Forecasting do PIB e da Inflação do Brasil: usando técnicas de machine learning

Abstract

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.

This study explores the use of modern machine learning techniques to improve GDP and inflation forecasts in Brazil. The analysis employs a comprehensive set of macroeconomic indicators, including national variables provided by the Central Bank of Brazil and international data. Models such as Random Forest, Lasso, and CatBoost are implemented and compared with traditional methods, such as autoregressive (AR) models and Random Walk. Furthermore, the impact of the expectations from the Boletim Focus on predictive accuracy is investigated, using metrics like the root mean squared error (RMSE) and the Diebold-Mariano test to identify statistically significant differences among models. In addition, a feature importance analysis evaluates the contribution of expectations to model performance. This study aims not only to quantify the benefits of modern machine learning techniques but also to understand how incorporating prospective variables can enrich economic forecasts in complex and dynamic environments such as Brazil.