Projeção da inflação de bens industriais brasileira usando métodos de machine learning

Abstract

Há um grande interesse em melhorar as projeções de inflação para o planejamento e a tomada de decisão pelas famílias, setor privado e formuladores de políticas. No entanto, superar até mesmo modelos univariados pode ser uma tarefa difícil. Usamos métodos de machine learning e um grande conjunto de dados para prever a inflação de bens industriais no IPCA brasileiro para horizontes até t + 12, considerando dados entre janeiro de 2007 e agosto de 2021. Avaliamos as previsões de quatro métodos lineares regularizados e dois métodos não lineares baseados em árvores, considerando random walk e modelos autorregressivos como benchmarks, utilizando uma metodologia pseudo out-of-sample. Também avaliamos os resultados sem dados de desemprego como regressores, levando em consideração as discussões em torno da relevância dos dados de desemprego na previsão de inflação. Os métodos não lineares superam os métodos lineares regularizados e os benchmarks. Também encontramos evidências de que os mecanismos de seleção de variáveis dos métodos random forest e gradient tree boosting têm um desempenho melhor do que os de modelos lineares regularizados para prever a inflação de bens industriais. As random forests se destacam em termos de erro de previsão e como o método que melhor controla o trade-off viés-variância. O método também exibe um desempenho mais uniforme do que o gradient tree boosting ao longo dos horizontes de previsão.