利用非结构化数据增强体制转换检测：美国国债市场研究

# 利用非结构化数据增强机制转换检测：美国国债市场研究

来源：https://arxiv.org/html/2605.30363

Vidal Mehra²  Jing Chen³  & John Cartlidge¹ 
¹ 布里斯托大学工程数学与技术学院，英国
² Propellant Digital B.V.，荷兰阿姆斯特丹
³ 卡迪夫大学数学学院，英国
[email protected], [email protected], [email protected], [email protected]

###### 摘要

金融市场中的机制转换会重新组织资产价格与宏观变量的联合动态，从而打破任何单一机制的校准。然而，这些转换难以确定：数据信号嘈杂且高度多重共线性，而宣布这些转换的同期文本则是非结构化的。标准机制转换检测仅读取数据面板而忽略此文本，尽管文本通常比其在观察价格中实际显现提前数周就发出了信号。我们通过一个交叉验证两种信号的文本增强型管道来解决这一问题。大型语言模型（LLM）从文本中提出候选转换，然后通过似然比向量自回归（VAR）检验在数据面板上进行验证；同时，任何机制转换检测器提出数据端候选转换，并由第二个LLM通过宽松的文本检查进行确认。由于确认阶段消耗的是候选集而非算法的内部结构，因此数据通道可接受任何数据驱动的检测器——我们在四个可互换的检测器上验证了这一特性。我们将该管道应用于美国国债市场，将2010–2024年的FOMC会议纪要报告与一个包含14个变量的国债/宏观面板配对，所有方法均在此同一面板上进行评估（无面板不匹配混淆）。该管道针对已核实的货币政策机制转换锚定列表（最佳搭配滚动PCMCI作为数据通道）的F1分数达到0.82，检测延迟为当天众数，并且与检测器无关——四个可互换的数据驱动检测器中的任何一个都超越了最强的纯数据基线。

## 1 引言

金融时间序列表现出可重现的机制转换：数据生成过程大致稳定的离散区间，由外部结构性变化引发的过渡所分隔。美国的货币政策使这些例子具体化。在2015年12月加息前后，美联储自全球金融危机以来首次加息并退出零利率下限：2010–2015年量化宽松机制（美联储控制的期限溢价驱动收益率曲线）让位于日益由市场驱动的通胀预期所主导的动态。相反，在2020年3月至2022年初之间，政策利率在COVID-19紧急应对措施下回到零利率下限，大规模资产购买（量化宽松）再次成为约束性工具：期限溢价、交易商资产负债表能力和前瞻性指引文本驱动了收益率曲线动态，而传统的短期利率通道则被有效关闭。

这种现象并不局限于这些时期：随着2022年通胀再度出现，股票–债券相关性改变符号（Campbell et al., 2020，参见https://arxiv.org/html/2605.30363#bib.bib11），并且从股票到长期国债的经典避险通道在2020年3月的几天内崩溃（He et al., 2022，参见https://arxiv.org/html/2605.30363#bib.bib13）。每一个事件，从时间序列角度来看，都是数据生成过程的结构性突变。准确定位这些突变是理解金融市场的基础：收益率、期限溢价和宏观因素之间的相互作用仅在单一机制内是稳定的，因此是可估计的；一个错误的边界会将两种不同的依赖结构混为一谈。例如，图1（参见https://arxiv.org/html/2605.30363#S1.F1）显示，在2015年12月加息前后，债券市场的滞后依赖结构彻底重组：通过滚动PCMCI（Runge et al., 2019，参见https://arxiv.org/html/2605.30363#bib.bib17）恢复的有向无环图（DAG）根节点从量化宽松机制中的美联储控制期限溢价转变为市场驱动的通胀预期。因此，我们要解决的问题是利用所有可用信号准确检测此类机制转换发生的时间点。

多变量时间序列中的机制转换检测是一个成熟的子领域，涵盖Bai–Perron结构性突变检验（Bai and Perron, 2003，参见https://arxiv.org/html/2605.30363#bib.bib36）、PELT（Killick et al., 2012，参见https://arxiv.org/html/2605.30363#bib.bib37）、马尔可夫转换VAR（Sims and Zha, 2006，参见https://arxiv.org/html/2605.30363#bib.bib19），以及在金融领域中的机制感知因果发现方法（Sadeghi et al., 2024，参见https://arxiv.org/html/2605.30363#bib.bib30; Saggioro et al., 2020，参见https://arxiv.org/html/2605.30363#bib.bib23）——关于离线机制转换检测的综述可参见Truong et al.（2020，参见https://arxiv.org/html/2605.30363#bib.bib40）。所有这些方法完全依赖数据信号，这对于国债市场数据来说是一个结构性限制：每日序列是嘈杂且高度多重共线性的，因为相邻期限的收益率、可加的期限溢价和风险中性成分，以及作为收益率线性函数的曲线因子都共同运动。因此，真实机制转换的数据端指纹很容易被日常的共同运动所掩盖，任何基于L2成本或似然的检测器都必须在噪声中吸收这些运动。

对于由外部政策决策（如中央银行货币政策变化）驱动的机制转换，在转换之前、期间和之后都可以获得一个有价值的证据来源：同期文本。FOMC会议纪要¹、中央银行讲话和政策沟通明确阐述了新的政策立场——往往比新动态在观察到的收益率中实际显现提前数周——然而，标准检测器均未使用这一信号。遵循集体智慧方法（Bullock et al., 2024，参见https://arxiv.org/html/2605.30363#bib.bib41），结合来自多个来源的互补信息可以提供比任何单一模态都更丰富的机制变化视图。

¹联邦公开市场委员会（FOMC）是美联储的货币政策制定委员会，负责设定利率并指导美国货币政策，通过关于通胀、就业和金融状况的决策来实现。

我们提出一个文本增强型机制转换检测管道，将文本通道（基于LLM从FOMC会议纪要报告中提出的候选转换）与数据通道（国债/宏观面板数据）相结合，并进行双向跨模态验证：文本端提出的候选转换通过数据端的似然比检验，而来自任何机制转换检测器的数据端候选转换则通过LLM的宽松提示文本检查。数据通道与检测器无关：确认阶段消耗的是候选集而非特定算法的内部结构，因此任何数据驱动的机制转换检测方法都可填充；我们评估了四种方法（PELT、二元分割、Bai–Perron和滚动PCMCI）。LLM限于文本具有明显信号优势的机制级别决策。

#### 贡献。

(i) 一种**与检测器无关**的文本增强型机制检测管道：基于LLM从FOMC会议纪要报告中提出的文本候选转换通过国债/宏观面板上的似然比检验进行验证，而任何数据驱动机制转换检测方法的候选集则通过宽松的跨模态文本检查得到确认；我们用四个可互换的检测器演示了该框架。
(ii) 对2010–2024年美联储通讯与美联储国债数据配对进行的实证评估，每种方法都在一个一致的14变量面板上评分（无面板不匹配混淆）。仅文本通道针对一个包含26个事件的已核实锚定列表获得F1 = 0.82，检测延迟为当天众数；交叉验证管道对于每个数据驱动检测器在统计上具有可比性（F1最高达0.82），且超过了最强的纯数据基线（0.68）。文本端和数据端的错误是互补的，这正是交叉验证设计背后的动机。

图1: 2015年12月美联储加息（美联储后2008年危机以来的首次加息）前后，债券市场的滞后动态性质不同。通过滚动PCMCI恢复的滞后DAG根节点从**期限溢价**（机制1，量化宽松时期的控制变量）转变为**10年期盈亏平衡通胀率**（机制2，泰勒规则输入）；两个机制之间没有稳健的滞后边共享。实线箭头为稳健的直接滞后边；机制1中的虚线箭头为通过其他因子的间接路径。

## 2 相关工作

#### 机制转换检测：

多变量时间序列中的结构性突变检测有着悠久的历史。Bai–Perron框架（Bai and Perron, 2003，参见https://arxiv.org/html/2605.30363#bib.bib36）在全似然条件下执行多重结构性突变检验，采用序列估计器和动态规划估计器确定突变日期。PELT（Killick et al., 2012，参见https://arxiv.org/html/2605.30363#bib.bib37）将机制转换检测表述为成本函数优化，对于可分离成本具有O(n)精确解复杂度，现已成为标准基线。马尔可夫转换VAR（Sims and Zha, 2006，参见https://arxiv.org/html/2605.30363#bib.bib19）通过期望最大化算法联合识别机制标签和每个机制的动态。Truong等人（Truong et al., 2020，参见https://arxiv.org/html/2605.30363#bib.bib40）综述了离线机制转换检测文献。应用于多机制金融数据时，所有这些方法都仅从数据中获取信号，而忽略当期的政策文本；在§4（参见https://arxiv.org/html/2605.30363#S4）中我们将PELT、BinSeg、Bai–Perron和PCMCI作为纯数据基线进行报告。

#### 机制感知的因果发现：

CD-NOD（Huang et al., 2020，参见https://arxiv.org/html/2605.30363#bib.bib22）将非平稳性视为替代变量，Regime-PCMCI（Saggioro et al., 2020，参见https://arxiv.org/html/2605.30363#bib.bib23）通过EM算法联合估计离散机制标签和每个机制的因果结构。Sadeghi等人（Sadeghi et al., 2024，参见https://arxiv.org/html/2605.30363#bib.bib30）将CD-NOD适应于滞后时间序列设定（CD-NOTS）并应用于金融市场。尽管这一研究方向的主要贡献是恢复每个机制的结构，但机制检测子问题与我们的问题相同，我们将这些方法在机制检测方面的输出视为直接基线。本文关注检测；下游的每个机制结构恢复留待未来工作。

#### LLM在因果和时间序列推理中的应用：

初步工作使用LLM作为因果边的先验（Kıcıman et al., 2023，参见https://arxiv.org/html/2605.30363#bib.bib24; Long et al., 2023，参见https://arxiv.org/html/2605.30363#bib.bib25; Vashishtha et al., 2023，参见https://arxiv.org/html/2605.30363#bib.bib26）。后续工作转向LLM抗误差接口：COAT（Liu et al., 2024，参见https://arxiv.org/html/2605.30363#bib.bib32）将LLM驱动的因子提出与统计结构学习配对；Vashishtha等人（Vashishtha et al., 2025，参见https://arxiv.org/html/2605.30363#bib.bib31）表明LLM排序查询比成对边方向查询更可靠。Zečević等人（Zečević et al., 2023，参见https://arxiv.org/html/2605.30363#bib.bib29）记录到LLM经常对记忆内容进行模式匹配而非因果关系推理。

#### 金融领域的LLM：

领域适配的金融LLM，例如BloombergGPT（Wu et al., 2023，参见https://arxiv.org/html/2605.30363#bib.bib43）和开源FinGPT（Yang et al., 2023，参见https://arxiv.org/html/2605.30363#bib.bib44）——由Li等人（Li et al., 2023，参见https://arxiv.org/html/2605.30363#bib.bib45）综述——显示出大模型能够捕获金融特定语言。另一条平行线使用通用LLM直接从金融文本中提取预测信号：Lopez-Lira和Tang（Lopez-Lira and Tang, 2023，参见https://arxiv.org/html/2605.30363#bib.bib46）报告了ChatGPT对新闻标题的情绪预测后续收益，最近IMF的工作将LLM大规模应用于中央银行沟通（International Monetary Fund, 2025，参见https://arxiv.org/html/2605.30363#bib.bib47）。这些方法将LLM视为预测器或情绪提取器；我们则将其限制在机制边界判断上，并将该输出与统计结构性突变检验进行交叉验证，从而对其进行检查而非信任。

图2: 管道架构。**LLM提出器**（阶段A）基于FOMC文本，且**任何数据驱动的机制转换检测器**基于面板产生候选转换，由另一种模态进行交叉验证：LLM候选转换通过似然比检验（阶段B）；检测器候选转换由宽松的LLM文本检查确认（阶段C，此阶段仅消耗候选集，因此任何检测器都可替换）。阶段D进行并集和去重操作得到B；虚线箭头标记跨模态验证。

## 3 从文本数据增强机制检测

货币政策中的机制转换可以以两种互补的方式表现：(i) 作为中央银行沟通中的**叙事转变**，宣布或预先承诺新的政策立场；以及 (ii) 作为收益率、利差和宏观变量联合动态的**结构性突变**。仅基于时间序列面板的统计检测对(ii)敏感，但当叙事领先于数据时，对(i)则视而不见；而纯粹的文本检测器则会错过源自中央银行语料库之外的机制变化（例如，会议间的讲话、金融压力事件）。我们的管道通过双向交叉验证设计调和这两种信号。

具体地，该管道消耗(i) 按发布日期排序的带日期FOMC会议纪要报告语料库 D = {D₁, ..., D_M}，以及 (ii) 同一时期的多变量金融时间序列面板 X ∈ ℝ^(T×N)。它输出一组经过验证的机制边界日期 B。图2（参见https://arxiv.org/html/2605.30363#S2.F2）展示了四个阶段。

#### 阶段A: LLM提出器。

严格提示（算法1，参见https://arxiv.org/html/2605.30363#alg1；完整文本见图3，参见https://arxiv.org/html/2605.30363#S3.F3）将三个标签锚定到明确定义：机制是一种具有稳定反应函数、主导工具和轨迹的多次会议立场；**major_pivot**是机制之间的过渡（缩减购债启动、首次加息、零利率下限退出、框架采纳、“暂时性”→ “持久性”重新框架）。每年0–1次枢轴转换的校准先验（FOMC基准利率）防止过度检测，并且在模棱两可的情况下要求LLM默认选择 **incremental**。

算法1 阶段A：LLM提出器
0: FOMC语料库 D = {D₁, ..., D_M}；严格提示LLM LLM-strict；置信度阈值 θ_A = 0.6
0: 文本驱动候选集 C_LLM
1: C_LLM ← ∅
2: 对于 i = 2, ..., M 执行
3:   (verdict, conf) ← LLM-strict(D_{i-1}, D_i)