Previsão da taxa de crescimento do PIB do Brasil : Uma comparação entre machine learning e modelo sarima

Abstract

O PIB vem sendo utilizado comumente na análise econômica, sendo uma variável importante para policy makers nas tomadas dedecisão. Este trabalho tem como objetivo a utilização de algoritmos de machine learning, tais como Random Forest, Gradient Tree Boosting e LASSO para predição da taxa de crescimento do PIB do Brasil. Para construir os algoritmos, foram utilizados 26 regressores de diferentes temas macroeconômicos, como Indústria, Energia, Serviços e Comércio, Índice Geral de Preços, Base Monetária e Meios de Pagamento. Para testar a validade dos modelos, foi utilizado o benchmark ARIMA. Os resultados indicaram uma superioridade do modelo Random Forest, que apresentou os menores erros em 67% dos resultados. Para testar a acurácia dos nossos modelos, foi utilizado o teste Diebold-Mariano. Dos doze testes realizados, cinco modelos concorrentes apresentaram performance preditiva superior ao benchmark para nível de significância de 5%. O trabalho concluiu que o modelo Random Forest pode ser útil em exercícios de predição, principalmente em horizontes de curto prazo, mas que o modelo ARIMA não deve ser descartado como ferramental em análises de forecasting, uma vez que também apresentou menores erros em horizontes temporais mais longos.

GDP has been commonly used in economic analysis, being an important variable for policy makers indecision-making. This work aims to use machine learning algorithms, suchas Random Forest, Gradient Tree Boosting and LASSO to predictthe GDP growth ratein Brazil. To build the algorithms, 26 regressors of different macroeconomic themes were used, suchas Industry, Energy, Services and Commerce, General Price Index, Monetary Base and Means of Payment. To test the validity of the models, the ARIMA benchmark was used. The results indicated a superiority of the Random Forest model, which presented thes mallest errors in 67% of the results. To test the accuracy of our models, the Diebold-Mariano test was used. Of the twelve tests performed, five competing models showed predictive performance superior to the benchmark at a significance level of 5%. The work concluded that the Random Forest model can be useful in a prediction exercise, mainly in short-term horizons, but that the ARIMA model should not be discarded as a tool in forecasting analysis, since it also presented smaller errors in longer time horizons.