Resumo Técnico: Modelagem de Crenças Latentes Hawkish-Dovish em LLMs Baseados em Debate Multiagente

Declaração do Problema

Prever com precisão as decisões de política do Comitê Federal de Mercado Aberto (FOMC) (Elevar, Manter ou Reduzir) é crítico para os mercados financeiros e para a política macroprudencial. No entanto, a literatura existente enfrenta duas limitações primárias:

1. Negligência da Dinâmica Deliberativa: A maioria dos estudos trata o FOMC como uma entidade monolítica, falhando em modelar o processo deliberativo interno onde membros com crenças diversas de "hawkish" (aperto/restritivo) ou "dovish" (acomodação/expansionista) debatem e alcançam um consenso.
2. Análise Estática: Métodos anteriores dependem de análise de texto estática ou previsões de modelo único, lutando para integrar de forma coesa textos qualitativos não estruturados (ex: o Beige Book) com indicadores macroeconômicos quantitativos enquanto modelam a evolução das crenças individuais.

Este estudo aborda o desafio de prever as decisões do FOMC simulando estruturalmente o processo de tomada de decisão coletiva do comitê usando Grandes Modelos de Linguagem (LLMs).

Metodologia

1. Estrutura de Debate Multiagente

A estrutura proposta modela o FOMC como um sistema de $n$ agentes autônomos de LLM (especificamente definido como $n=7$ para facilitar a votação por maioria). Cada agente representa um membro do comitê com um perfil de crença de política distinto e pré-atribuído (ex: Hawkish Forte, Dovish Moderado, Neutro).

• Entradas: Os agentes recebem uma combinação de texto qualitativo (trechos do Beige Book) e dados quantitativos (taxa de desemprego, taxa de inflação, taxas de política históricas).
• Processo Iterativo: O processo executa por $T$ rodadas (até 10).
  • Rodada $t=0$: Cada agente gera uma previsão inicial ($z^{(0)}_i$) baseada apenas em seus parâmetros internos e nos dados de entrada.
  • Rodada $t>0$: Os agentes observam as previsões e justificativas de todos os outros agentes da rodada anterior ($Z^{(t-1)}$). Eles atualizam sua própria previsão ($z^{(t)}_i$) incorporando este contexto social junto aos dados originais.
• Terminação: O debate termina quando todos os agentes alcançam o consenso ou após o número máximo de rodadas. A saída final é o voto da maioria.

2. Modelagem de Crença Latente

Para aumentar a interpretabilidade, os autores introduzem uma variável latente discreta $\theta \in \Theta$ representando a postura "hawk-dove" subjacente de cada agente.

• Formulação Teórica: O processo de decisão é formalizado como um modelo generativo Bayesiano. A probabilidade da saída de um agente é decomposta na probabilidade da saída dado um tipo específico de crença, e na probabilidade posterior dessa crença dados os inputs e as respostas dos pares.
• Premissa Chave: Uma vez que uma crença latente $\theta$ é fixada, o rótulo final do agente é condicionalmente independente do texto de entrada específico e dos dados. Isso implica que as crenças medeiam como os agentes interpretam evidências externas e influência de pares.
• Estrutura Matemática:
  $$P(z^{(t+1)}_i | x, v, Z^{(t)}, \phi_i) = \sum_{\theta \in \Theta} P(z^{(t+1)}_i | \theta, \phi_i) P(\theta | x, v, Z^{(t)}, \phi_i)$$
  Onde a crença posterior $P(\theta | \dots)$ é atualizada com base na verossimilhança dos dados observados e no alinhamento das respostas dos pares com essa crença.

3. Configuração Experimental

• Dataset: Reuniões agendadas do FOMC de janeiro de 2000 a dezembro de 2025. O conjunto de dados inclui 60 fatias de tempo específicas (equilibradas em 15 Elevar, 30 Manter, 15 Reduzir) selecionadas para evitar tendências consecutivas triviais.
• Fontes de Dados:
  • Texto: Sentenças de "atividade econômica geral" ou "resumo" do Beige Book.
  • Quantitativo: Taxas de inflação e desemprego (FRED), taxas de política histórica (Bloomberg).
• Modelo: GPT-4o-mini com uma temperatura de 1 para incentivar padrões de debate diversos. Saídas estruturadas foram impostas para extrair rótulos e justificativas.
• Estudos de Ablação: O estudo comparou o modelo completo contra variantes removendo:
  1. Texto do Beige Book.
  2. Tendências de taxas de política histórica.
  3. Atribuições de crença explícitas (usando uma votação por maioria padrão sem prompts de crença).
  4. Debate multi-rodada (usando apenas as previsões da Rodada 0).

Principais Resultados

Métricas de Desempenho

O método proposto completo (Experimento 1) alcançou o maior desempenho entre todas as configurações:

• Precisão: 0,549
• Recall: 0,467
• F1-Score: 0,476

Achados de Ablação

• Importância do Texto: Remover o Beige Book (Experimento 2) degradou significativamente o desempenho (F1: 0,385), confirmando que dados econômicos regionais qualitativos são cruciais para previsões precisas.
• Papel do Debate: A linha de base "Sem Debate" (Experimento 6, voto da maioria da Rodada 0) rendeu um F1 de 0,415. O processo de debate iterativo melhorou a precisão, demonstrando que a influência social e o refinamento de opinião são benéficos.
• Impacto das Crenças: Remover as atribuições de crença explícitas (Experimento 5) resultou em um F1 de 0,399. Mais criticamente, o modelo sem crenças exibiu um forte viés para prever "Manter" (280/420 previsões). A introdução de crenças diversas mitigou esse viés, levando a resultados mais diversos e precisos.
• Taxas Históricas: Remover as tendências de taxas de política histórica (Experimento 4) teve um impacto negligenciável na precisão, provavelmente porque o dataset foi curado para focar em pontos de transição onde as tendências eram menos preditivas.

Análise Comportamental

A matriz de transição revelou que o processo de debate deslocou efetivamente os agentes de vieses iniciais em direção a um consenso. Por exemplo, agentes "Strong Hawkish" inicialmente previram "Elevar" em 33 casos, mas ajustaram para 30 após o debate, enquanto agentes "Neutros" mostraram mudanças significativas em suas distribuições finais. O modelo evitou com sucesso erros direcionais significativos (ex: prever "Elevar" quando o real era "Reduzir").

Significância e Alegações

O artigo afirma ser o primeiro a aplicar estruturas de agentes múltiplos de LLM baseadas em debate estruturado especificamente ao domínio financeiro da política monetária. Suas principais contribuições são:

1. Simulação Estrutural: Ele vai além de tratar bancos centrais como caixas pretas ao modelar explicitamente a natureza deliberativa e de construção de consenso do FOMC.
2. Interpretabilidade: Ao introduzir variáveis de crença latente, o framework fornece um mecanismo teórico para entender como predisposições individuais (hawkish/dovish) medeiam a interpretação de dados econômicos e influência social.
3. Validação Empírica: O estudo demonstra que incorporar características institucionais (crenças diversas e debate iterativo) produz uma precisão preditiva superior em comparação com abordagens de modelo único ou estáticas padrão.

Os autores mantêm uma postura modesta, reconhecendo limitações como o espaço de crença discreto e pequeno, a dependência de uma única família de LLM e a restrição aos dados do FOMC. Eles sugerem que trabalhos futuros poderiam explorar espaços de crença contínuos e aplicar o framework a outros bancos centrais (ex: BCE, BOJ).