Previsão da inflação brasileira com métodos de aprendizado de máquina

Abstract

A previsão da inflação é importante para agentes econômicos, como firmas, trabalhadores e investidores, e para as autoridades monetárias. Num contexto dos avanços da inteligência artificial (IA) e da grande disponibilidade de dados (big data), este trabalho objetiva testar a capacidade preditiva de alguns modelos de aprendizado de máquina (regressão ridge, LASSO, Random Forest e Gradient Boosting) e compará-los ao ARIMA. Para tanto, a variável escolhida foi o Índice Nacional de Preços ao Consumidor Amplo (IPCA). Os modelos foram treinados com os dados de janeiro de 2004 a fevereiro de 2017, e testaram-se as suas previsões para o período de março de 2017 a setembro de 2023. Além do IPCA, os modelos foram treinados com outras 40 séries temporais. Calcularam-se algumas métricas de erro para as previsões e compararam-se as previsões dos modelos de aprendizado de máquina às do ARIMA por meio do teste de Diebold-Mariano. Como resultado, encontrou-se que os modelos de aprendizado de máquina (com a exceção da regressão ridge) apresentaram resultados superiores (isto é, com menor erro) aos do ARIMA para quase todos os horizontes temporais. Contudo, os resultados não foram significativamente superiores aos do ARIMA para um nível de significância de 5% para o teste de Diebold-Mariano na maioria dos casos. Com isso, concluiu-se que, apesar de modelos de IA obterem bons resultados, ainda não é possível descartar o ARIMA num contexto de previsão de inflação. Além disso, destacaram-se as cinco variáveis mais selecionadas por cada modelo, e vê-se que há certa estabilidade entre horizontes e até mesmo entre modelos. Destaca-se a preferência por variáveis de atividade econômica, de moeda, de incerteza, e confiança e pelo próprio IPCA.

Inflation forecasting is important for economic agents such as firms, workers, and investors, as well as for monetary authorities. In the context of advances in artificial intelligence (AI) and the extensive availability of data (big data), this study aims to test the predictive capacity of some machine learning models (ridge regression, LASSO, Random Forest, and Gradient Boosting) and compare them to ARIMA. For this purpose, the chosen variable was the National Consumer Price Index (IPCA) of Brazil. The models were trained with data from January 2004 to February 2017, and their predictions were tested for the period from March 2017 to September 2023. In addition to IPCA, the models were trained with 40 other time series. Some error metrics were calculated for the predictions, and the machine learning model predictions were compared to ARIMA using the Diebold-Mariano test. As a result, it was found that machine learning models (with the exception of ridge regression) yielded superior results (i.e., lower error) compared to ARIMA for almost all time horizons. However, the results were not significantly superior to ARIMA at a 5% significance level for the Diebold-Mariano test in most cases. Therefore, it was concluded that, despite AI models achieving good results, it is not yet possible to discard ARIMA in the context of inflation forecasting. Additionally, the five most selected variables by each model were highlighted, and there is a certain stability observed among horizons and even among models. The top predictors chosen included economic activity, currency, uncertainty and confidence variables, as well as the IPCA itself.