Análisis de las Minutas del FOMC con Modelos de Lenguaje (LLM)

Análisis de las Minutas del FOMC con Modelos de Lenguaje (LLM)

Comprender la comunicación de los bancos centrales se ha convertido en una ventaja competitiva clave dentro de la industria financiera moderna. En particular, las minutas del Federal Open Market Committee (FOMC) contienen información crítica sobre decisiones de política monetaria, expectativas de inflación y la visión económica de la Reserva Federal de los Estados Unidos.

En este artículo presentamos un proyecto basado en MATLAB que utiliza modelos de lenguaje de gran escala (LLM) para analizar automáticamente las minutas del FOMC y extraer información relevante de forma eficiente, precisa y contextualizada.

Motivación del Proyecto

Las minutas del FOMC son una fuente esencial para economistas, analistas financieros e inversionistas institucionales. A partir de estos documentos se ajustan modelos de riesgo, se refinan proyecciones económicas y se anticipan movimientos en mercados como:

• Renta Variable
• Bonos
• Divisas
• Materias Primas

Sin embargo, el análisis manual de estos textos es lento, subjetivo y difícil de escalar.
Este proyecto propone ir más allá del análisis tradicional, aplicando inteligencia artificial y procesamiento de lenguaje natural para identificar señales clave dentro de los comunicados del FOMC. Este tipo de automatización ya es utilizada por fondos de inversión, bancos de inversión, fintechs y bancos centrales para mantenerse un paso adelante.

Descripción General del Proyecto

El objetivo es desarrollar un sistema en MATLAB que analice las minutas del FOMC mediante un flujo de trabajo de Generación Aumentada por Recuperación (RAG).

El sistema funciona de la siguiente manera:

1. Los documentos del FOMC se convierten en texto plano.
2. El texto se procesa y se transforma en vectores numéricos (embeddings).
3. Los embeddings se almacenan en una base de datos PostgreSQL con capacidad de búsqueda vectorial.
4. Cuando el usuario realiza una consulta, el sistema:

• Recupera los fragmentos más relevantes mediante similitud semántica.
• Combina esos fragmentos con la pregunta del usuario.
• Genera una respuesta contextualizada usando un modelo de lenguaje (LLM).
• Este enfoque permite obtener respuestas más precisas, basadas directamente en la información original del FOMC