Forecasting inflation using machine learning algorithms : the brazilian case
Visualizar/abrir
Data
2026Orientador
Nível acadêmico
Graduação
Outro título
Prevendo inflação utilizando algoritmos de aprendizado de máquina : o caso brasileiro
Assunto
Abstract
We apply the wide set of machine learning methods used by Naghi, O’Neill and Zaharieva (2023) on a forecasting exercise for the Brazilian inflation in a data-rich environment and see if our findings resonate with their U.S., UK and Canada results, especially the performance degradation of several models during the pandemic period and the effectiveness of quantile models, both points which were not considered in the study conducted by Araujo and Gaglianone (2023). Our dataset consists of 112 Bra ...
We apply the wide set of machine learning methods used by Naghi, O’Neill and Zaharieva (2023) on a forecasting exercise for the Brazilian inflation in a data-rich environment and see if our findings resonate with their U.S., UK and Canada results, especially the performance degradation of several models during the pandemic period and the effectiveness of quantile models, both points which were not considered in the study conducted by Araujo and Gaglianone (2023). Our dataset consists of 112 Brazilian macroeconomic variables, plus 4 principal components and 12 lags of each variable, and spans from March 1996 to December 2024. The forecasts were obtained for 1, 3 and 6 months ahead. We adopted ARIMA as the benchmark, compared its RMSE with every model’s error, analyzed the CSFE of the 5 best performing models for each horizon and applied the GW test to assess statistical significance of the results. Our results show that the benchmark stays competitive for h=1, but it is significantly beaten by several machine learning methods in the more distant horizons, which is in line with the literature. Quantile models present the best forecasts for h=3 and h=6, and simple combinations of forecasts are also highly competitive. The performance degradation of tree-based models in the pandemic seems to be horizon-dependent rather than generalized. The RVM model strongly underperformed and failed to fit the data. Overall, we confirm the effectiveness of quantile models and forecast combinations in a Brazilian data-rich environment. ...
Resumo
Aplicamos o conjunto de métodos de aprendizado de máquina utilizado por Naghi, O’Neill e Zaharieva (2023) em um exercício de previsão da inflação brasileira em um ambiente rico em dados, e verificamos se nossos resultados são consistentes com os obtidos pelos autores para os EUA, Reino Unido e Canadá, especialmente quanto à deterioração do desempenho de diversos modelos durante o período da pandemia e à eficácia dos modelos quantílicos, aspectos que não foram considerados no estudo conduzido po ...
Aplicamos o conjunto de métodos de aprendizado de máquina utilizado por Naghi, O’Neill e Zaharieva (2023) em um exercício de previsão da inflação brasileira em um ambiente rico em dados, e verificamos se nossos resultados são consistentes com os obtidos pelos autores para os EUA, Reino Unido e Canadá, especialmente quanto à deterioração do desempenho de diversos modelos durante o período da pandemia e à eficácia dos modelos quantílicos, aspectos que não foram considerados no estudo conduzido por Araujo e Gaglianone (2023). Nossa base de dados é composta por 112 variáveis macroeconômicas brasileiras, mais 4 componentes principais e 12 defasagens de cada variável, abrangendo o período de março de 1996 a dezembro de 2024. As previsões foram geradas para 1, 3 e 6 meses à frente. Adotamos o modelo ARIMA como benchmark, comparamos seu RMSE com o de cada modelo, analisamos o CSFE dos cinco melhores modelos em cada horizonte e aplicamos o teste GW para avaliar a significância estatística dos resultados. Os resultados mostram que o benchmark permanece competitivo para h=1, mas é significativamente superado por diversos métodos de aprendizado de máquina nos horizontes mais longos, em consonância com a literatura. Modelos quantílicos apresentaram as melhores previsões para h=3 e h=6, e combinações simples de previsões também foram altamente competitivas. A deterioração do desempenho dos modelos baseados em árvores durante a pandemia parece depender do horizonte de previsão, em vez de representar um fenômeno generalizado. O modelo RVM apresentou desempenho significativamente inferior e dificuldades para se ajustar aos dados. De modo geral, confirmamos a eficácia dos modelos quantílicos e das combinações de previsões em um ambiente brasileiro rico em dados. ...
Instituição
Universidade Federal do Rio Grande do Sul. Faculdade de Ciências Econômicas. Curso de Ciências Econômicas.
Coleções
-
TCC Ciências Econômicas (1490)
Este item está licenciado na Creative Commons License


