Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Unveiling the sentiment behind central bank narratives: A novel deep learning index

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F23%3ADIW4GPHP" target="_blank" >RIV/00216208:11320/23:DIW4GPHP - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://www.scopus.com/inward/record.uri?eid=2-s2.0-85153590473&doi=10.1016%2fj.jbef.2023.100809&partnerID=40&md5=2ed9eb622bb72cddb6fb2b947504d0bb" target="_blank" >https://www.scopus.com/inward/record.uri?eid=2-s2.0-85153590473&doi=10.1016%2fj.jbef.2023.100809&partnerID=40&md5=2ed9eb622bb72cddb6fb2b947504d0bb</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1016/j.jbef.2023.100809" target="_blank" >10.1016/j.jbef.2023.100809</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Unveiling the sentiment behind central bank narratives: A novel deep learning index

  • Popis výsledku v původním jazyce

    "This paper proposes a new framework for analyzing the sentiments of central bank narratives. Specifically, we fine-tune a pre-trained BERT model on a dataset of manually annotated sentences on monetary policy stance. We derive a deep learning domain-specific model—BERT central bank sentiment index—ready for sentiment predictions. The proposed index performs similarly to other measures in capturing financial uncertainty. Also, the sentiment index is less noisy and has the ability to forecast the future path of policy stance, augmenting the standard Taylor rule. Finally, compared to other lexicon-based sentiment indicators, our deep learning index has a higher predictive power in anticipating policy rates changes. Our framework enables future possible research in developing more accurate sentiment indicators for central banks in both advanced and emerging countries. © 2023 Elsevier B.V."

  • Název v anglickém jazyce

    Unveiling the sentiment behind central bank narratives: A novel deep learning index

  • Popis výsledku anglicky

    "This paper proposes a new framework for analyzing the sentiments of central bank narratives. Specifically, we fine-tune a pre-trained BERT model on a dataset of manually annotated sentences on monetary policy stance. We derive a deep learning domain-specific model—BERT central bank sentiment index—ready for sentiment predictions. The proposed index performs similarly to other measures in capturing financial uncertainty. Also, the sentiment index is less noisy and has the ability to forecast the future path of policy stance, augmenting the standard Taylor rule. Finally, compared to other lexicon-based sentiment indicators, our deep learning index has a higher predictive power in anticipating policy rates changes. Our framework enables future possible research in developing more accurate sentiment indicators for central banks in both advanced and emerging countries. © 2023 Elsevier B.V."

Klasifikace

  • Druh

    J<sub>SC</sub> - Článek v periodiku v databázi SCOPUS

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

Ostatní

  • Rok uplatnění

    2023

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    "Journal of Behavioral and Experimental Finance"

  • ISSN

    2214-6350

  • e-ISSN

  • Svazek periodika

    38

  • Číslo periodika v rámci svazku

    2023

  • Stát vydavatele periodika

    US - Spojené státy americké

  • Počet stran výsledku

    15

  • Strana od-do

    1-15

  • Kód UT WoS článku

  • EID výsledku v databázi Scopus

    2-s2.0-85153590473