Resumen de Incertidumbre en el mercado de bonos: una propuesta para identificar sus narrativas con GDELT

Jéssica Guedes, Diego Torres, Paulino Sánchez Escribano, José Boyano

• español

  Este estudio analiza la relación entre las narrativas de las noticias financieras y la volatilidad del mercado de bonos del Gobierno de Estados Unidos, medida por el índice MOVE. Para ello, se analiza un conjunto de datos poco explorado —la base de datos global de eventos, lenguaje y tono (GDELT, por sus siglas en inglés)—, en el que los artículos de noticias publicados en Internet tienen asignados metadatos, como temáticas y sentimiento. A partir de este conjunto de datos, se propone la utilización de grandes modelos de lenguaje (LLM, por sus siglas en inglés) para realizar una preselección de temáticas a analizar y se aplican dos técnicas para identificar las que más contribuyen a la evolución del índice MOVE. En primer lugar, se propone un algoritmo LASSO que proporciona información sobre qué temas tratados en las noticias están influyendo en mayor medida en el movimiento del índice. En segundo lugar, para tratar de reducir problemas de multicolinealidad, se estima una regresión lineal sobre unos clústeres identificados previamente. Ambos métodos se prueban en tres períodos de alta volatilidad del índice MOVE a partir de 2017. Los resultados demuestran que las narrativas de las noticias se correlacionan significativamente con la volatilidad del mercado de bonos y que el algoritmo LASSO identifica eficazmente las narrativas con más impacto. Este estudio proporciona información valiosa para inversores y responsables de políticas al vincular las noticias financieras con la volatilidad del mercado de bonos, y abre el camino para futuras investigaciones sobre el impacto de estas noticias en los mercados financieros.

• English

  This study analyses the relationship between financial news narratives and volatility in the US government bond market, as measured by the MOVE Index. We leverage a novel dataset, the Global Database of Events, Language, and Tone (GDELT), which provides metadata such as themes and sentiment for online news articles. Using this dataset, we employ large language models (LLMs) to pre-select relevant themes and apply two techniques to identify those most influential on MOVE fluctuations: a LASSO algorithm to pinpoint news themes impacting the index and, to mitigate multicollinearity, a linear regression on pre-identified theme clusters. Both methods are tested on three periods of heightened MOVE Index volatility since 2017. The results show that news narratives influence bond market volatility and that the LASSO algorithm effectively identifies the most impactful narratives. This study provides valuable insights for investors and policymakers by connecting financial news to bond market volatility, paving the way for future research on the impact of news on financial markets.