A predição da inflação é uma tarefa central para a condução da política monetária,
mas a literatura recente, embora bem-sucedida em melhorar as predições pontuais
com Machine Learning, ainda carece de métodos robustos para a quantificação
da incerteza em tempo real. Este trabalho propõe uma metodologia para construir
intervalos de predição para a inflação norte-americana, combinando a acurácia do
modelo Random Forest com a robustez do algoritmo de Predição Conformal Adaptativa
via Agregação Dinâmica (DtACI). Utilizando a base de dados FRED-MD, a
análise é conduzida em um esquema de janela rolante cobrindo o período de 1990
a 2025. Os resultados demonstram que o modelo preditivo reduz o erro quadrático
médio em aproximadamente 30% em relação ao benchmark. Na quantificação de
incerteza, evidencia-se que métodos com parâmetros fixos falham diante de mudanças
de regime, resultando em falhas de cobertura ou volatilidade excessiva. O
método DtACI soluciona este dilema ao arbitrar autonomamente entre especialistas
conservadores e reativos. A abordagem gera intervalos que respeitam a cobertura
nominal de 90% e atuam como um termômetro de risco, expandindo-se rapidamente
durante choques exógenos como a crise de 2008 e a pandemia de 2020,
mantendo-se estatisticamente robustos onde métodos estáticos falham.
