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

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.