301720305374]
  大規模言語モデル(LLM)と回帰分析を統合する新しいアプローチであるFMPAF(Fincent-Grained Monetary Policy Analysis Framework)を提案する。 当社の望ましい仕様に基づき、S&P 500 Exchange-Traded Fundの価格上昇に伴うセンチメントスコアのワンユニット上昇が関係している。
  論文  参考訳（メタデータ） (2024-03-10T07:21:31Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• In and Out-of-Domain Text Adversarial Robustness via Label Smoothing [64.66809713499576]
  多様なNLPタスクの基本モデルにおいて,ラベルの平滑化戦略によって提供される対角的ロバスト性について検討する。 実験の結果,ラベルのスムース化は,BERTなどの事前学習モデルにおいて,様々な攻撃に対して,逆方向の堅牢性を大幅に向上させることがわかった。 また,予測信頼度とロバスト性の関係を解析し,ラベルの平滑化が敵の例に対する過度な信頼誤差を減少させることを示した。
  論文  参考訳（メタデータ） (2022-12-20T14:06:50Z)
• Bounded Robustness in Reinforcement Learning via Lexicographic Objectives [54.00072722686121]
  強化学習における政策の堅牢性は、いかなるコストでも望ましいものではないかもしれない。 本研究では,任意の観測ノイズに対して,政策が最大限に頑健になる方法について検討する。 本稿では,どのような政策アルゴリズムにも適用可能なロバストネス誘導方式を提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:53:18Z)
• Dealing with Non-Stationarity in Multi-Agent Reinforcement Learning via Trust Region Decomposition [52.06086375833474]
  非定常性は多エージェント強化学習における厄介な問題である。 ポリシーシーケンスの定常性を明示的にモデル化するための$delta$-stationarity測定を導入する。 共同政策の分岐を推定するために,メッセージパッシングに基づく信頼領域分解ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-02-21T14:46:50Z)
• Reliable Off-policy Evaluation for Reinforcement Learning [53.486680020852724]
  シーケンシャルな意思決定問題において、非政治評価は、目標政策の期待累積報酬を推定する。 本稿では、1つまたは複数のログデータを用いて、ロバストで楽観的な累積報酬推定を提供する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-08T23:16:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。