Proposição de um modelo de nowcasting de inflação para o Brasil

Abstract

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.Handling large and complex datasets remains a challenge faced by macroeconomists engaged in the analysis and processing of real-time observations. Additionally, the vast amount of information complicates the selection of variables relevant to decision-making. Therefore, we present a machine learning approach aimed at identifying the most informative variables to explain current Brazilian inflation. This approach takes advantage of the extensive range of available indicators measuring price levels, with diverse frequencies and scopes. Drawing on modeling and references used in nowcasting of economic activity and by the Federal Reserve of Cleveland for U.S. inflation, we seek a method to gauge inflation based on high-frequency and real-time data. This aims to ensure decision-makers and the Central Bank have a more immediate understanding of current economic conditions in a dynamic environment where conditions can change rapidly.