Previsão da inflação brasileira com métodos de aprendizado de máquina

• Autor(a) principal: Frainer, Guilherme da Silva
• 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/10183/272901
• topic: Econometria; Inflação; Inflation forecasting; Machine learning; Econometrics

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.