Predicting Policy Rate Changes from Central Bank Minutes Using Machine Learning: Evidence from the Czech Republic (1998-2024)

Abstract

Tato diplomová práce zkoumá, jak sentiment zápisů z jednání rady České národní banky (ČNB) předpovídá budoucí změny měnověpolitických sazeb v České republice v letech 1998 až 2024. Dotrénoval jsem jazykový model RoBERTa na komunikaci centrální banky, abych vytvořil index sentimentu zápisů z jednání rady ČNB. Následně jsem odhadl ordered probit model regresí budoucí změny měnověpolitické sazby na tomto indexu sentimentu, přičemž jsem kontroloval současnou změnu sazby a makroekonomické ukazatele. Výsledky ukazují, že sentiment zápisů z jednání rady ČNB je významným a statisticky významným prediktorem budoucích změn měnověpolitických sazeb. Robustnost výsledků je ověřena pomocí dvou alternativních měr sentimentu - indexu sentimentu BERT a sentimentových dummy proměnných RoBERTa - a přeodhadnutím modelu pro dílčí období, což dále podporuje mé závěry. Klíčová slova Česká národní banka, měnověpolitické sazby, analýza sentimentu, transfer learning, RoBERTa, BERT

This thesis investigates how the sentiment of central bank minutes predicts upcoming policy rate changes in the Czech Republic from 1998 to 2024. I fine-tuned the RoBERTa language model on central bank communications to create a sentiment index of the Czech National Bank (CNB) Board meeting minutes. I then estimated an ordered probit model by regressing the upcoming policy rate change on this sentiment index while controlling for the current policy rate change and macroeconomic indicators. My results show that the sentiment of CNB minutes is a sizeable and statistically significant predictor of upcoming policy rate changes. Robustness checks using two alternative sentiment measures - a BERT sentiment index and RoBERTa sentiment dummies - and re-estimation of the model for subperiods further support my findings. Keywords Czech National Bank, Policy Rates, Sentiment Analysis, Transfer Learning, RoBERTa, BERT