Lidar com grandes e complexos conjuntos de dados ainda é um desafio enfrentado pelos
macroeconomistas envolvidos em análise e processamento das observações em tempo real.
Além disso, o grande volume de informações dificulta a seleção de variáveis que sejam
relevantes para a tomada de decisões, por isso, trazemos uma abordagem de machine learning
que busca selecionar as varáveis mais informativas para explicar a inflação brasileira corrente,
aproveitando também que temos uma vasta gama de indicadores disponíveis que medem o nível
de preços, com frequências e abrangências diversas. Usando a modelagem e bibliografia
baseada nas usadas para nowcasting de atividade econômica e pelo FED de Cleveland para a
inflação norte-americana, buscamos desse modo, uma forma de mensurar a inflação com base
nos dados que temos em alta frequência e em tempo real, a fim de assegurar a tomada de decisão
dos agentes e do Banco Central, permitindo uma compreensão mais imediata das condições
econômicas atuais em um ambiente dinâmico, onde as condições podem mudar rapidamente.
