Este estudo explora o uso de técnicas modernas de machine learning para aprimorar
as previsões do PIB e da inflação no Brasil. A análise utiliza um conjunto abrangente
de indicadores macroeconômicos, incluindo variáveis nacionais, fornecidas pelo Banco
Central do Brasil, e internacionais. Modelos como Random Forest, Lasso e CatBoost
são implementados, sendo avaliados em comparação com métodos tradicionais, como
modelos autoregressivos (AR) e Random Walk. Além disso, o impacto das expectativas
do Boletim Focus na precisão preditiva é investigado, utilizando métricas como o erro
médio quadrático raiz (RMSE) e o Teste Diebold Mariano para identificar diferenças
estatisticamente significativas entre os modelos. Adicionalmente, a análise de importância
das variáveis permite avaliar a contribuição das expectativas para o desempenho preditivo.
O estudo busca não apenas quantificar os benefícios das técnicas modernas de machine
learning, mas também compreender como a incorporação de variáveis prospectivas pode
enriquecer as previsões econômicas em cenários complexos e dinâmicos como o do Brasil.
