[en] CONNECTING THE DOTS: ASSIGNING FOMC MEMBERS TO FED DOTS THROUGH SPEECH QUANTIFICATION

• Autor(a) principal: LUCAS ZANIBONI
• Data de Publicação: 2019
• Tipo de documento: Outros
• Idioma: eng
• Título da fonte: Repositório Institucional da PUC-RIO (Projeto Maxwell)
• Texto Completo: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=38929@1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=38929@2; http://doi.org/10.17771/PUCRio.acad.38929
• topic: [pt] POLITICA MONETARIA; [pt] DOTS DO FED; [pt] RASTREAMENTO DE ALVOS; [pt] ALOCACAO DIRICHLET LATENTE; [pt] COMUNICACAO DE BANCOS CENTRAIS; [en] MONETARY POLICY; [en] FED DOTS; [en] TARGET TRACKING; [en] LATENT DIRICHLET ALLOCATION; [en] CENTRAL BANK COMMUNICATION

[pt] Como (1) aponta, a previsibilidade acerca da política monetária pode melhorar a eficácia da política de estabilização de um Banco Central. Nesse artigo, procuramos reduzir a incerteza a respeito de um instrumento de Forward Guidance do Banco Central norte-americano (o Federal Reserve) estimando distribuições de probabilidade completas sobre todas as associações possíveis entre seus membros e o dot plot de taxa de juros para cada reunião. Nossa contribuição para a literatura ocorre em duas frentes: primeiro, propomos um algoritmo Bayesiano geral que estima essas hipóteses de associação entre agentes e ações sempre que elas não são observadas. Além disso, elaboramos uma maneira nova e menos subjetiva para quantificar textos em dados numéricos, usando Alocação Latente Dirichlet (LDA) e modelos econométricos de seleção. Esse método apresenta algumas características desejáveis como uma correlação positiva entre o presidente do FOMC e o resto do comitê, e um ordenamento na postura de política monetária que reflete, ainda que parcialmente, visões de analistas de mercado a respeito desse espectro entre membros mais duros e mais lenientes com a taxa de juros. Nosso algoritmo de rastreamento de alvos também tem bom desempenho num ambiente simulado, no sentido em que, em média, considera como mais provável a verdadeira associação entre membros e dots. Usando dados reais de discursos individuais e dots, ele também consegue atribuir a maior probabilidade para a associação correta na única reunião em que ela é conhecida de fato.