美联储制造业情绪：用文本分析预测工业生产

制造情绪：基于文本分析的工业生产预测

摘要：

本文探讨了工业生产与美国自然语言调查回应中表达的情感之间的关联，重点关注制造业公司的观点。研究比较了用于情感分类的自然语言处理（NLP）技术，从基于字典的方法到现代深度学习方法。通过手动标记的样本作为基础事实，研究发现深度学习模型（尤其是经过专门训练以适应数据的人工模型）在分类调查回应的情绪方面表现优于其他方法。研究进一步利用数据的面板性质来训练模型，从而能够利用大量的“自然发生”的标签样本，而无需手动输入。通过每月时间序列的汇总，研究评估了每种情绪度量对工业生产预测的有用程度。结果显示，文本响应提供的信息超越了仅基于同一调查的数值数据，且在样本外预测中表现出改进的效果，特别是在使用深度学习方法和自然存在的标签时。

主题与关键数据：

1. 研究方法：比较了多种NLP技术，包括基于字典的方法、传统的词袋模型和深度学习模型，特别是预训练的BERT模型及其变体。
2. 数据来源：美国采购经理人指数（ISM）制造业调查数据，包含定量分类回答和自由形式的文本回应。
3. 关键发现：
   • 深度学习模型在分类调查文本的情绪方面表现优异，特别是在数据集较小、评论简洁的情况下。
   • 专门训练的模型在保留样本上具有最高的情绪分类准确性。
   • 文本响应包含有用的前瞻性信息，能够提高制造业产出预测的准确性。
   • 使用面板数据进行训练的模型能提供较大的训练样本量，并精确对齐训练数据目标与预测目标。
   • 深度学习模型的可解释性得到提升，通过Shapley分解方法评分每个评论中每个单词的贡献，揭示了聚合情绪指数主要由少数情绪得分极端的单词频率变化解释。

结论：

研究指出，自然语言处理技术，特别是深度学习模型，能够有效地从制造业调查文本中提取情绪信息，并用于预测工业生产。这些技术不仅能够识别情绪倾向，还能通过专门训练适应特定数据集，从而提高预测准确性和提供更深入的解释。这一发现对于经济预测和决策支持具有重要意义。