L2 Boosting : uma abordagem em machine learning para previsão de taxas de inflação

Abstract

No contexto de séries temporais contendo grande número de variáveis preditoras em potencial, a metodologia de boosting pode ser empregada para seleção das variáveis mais importantes. O presente trabalho buscou avaliar a performance de um modelo L2 boosting para a previsão das inflações alemã e britânica. Partindo de 18 variáveis independentes para a economia alemã e 19 para a economia britânica, os regressores em potencial englobaram 12 lags para cada variável e 12 termos autorregressivos para a própria variável dependente. Foram realizadas previsões fora da amostra para o período compreendido entre 2007-2017 para a Alemanha e 2004-2014 para o Reino Unido. A precisão do algoritmo de boosting foi avaliada contra três benchmarks: o passeio aleatório (RW), o modelo autorregressivo (AR) e o modelo autorregressivo de médias móveis (ARMA). Os resultados evidenciaram que o L2 boosting apresentou o menor RMSE para todos os horizontes de previsão no caso da Alemanha e para a maior parte dos horizontes na análise do Reino Unido, assim como as melhores estatísticas MAE e MAD, que são robustas para outliers. Contudo, somente no caso da Alemanha os modelos apresentaram diferença de capacidade preditiva estatisticamente significante conforme o teste de Giacomini-White.

In the context of time series containing a large number of potential predictor variables, the boosting methodology can be employed for selecting the most important variables. The present study aimed to evaluate the performance of an L2 boosting model for forecasting German and British inflation. Starting with 18 independent variables for the German economy and 19 for the British economy, the potential regressors included 12 lags for each variable and 12 autoregressive terms for the dependent variable itself. Out-of-sample forecasts were made for the period from 2007 to 2017 for Germany and from 2004 to 2014 for the United Kingdom. The accuracy of the boosting algorithm was evaluated against three benchmarks: the random walk (RW), the autoregressive model (AR), and the autoregressive moving average model (ARMA). The results showed that L2 boosting had the lowest RMSE for all forecast horizons in the case of Germany and for most horizons in the UK analysis, as well as the best MAE and MAD statistics, which are robust to outliers. However, only in the case of Germany did the models show a statistically significant difference in predictive ability according to the Giacomini-White test.