Hawkish ou dovish? Analisando o tom da política monetária com IA usando Python

Classificar o tom da política monetária é dizer, a partir do texto de um banco central, se a postura está mais voltada a conter a inflação (hawkish) ou a estimular a atividade (dovish).

Com um modelo de linguagem, podemos fazer essa leitura de forma padronizada para cada ata do COPOM. Neste tutorial mostramos como montar o classificador em Python com o Gemini, do PDF da ata até uma série do tom comparada com a Selic.

Com esses quatro campos, cada ata vira uma linha de tabela, e a sequência de escores pode ser lida ao lado da meta Selic para ver se a mudança de tom antecede, acompanha ou contradiz a decisão de juros.

O que significam hawkish e dovish

Hawkish vem de hawk, falcão. Descreve um banco central que prioriza conter a inflação e, por isso, tende a subir os juros ou a mantê-los altos por mais tempo.

Dovish vem de dove, pomba. Descreve a postura que prioriza a atividade e o emprego, e por isso tende a cortar os juros ou a sinalizar cortes adiante.

Se a decisão já foi anunciada, por que o tom importa? Porque a ata fala do futuro. Ela diz como o Comitê enxerga os riscos e o que tende a fazer nas próximas reuniões, uma orientação chamada de forward guidance.

Essa orientação move a curva de juros no dia da publicação. Duas atas que acompanham a mesma decisão podem ter efeitos opostos no mercado, conforme indiquem continuidade ou fim do ciclo.

O tom como uma medida

Para comparar atas, transformamos o tom em um número contínuo entre os dois extremos.

Aqui t indica a reunião. O sinal diz a direção da postura e o tamanho diz a intensidade.

Ou seja, uma ata com escore 0,6 é claramente contracionista, enquanto uma com −0,2 pende levemente para o afrouxamento. A escala é uma convenção do prompt, útil para ordenar e comparar atas.

Por que usar um modelo de linguagem

A forma tradicional de medir o tom conta palavras de um dicionário: "pressão inflacionária" soma para o lado hawkish, "flexibilização" para o lado dovish. Detalhamos esse método em O que é e como aplicar análise de sentimentos no Python.

A contagem é rápida e transparente, mas lê palavras soltas. A frase "o Comitê não vê espaço para flexibilização" tem um termo dovish e uma mensagem hawkish.

Um modelo de linguagem de grande porte (LLM) é uma rede neural treinada para prever a próxima palavra de um texto a partir de bilhões de exemplos. Para prever bem, ele aprende relações entre frases inteiras, e por isso consegue ler negação, condicional e comparação. Explicamos o funcionamento desses modelos em O que são LLMs?

Como o classificador é montado

O classificador é montado em quatro etapas, do PDF da ata até o escore.

Extrair o texto. As atas são PDFs, um formato que guarda a posição de cada caractere na página. A biblioteca pypdf reconstrói o texto corrido. Cabeçalhos e números de página entram no meio das frases, um ruído que não atrapalha a classificação.

Escrever o prompt. O prompt é a instrução que acompanha a ata. Damos ao modelo o papel de economista-chefe, definimos hawkish, dovish e neutro, e pedimos justificativa com trechos literais. As técnicas por trás dessas escolhas estão em Introdução a Prompt Engineering para Inteligência Artificial.

Exigir resposta estruturada. Em texto livre, cada chamada voltaria com uma redação diferente. Por isso descrevemos um esquema com quatro campos (tom, escore, justificativa e trechos), e o Gemini devolve um objeto nesse formato, pronto para virar tabela.

Repetir para cada ata. A API pública do Banco Central lista as reuniões e o endereço de cada PDF. A mesma função classifica todas as atas, e o resultado é cruzado com a meta Selic do SGS por meio da biblioteca python-bcb.

O modelo é acessado pelo SDK oficial google-genai, com uma chave gratuita do Google AI Studio. O passo a passo para gerar a chave está em Como usar o Google AI Studio e o Gemini?

O exemplo: a ata 260 e as atas recentes

O exercício começa pela ata da 260ª reunião, de janeiro de 2024, que acompanhou o quinto corte seguido da Selic. A resposta do modelo traz a classe, o escore e os trechos da ata que a sustentam, e esses trechos permitem conferir a leitura contra o documento.

Para acompanhar a evolução do tom, aplicamos a mesma função às reuniões dos últimos dois anos e obtemos uma série do tom, com um escore por ata.

A leitura se faz ao lado da Selic. Atas hawkish tendem a acompanhar altas ou a manutenção dos juros em nível elevado, e atas dovish tendem a aparecer quando um ciclo de cortes começa ou está para começar.

O caso mais informativo é quando o tom muda de lado antes da taxa. Aí a ata está cumprindo o papel de forward guidance, e esse sinal antecipado interessa a quem acompanha a curva de juros.

Cuidados ao classificar texto com IA

• Auditar uma amostra. A justificativa e os trechos citados permitem conferir o modelo contra o documento, sobretudo nas atas de virada de ciclo.
• Manter o prompt fixo. O escore depende da instrução. Mudar o prompt no meio da série torna as atas antigas e novas incomparáveis.
• Registrar o modelo e a data. Versões novas podem classificar a mesma ata de outro jeito, e o registro permite separar mudança de tom de mudança de modelo.
• Guardar o resultado. Cada chamada consome cota da API. Para séries longas, salvar a classificação em arquivo evita reclassificar tudo a cada execução.

Onde a classificação de tom é usada

• Mesas de juros. O tom da ata ajuda a interpretar o movimento da curva no dia da publicação e a ajustar a expectativa para as próximas reuniões.
• Modelos de política monetária. A série do tom pode complementar uma Regra de Taylor no Python, que explica a Selic por inflação e hiato, com a informação que o próprio Comitê comunica.
• Comparação entre bancos centrais. O mesmo prompt aplicado às comunicações do Fed ou do BCE produz séries comparáveis entre países.
• Monitoramento automático. A cada nova ata, a classificação roda sozinha e alimenta um relatório ou painel, sem leitura manual.

Considerações finais

Classificar o tom da política monetária é transformar a orientação de uma ata em uma medida comparável entre reuniões. Com um modelo de linguagem, essa leitura considera o contexto das frases, além da presença de palavras.

O método tem quatro peças: extrair o texto, escrever um prompt com papel e definições, exigir a resposta em esquema estruturado e repetir a função para cada ata. A justificativa com trechos citados torna o resultado auditável.

Dominar esse ferramental muda o trabalho de quem acompanha comunicação institucional:

• Economista: transforma a comunicação do Banco Central em uma série que entra nos modelos de juros.
• Analista de renda fixa: lê a ata no dia da publicação com uma medida padronizada, comparável com as anteriores.
• Cientista de dados: aplica o padrão de prompt com resposta estruturada a qualquer coleção de documentos.
• Gestor: acompanha mudanças de postura em vários bancos centrais sem ler cada documento.

Quer acesso a todos os cursos da Análise Macro? Conheça o AM Black, a assinatura anual.

Leia também

• Como construir um índice de sentimento do COPOM usando LLMs: o tom de toda a história das atas em uma série longa.
• Como construímos um agente de IA que lê as atas do Copom: da classificação para perguntas e respostas sobre as atas.