Key features for improving macroeconomic forecasting : evidence from Brazil

• Autor(a) principal: Oreda, Nathalia scholles
• Data de Publicação: 2024
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: eng
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/272999
• topic: Macroeconomia; Modelos lineares; Data-rich; Machine learning; Forecasting; Macroeconomic time series

Este artigo tem como objetivo comparar vários modelos diferentes em diferentes cenários, a fim de compreender quais características do aprendizado de máquina são úteis para previsões macroeconômicas. Este estudo consiste em comparar o desempenho de modelos lineares e não lineares em ambientes pobres e ricos em dados para diferentes janelas e horizontes para previsão de diferentes variáveis macroeconômicas brasileiras. Para isso, prevemos três variáveis macroeconômicas que são indicadores da economia brasileira: a taxa de desemprego aberta da Região Metropolitana de São Paulo, a taxa de inflação brasileira, usando o índice IPCA, e o spread com o indicador Emerging Markets Bond Index Plus (EMBI+) para o Brasil usando 34 modelos lineares e não lineares que diferem nos hiper parâmetros, nas regularizações e na função de perda utilizada. Fazemos as previsões considerando observações de 139 variáveis durante quase 23 anos. As principais conclusões mostram que os melhores modelos são aqueles com penalidade de lasso e elastic-net e o ambiente rico em dados (data-rich) é o melhor, especialmente quando se consideram métodos de shrinkage usando o estimador do elastic-net.