Measuring Central Banks communications with machine learning

Abstract

A presente tese está constituída por três artigos que utilizam processamento de linguagem natural e aprendizagem de máquina, tanto não supervisionado como supervisionado, para obter diferentes medidas de anúncios de bancos centrais. No primeiro artigo, quantificamos o otimismo dos anúncios do Banco Central Europeu e da Reserva Federal (Fed). Mostramos, empiricamente, que anúncios mais otimistas têm um efeito na estrutura a termos da taxa de juros. No segundo artigo, analisamos a evolução das atas divulgadas pelo Banco Central do Brasil sob diferentes presidências. Marcamos a discussão da ata em quatro diferentes dimensões macroeconômicas: inflação, crescimento econômico, emprego e política fiscal. Constatamos que a inflação é a principal preocupação, seguida pelo emprego, crescimento e política fiscal. Também descobrimos que a atenção à inflação atinge um máximo histórico durante a presidência de Goldfajn e Campos Neto. No terceiro artigo, desenvolvemos um dicionário de crise com a ajuda de aprendizagem de máquina supervisionada. Com este dicionário, criamos um índice que mede o sentimento de crise das atas do Comitê Federal de Mercado Aberto da Reserva Federal. Mostramos, empiricamente, que o índice prevê o nível e a volatilidade das taxas de juros dos tesouros dos EUA. Mostramos também que o nosso índice supera significativamente o poder preditivo dos índices criados com os dicionários Correa, Harvard-IV e LoughranMcDonald.