というNBER論文が上がっている（ungated版へのリンクがある著者の一人のページ）。原題は「Identifying Monetary Policy Shocks: A Natural Language Approach」で、著者はS. Borağan Aruoba（メリーランド大）、Thomas Drechsel（同）。
以下はその要旨。
We develop a novel method for the identification of monetary policy shocks. By applying natural language processing techniques to documents that Federal Reserve staff prepare in advance of policy decisions, we capture the Fed's information set. Using machine learning techniques, we then predict changes in the target interest rate conditional on this information set and obtain a measure of monetary policy shocks as the residual. We show that the documents' text contains essential information about the economy which is not captured by numerical forecasts that the staff include in the same documents. The dynamic responses of macro variables to our monetary policy shocks are consistent with the theoretical consensus. Shocks constructed by only controlling for the staff forecasts imply responses of macro variables at odds with theory. We directly link these differences to the information that our procedure extracts from the text over and above information captured by the forecasts.
（拙訳）
我々は、金融政策ショックを識別する新たな手法を開発した。FRBスタッフが政策決定の前に準備する資料に自然言語処理の技法を適用することにより、我々はFRBの情報集合を捕捉した。次に我々は、機械学習の技法を用いて、この情報集合の条件付きの目標金利の変化を予測し、その残差として金融政策ショックの指標を得た。資料の文章には、同じ資料にスタッフが収録した数値予測では捕捉されない経済に関する基本情報が含まれていることを我々は示す。我々の金融政策ショックに対するマクロ変数の動学的反応は、理論的コンセンサスと整合的であった。スタッフの予測についてだけコントロールして構築した予測は、理論と合わないマクロ変数の反応を含意した。我々はこの違いを、予測によって捕捉される情報に加えて我々の手順が文章から抽出した情報に、直接に結び付ける。
本文によると、1982年以降のFFレート目標金利の変動に対し、生産、インフレ、失業率の数値予測だけによる線形回帰では決定係数が0.5程度になったが、文章情報や非線形性も含んだリッジ回帰では決定係数は0.94となったとの由。即ち、FFレートの変化の外生的要因は、予測集合の拡大、および、文章ベースのセンチメントならびに非線形性を含めることにより、50%から6%とほぼ1/10になった、と著者たちは述べている。
金融政策ショックの例として本文では、1994年11月のFOMC会合を挙げている。同会合でスタッフが用意した資料では50ベーシスポイントの引き上げを支持していたが、グリーンスパン議長は「小幅のサプライズには重要な価値がある」として75ベーシスポイントの引き上げを提唱した。著者たちの手法では、その差25ベーシスポイントほぼすべてを非システマティックな政策の緊縮的変化として評価した、とのことである。
