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

• Autor(a) principal: Silva, Mariana Stigger Moreira Fortes da
• Data de Publicação: 2024
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/278746
• topic: Econometria; Séries temporais; Boosting; Econometrics; Inflation forecasting; Macroeconomic time series

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.