香港科技大学团队解密美联储话术：AI如何破解货币政策的真实含义

当美联储主席在八分钟讲话中释放紧缩信号时，全球股市瞬间蒸发了近3万亿美元。这种看似微妙的语言变化为何具有如此惊人的影响力？香港科技大学的研究团队最近发表了一项突破性研究，首次揭示了如何利用大型语言模型自动破解美联储公开市场委员会（FOMC）声明中隐藏的货币政策立场。这项研究发表于2026年3月15日的计算语言学会议论文集，编号为arXiv:2603.14313v1，为我们理解央行沟通的复杂性提供了全新视角。

传统上，分析美联储政策立场就像是在解读密码。金融专家们需要仔细研读每一个措辞的变化，从"将考虑加息"到"可能加息"，甚至一个副词的调整都可能预示着政策方向的重大转变。这种分析方式不仅耗时费力，更重要的是，它往往忽略了一个关键因素：政策立场的相对变化。

研究团队发现了一个有趣的现象：一个在绝对意义上显得"鹰派"（倾向于紧缩政策）的声明，如果它比上一次声明更加温和，实际上可能传达的是"鸽派"（倾向于宽松政策）信号。这就像是在看电影评分，一部8分的电影如果前一部是9.5分，观众可能会感到失望；而一部7分的电影如果前一部只有4分，观众反而会觉得进步很大。同样的道理，金融市场对美联储声明的反应不仅取决于当前声明的内容，更在于它相对于前一次声明的变化。

为了解决这个问题，研究团队开发了一种名为"差异一致性评分"（Delta-Consistent Scoring，简称DCS）的创新方法。这种方法的巧妙之处在于，它不依赖人工标注的数据，而是通过分析连续会议声明之间的时间关系来自动学习政策立场的评估标准。

这种方法就像是训练一个专业的"联储语言翻译员"。研究团队首先让大型语言模型分别阅读每个单独的声明和连续两个声明的对比，然后设计了两套"阅读理解"任务：第一套要求模型评估单个声明的绝对政策立场，第二套要求模型判断两个连续声明之间的相对变化。接着，研究团队创造性地引入了一个"一致性约束"：如果两个声明之间存在鹰派转向，那么后一个声明的绝对立场得分应该比前一个更高；反之，如果存在鸽派转向，得分应该更低。

这种设计的精妙之处在于将时间顺序转化为学习信号。就像学习骑自行车时，你不需要有人告诉你每个动作的对错，而是通过保持平衡这个目标来自然调整身体动作。DCS方法也是如此，它通过确保绝对立场得分的变化与相对变化方向保持一致，来自动学习如何准确评估政策立场。

为了验证这种方法的有效性，研究团队在四个不同规模的语言模型上进行了全面测试，模型参数从10亿到140亿不等。令人惊讶的是，尽管DCS方法在训练过程中完全不使用人工标注的立场标签，但在句子级别的鹰派-鸽派分类任务上，它的准确率达到了71.1%，显著超越了传统的监督学习方法和基于提示的语言模型方法。

更重要的是，研究团队发现这种方法产生的会议级别立场评分具有强烈的经济意义。这些评分与消费者价格指数（CPI）和生产者价格指数（PPI）的年度变化呈现出高达0.62和0.55的斯皮尔曼相关系数。这意味着模型提取的政策立场评分能够准确反映真实的通胀环境，而通胀正是货币政策最关注的核心指标之一。

此外，这些立场评分与美国国债收益率的变动也表现出显著的相关性。当研究团队分析FOMC声明发布当天的国债收益率变化时，发现立场评分的提高与2年期、10年期和20年期国债收益率的上升都存在统计学上的显著关系。这一发现验证了DCS方法确实捕捉到了市场参与者关注的政策信号，因为国债收益率的变化直接反映了投资者对未来利率政策的预期调整。

为了进一步验证方法的稳健性，研究团队将分析时段划分为四个不同的货币政策周期：2003-2008年的常规政策期、2008-2015年的近零利率期、2015-2020年的政策正常化期，以及2020-2025年的疫情应对和紧缩周期。每个时期都代表着不同的政策环境和沟通模式。结果显示，DCS方法是唯一在所有四个时期都保持与通胀指标正相关的方法，展现出了出色的跨周期稳定性。

这种稳定性尤其难得，因为不同政策周期的语言特征可能存在显著差异。在接近零利率的时期，传统的加息减息信号基本消失，美联储更多依赖前瞻指引和量化宽松等工具，这时候语言的微妙变化就变得更加重要。而在正常的加息周期中，政策立场的表达可能更加直接。DCS方法能够在这些截然不同的环境中保持一致的表现，说明它确实捕捉到了货币政策沟通的本质规律。

研究团队还进行了详细的组件分析，以了解DCS方法成功的关键因素。他们发现，差异一致性损失函数是最核心的组件，移除这个组件会导致准确率从65%下降到47%，与通胀指标的相关性从0.62下降到0.38。这证实了利用时间结构进行自监督学习的重要性。

同时，置信度正则化项也发挥着重要作用。虽然移除这个组件不会显著影响句子级别的分类性能，但会使与CPI的相关性从0.62下降到0.25，说明这个组件对于校准绝对立场评分的意义重大。

双轴投影设计同样不可或缺。当研究团队尝试用单一的共享表示替代分离的绝对和相对表示时，所有评估指标都出现了下降，证明了分别处理绝对立场和相对变化的必要性。

在模型层级的选择方面，研究团队发现最后一层的隐藏状态提供了最佳的性能，在CPI和PPI相关性上都达到了最高值（分别为0.62和0.55），明显优于中间层的表现。这一发现符合现有研究关于语言模型高级语义信息主要存储在后期层级的认知。

这项研究的意义不仅仅在于技术创新，更在于它为理解央行沟通提供了全新的视角。长期以来，分析师们习惯于将每个政策声明视为独立的信号来源，但这种方法忽略了政策沟通的连续性和相对性特征。DCS方法首次系统性地将这种相对性纳入自动化分析框架，为货币政策分析开辟了新的方向。

从实际应用角度看，这种方法为金融机构、经济学家和政策制定者提供了一个强有力的工具。传统的人工分析不仅耗时耗力，还容易受到主观判断的影响。而DCS方法可以实时、客观地量化政策立场，为投资决策和经济预测提供可靠的数据支持。

特别值得注意的是，这种方法的成功很大程度上得益于大型语言模型预训练表示的丰富性。研究结果表明，这些模型在预训练过程中已经学习到了货币政策相关的语义信息，DCS方法只是提供了一种有效的方式来提取和利用这些信息。这一发现为利用预训练模型分析专业领域文本提供了重要启示。

研究团队在论文中还展示了一个引人深思的时间序列图，显示了从2003年到2025年的美联储政策立场变化轨迹。这条轨迹清晰地反映了美国经济的重大转折点：2008年金融危机带来的政策转向、2015年开始的渐进加息、2020年疫情冲击的紧急降息，以及随后的抗通胀紧缩周期。这种可视化不仅验证了方法的准确性，也为理解美国货币政策的历史演变提供了独特的视角。

当然，这种方法也存在一定的局限性。虽然研究团队通过小样本锚定句子解决了方向性的问题（确保鹰派声明得到高分，鸽派声明得到低分），但这种后处理步骤仍然需要少量的人工介入。此外，方法的表现很大程度上依赖于底层语言模型的质量，随着模型技术的发展，DCS方法的性能也可能会相应提升。

展望未来，这种方法有望扩展到其他央行的政策分析，或者应用于公司财报、政府政策文件等其他需要立场分析的文本类型。随着全球央行沟通透明度的不断提高，准确理解和量化政策信号的需求也在不断增长，DCS方法为满足这种需求提供了一个可行的技术路径。

说到底，这项研究最大的价值在于它揭示了看似客观的政策文本背后隐藏的相对性本质。就像艺术评论一样，我们对一幅画作的评价往往受到之前看过的作品影响，美联储政策声明的市场影响也很大程度上取决于它相对于前期政策的变化。通过巧妙地将这种相对性编码到机器学习模型中，研究团队不仅提高了政策立场分析的准确性，也为我们理解人类语言中的时间和上下文依赖性提供了新的见解。对于那些希望更深入了解这项技术细节的读者，可以通过论文编号arXiv:2603.14313v1查询完整的研究内容。

Q&A

Q1：差异一致性评分DCS方法和传统的美联储政策分析方法有什么区别？

A：传统方法把每个美联储声明当作独立事件来分析，就像单独看每张照片。而DCS方法会同时分析连续两个声明的对比变化，就像看电影一样关注前后情节的转折。这样能更准确捕捉到政策方向的真实变化，因为金融市场往往更关心政策立场的相对变化而不是绝对立场。

Q2：为什么DCS方法不需要人工标注数据就能工作？

A：DCS方法巧妙地利用了时间顺序作为学习信号。它让AI同时学习两个任务：评估单个声明的政策立场，以及判断连续声明间的变化方向。然后通过要求这两个判断保持一致（比如如果检测到鹰派转向，后一个声明的立场得分就应该更高），让AI自动学会正确的评分标准。

Q3：DCS方法的分析结果有多可靠？

A：研究结果显示DCS方法相当可靠。在句子级分类上达到71.1%准确率，与真实通胀数据的相关性高达0.62，与美国国债收益率变动也显著相关。更重要的是，这种方法在2003-2025年四个不同的货币政策周期中都保持稳定表现，证明了它的跨时期稳健性。