La entrada de hoy corresponde al Segundo Premio del Concurso Nada es Gratis a la divulgación de Trabajos de Fin de Máster en Economía, con el que Miguel fue galardonado.
En el contexto actual, es evidente que el avance de las nuevas tecnologías está influyendo y determinando el estilo de vida de la sociedad. La rápida difusión de noticias y la aparente necesidad de mantenerse al tanto condicionan las acciones de las personas, así como la forma en que los medios de comunicación e instituciones se comunican. La economía no escapa a este desarrollo tecnológico, y tanto las empresas como las instituciones económicas están implementando estrategias para absorber la gran cantidad de información disponible y, al mismo tiempo, para difundir sus mensajes al mayor número posible de personas.
Además de este nuevo panorama sociológico, la economía se enfrenta al impacto causado por la pandemia y la complicación adicional derivada de la invasión rusa de Ucrania. Tras la pandemia, la paralización de la actividad económica resultó en escasez de suministros en los meses siguientes, provocando un aumento repentino de la inflación. Posteriormente, la invasión rusa de Ucrania limitó las importaciones de bienes energéticos, intensificando aún más la inflación que ya se encontraba en niveles elevados. A pesar de la normalización de los precios de los productos energéticos en los meses siguientes, los precios continuaron siendo afectados por los efectos de segunda ronda, elevando el precio del resto de la cesta de productos. Nuestro análisis se llevó a cabo en agosto, cuando el BCE acababa de aumentar sus tres tipos de interés principales en 25 puntos básicos en la reunión de julio, la novena subida consecutiva. Aunque la inflación general mostraba un declive desde su punto máximo y la economía daba señales iniciales de debilitamiento, la inflación subyacente, que excluye los precios de la energía y los alimentos sin elaborar, permanecía elevada de manera persistente. En este contexto, era difícil prever la política futura del BCE.
La pregunta central en mi TFM es si las ruedas de prensa posteriores a las reuniones de política monetaria podrían ser útiles para predecir los movimientos del BCE. Para abordar esta cuestión, nuestra estrategia consistió en utilizar técnicas de Procesamiento de Lenguaje Natural para analizar las ruedas de prensa del BCE, incluyendo las preguntas de los periodistas y sus respectivas respuestas, con el objetivo de evaluar el sentimiento asociado a la inflación y al crecimiento económico.
Para ello, desarrollamos una red neuronal que generaba diccionarios, definiendo diccionario como una lista de palabras presentes en un contexto específico. Particularmente, la red neuronal implementaba el algoritmo Skip-Gram, el cual distribuye todas las palabras de los textos de entrenamiento en un espacio vectorial de 100 dimensiones, de tal forma que minimiza la distancia de los vectores que representaban las palabras que aparecen en contextos similares. Entrenamos la red neuronal en publicaciones del BCE, específicamente utilizando las conferencias de prensa con preguntas y respuestas (Press Conference with Q&A) cuya frecuencia es de 6 semanas, los boletines económicos (Economic Bulletin) desde 2015 y de frecuencia mensual, y las actas de las reuniones del Comité Ejecutivo del BCE que preceden a las conferencias de prensa (Accounts), también desde 2015 y publicadas a su vez cada 6 semanas.
Posteriormente, a partir de los textos, la red neuronal generó cuatro diccionarios que etiquetamos como: inflación, deflación, crecimiento económico y recesión económica, que contenían las 300 palabras más frecuentes en estos contextos en los textos del BCE. Utilizamos estos diccionarios para crear dos índices de sentimiento: el Índice de Sentimiento de Inflación y el Índice de Sentimiento de Crecimiento Económico.
Con estos índices, pudimos asignar un valor al sentimiento inflacionario y al sentimiento económico de cada conferencia de prensa. El índice se calculó como una diferencia ponderada del número de palabras de cada diccionario presentes en cada conferencia de prensa. Por ejemplo, el índice inflacionario de una rueda de prensa se obtuvo restando el número de palabras del diccionario de deflación al número de palabras del diccionario de inflación, dividido por la suma de ambos. El índice de sentimiento de crecimiento económico se calculó de manera análoga.
Aquí podemos ver la serie histórica del Sentimiento de Inflación (ISI) y del Sentimiento de Crecimiento Económico (EGSI) aplicados a las ruedas de prensa desde 1998, y su correlación con la tasa de crecimiento anual del HIPC y la tasa de crecimiento anual del PIB real de la Zona Euro respectivamente.
Figura 1. Tasa de crecimiento anual del IPC armonizado de la Zona Euro (%) (escala derecha) e Índice de Sentimiento de Inflación.
Figura 2 . Tasa de crecimiento anual del PIB real de la Zona Euro(%) e Índice de Sentimiento de Crecimiento Económico (escala derecha).
Posteriormente, una vez comprobada la correlación de los índices con los indicadores económicos, implementamos un modelo ARDL (Autorregresive Dynamic Lag Model) para evaluar cuán bien los sentimientos de conferencias de prensa pasadas explicaban el tipo de interés en las Operaciones Principales de Refinanciación (MRO por sus siglas en inglés) de la siguiente reunión del BCE.
Para nuestra sorpresa, el modelo utilizando como regresores el sentimiento de inflación pasado, dos rezagos del sentimiento económico y dos rezagos del tipo de interés, correlacionaba muy bien con el tipo de interés, obteniendo un R^2 de 0,94. Además, los estadísticos de los coeficientes de esta regresión mostraban que únicamente el tipo de interés pasado y el sentimiento de inflación eran estadísticamente significativos. No obstante, mantuvimos el resto de los regresores, ya que mejoraban los resultados. Aquí podemos ver los resultados del tipo MRO impuesto por el BCE y la predicción realizada por el modelo.
Figura 3. Tipo de interés oficial en las Operaciones Principales de Refinanciación del BCE y las predicciones realizadas por nuestro modelo.
Además, los signos de los coeficientes de los rezagos del tipo y del sentimiento de inflación eran positivos, lo que interpretamos como una correlación positiva entre estos y el tipo impuesto en la siguiente reunión.
Tras confirmar que nuestros índices eran capaces de explicar el tipo de interés futuro, investigamos cómo estos podían mejorar la predicción de los tipos de interés en comparación con una regresión que incluía rezagos de la tasa de crecimiento del PIB de la Zona Euro y la tasa anual de crecimiento del HIPC como regresores.
Cuando incluíamos los indicadores de sentimiento a la regresión que tan solo incluía los indicadores económicos tradicionales obteníamos un pequeño incremento del R^2, sin haber una mejora significativa. Sin embargo, el resultado más relevante se obtuvo al aplicar un test de causalidad de Granger. Rechazamos la hipótesis nula de que el índice de sentimiento de inflación no tenía causalidad de Granger sobre el futuro tipo de interés. Con ello, concluimos que existe información que podemos obtener a través de los sentimientos, la cual no podemos medir con la tasa de crecimiento del PIB e inflación.
Además, el Test de Granger indicó que el sentimiento de Crecimiento Económico no tenía causalidad sobre el tipo de interés. Esto no sorprende, ya que, aunque los bancos centrales observan el crecimiento económico, su principal objetivo es preservar la estabilidad de precios, centrando su política monetaria en controlar la inflación y dejando la política económica a los gobiernos.
Otro resultado observado al analizar los errores de nuestra regresión fue que estos aumentan en episodios de alta inflación o recesión económica, lo cual no es sorprendente dado que la política monetaria se vuelve más impredecible en tales periodos.
Por lo tanto, nuestro estudio revela la utilidad de analizar los sentimientos expresados en las conferencias de prensa del BCE para anticipar las decisiones de política monetaria y cómo estos sentimientos mejoran las predicciones de tipos de interés futuros realizadas solo con indicadores económicos convencionales. Por supuesto, el uso de técnicas más avanzadas (deep learning) podrían mejorar estos resultados llevando a predicciones más precisas.
Finalmente, me gustaría agradecer a Silvia Hernández y Matthias Kredler, por todas sus enseñanzas y porque sin ellos este proyecto no habría sido posible.