Construção de Intervalos Dinâmicos de Previsão para a Inflação Norte-Americana via Random Forest e Predição Conformal

Abstract

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.

Inflation forecasting is central to the conduct of monetary policy, yet recent literature, while successful in improving point forecasts with Machine Learning, still lacks robust methods for real-time uncertainty quantification. This work proposes a methodology to construct prediction intervals for U.S. inflation by combining the accuracy of the Random Forest model with the robustness of the Dynamically- Tuned Adaptive Conformal Inference (DtACI) algorithm. Using the FRED-MD database, the analysis is conducted in a rolling-window scheme covering the period from 1990 to 2025. The results show that the predictive model reduces the mean squared error by approximately 30% relative to the benchmark. Regarding uncertainty quantification, we demonstrate that methods with fixed parameters fail in the face of regime shifts, resulting in coverage failures or excessive volatility. The DtACI method resolves this trade-off by autonomously arbitrating between conservative and reactive experts. The approach generates intervals that respect the 90% nominal coverage and act as a risk gauge, expanding rapidly during exogenous shocks such as the 2008 crisis and the 2020 pandemic, remaining statistically robust where static methods fail.