Nowcasting da Inflação Brasileira utilizando técnicas de machine learning e de combinação de previsõesuma abordagem de frequências mistas

Resumo

Este artigo implementa um exercício de nowcasting da inflação brasileira medida pelo Índice de Preços ao Consumidor Amplo (IPCA), em frequência diária, usando diversas técnicas econométricas; métodos de séries temporais tradicionais, técnicas de aprendizado de máquina (machine learning), técnicas de combinações de previsões e modelos de fatores. A tarefa do nowcasting envolve a interpolação de um grande painel de variáveis mensais para uma frequência diária e confirma que existe benefício em utilizar métodos de machine learning vis-à-vis benchmarks econométricos tradicionais em termos da raiz do erro quadrático médio da previsão (RMSE) e do erro absoluto médio (MAE). Quando comparamos os métodos de machine learning com o modelo de Complete Subset Regression (CSR) – uma técnica de combinação de previsões – observamos um ganho do último com relação aos primeiros. Com relação aos benchmarks tradicionais – passeio aleatório e modelo auto-regressivo – observamos ganhos médios fora da amostra entre 21% e 23%. Também comparamos os ganhos de previsão a partir do nowcasting diário com os resultados obtidos no nowcasting mensal. Nesse caso, obtivemos ganhos médios fora da amostra de quase 40% em termos de RMSE para o modelo de Complete Subset Regression. De forma geral, observamos que as variáveis de nível de preço nos modelos de machine learning foram selecionadas com maior frequência – em especial, o monitor de inflaçãoo divulgado pelo Instituto Brasileiro de Economia da FGV (IBRE).

Ficha do documento

Tipo

Dissertação

Ano

2025

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Português

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/38757

Temas

Economia

Palavras-chave

InflaçãoFiltro de KalmanNowcastingMachine learningEconomiaAprendizado do computadorKalman, Filtragem deModelo de precificação de ativos