BANCHIERI CENTRALI E TRASPARENZA
Un algoritmo per svelare i segreti della Fed*

Dopo l’adozione della Forward Guidance a partire dal 2003, c'è stato un aumento della trasparenza della politica monetaria da parte del Federal Open Market Committee (FOMC) Fed. Lo dimostra l'algoritmo Dirichlet Latente

Daisy Laganà

Trent’anni fa, era generalmente riconosciuto che la segretezza e l’enigmaticità facessero parte del modus operandi dei banchieri delle Banche Centrali. Molti di loro ritenevano che le loro azioni dovessero rimanere nel mistero per migliorare l’efficacia della politica monetaria. Tuttavia, nel tempo, grazie ad una crescente evidenza empirica del miglioramento dell’efficacia della politica monetaria grazie all’uso della comunicazione, le banche centrali, inclusa la Federal Reserve, sono diventate notevolmente più trasparenti e hanno iniziato a fare più affidamento sulla comunicazione come strumento di politica monetaria.

Il Federal Open Market Committee (FOMC), l’organo della Federal Reserve incaricato delle decisioni di politica monetaria (nella foto: una riunione), ha segnato nel tempo traguardi significativi verso una più trasparente elaborazione delle politiche monetarie. Forse il progresso più significativo nella comunicazione è stata l’adozione, a partire dall’agosto 2003, della Forward Guidance, indicazioni prospettiche nelle dichiarazioni post-riunione sull’andamento dei tassi ufficiali nel futuro.

Considerata questa maggiore trasparenza nelle dichiarazioni post riunione, possiamo osservare un aumento della proporzione dei contenuti dei verbali di riunione dedicati alla politica monetaria? È questo aumento più visibile durante e dopo la crisi finanziaria globale, sotto la presidenza di Bernanke, quando il FOMC ha utilizzato una Forward Guidance più forte ed esplicita? 

Per rispondere alla domanda, ho analizzato i verbali delle riunioni del FOMC dal 2002 al 2013, durante le presidenze di Alan Greenspan (Gennaio 2002 – Gennaio 2006) e Ben Bernanke (Febbraio 2006 – Dicembre 2012). Attraverso l’uso dell’Allocazione di Dirichlet Latente (in inglese: Latent Dirichlet Allocation o LDA), uno degli algoritmi più popolari nel topic modeling, ho identificato nove temi economici discussi dai membri del FOMC durante i loro incontri, ovvero Programmi di Acquisto di Titoli (APP), Inflazione, Mercato del Lavoro, Politiche Fiscali e Economia Internazionale, Sviluppi Economici Attuali e Prospettici, Mercati Finanziari, Prospettive Economiche, Settori Economici Chiave, e Politica Monetaria e Comunicazione.

Ho osservato che, nel complesso, non c’è una variazione significativa nel tempo della proporzione di questi nove temi. Tuttavia possiamo osservare un aumento della proporzione del tema di Politica Monetaria e Comunicazione a partire dall’uso più deciso della Forward Guidance durante e dopo la crisi finanziaria sotto la presidenza di Ben Bernanke.

In conclusione, i risultati suggeriscono che, sebbene Greenspan abbia posto le fondamenta, Bernanke, spinto anche dalle sue ricerche empiriche, ha orientato la Federal Reserve nella direzione di una maggiore trasparenza della politica monetaria anche attraverso il maggiore utilizzo del linguaggio di Forward Guidance durante e dopo la crisi.

Allocazione Dirichlet Latente: un potente strumento per l’analisi di documenti di Banche Centrali

Ho applicato l’Allocazione di Dirichlet Latente per identificare i temi discussi dal FOMC durante i loro incontri e osservarne la proporzione di questi nel tempo. La maggior parte degli studi empirici in economia tendono ad usare tecniche di estrazione di dati (Data Mining). Tuttavia, anche le tecniche di estrazione di testo (Text Mining) sono molto utili.

In primo luogo, consentono l’analisi di grandi quantità di dati testuali in breve tempo e l’estrazione di informazioni preziose che potrebbero sfuggire alla diretta lettura del ricercatore. In secondo luogo, possono essere utilizzati per un’ampia gamma di scopi, come il recupero di informazioni, il confronto di contenuti, l’analisi del tono/sentimento, e la classificazione e la modellazione di temi. 

Il LDA è uno strumento di Text Mining particolarmente idoneo per l’analisi di documenti di Banche Centrali, e in particolare per la modellazione di temi. LDA è un algoritmo di modellazione in grado di rilevare temi sconosciuti in documenti di testo.

In particolare, il LDA assume che i documenti con temi simili utilizzino un gruppo di parole simili, e che ogni documento sia descritto come una distribuzione probabilistica su temi sconosciuti e ogni tema come una distribuzione probabilistica su parole. In altri termini, ogni documento è un insieme di temi e ogni tema è un insieme di parole. Le parole identificate dal modello con un’elevata probabilità di appartenenza ad un determinato tema di solito danno una buona indicazione del suo contenuto (ad es. le parole Inflazione e Prezzo per il tema dell’Inflazione) e i documenti contenenti tali parole molto probabilmente tratteranno il suddetto tema.

In sintesi, il LDA è uno strumento molto potente e idoneo per scoprire i temi sconosciuti in un’ampia raccolta non strutturata di documenti, con numerose applicazioni oltre a questo studio per svelare l’arte della comunicazione delle Banche Centrali.

La Ricerca completa è stata pubblicata nella terza edizione 2022 di Rivista Bancaria – Minerva Bancaria