Macroeconomic forecasting: time series econometrics versus machine learning methods

• Ano de defesa: 2022
• Autor(a) principal: Mesquita, Eduardo Paro
• Orientador(a): Pereira, Pedro L. Valls
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Previsão; Macroeconomia; Séries temporais; Aprendizado estatístico; Aprendizado de máquinas
• Palavras-chave em Inglês: Macroeconomics; Time series; Statistical learning; Machine learning; Forecasting
• Link de acesso: https://hdl.handle.net/10438/31921

A área de previsão macroeconômica é um campo de estudo desafiador e ao mesmo tempo extremamente relevante, tanto para a academia quanto para diversos setores do mercado e do governo. Neste trabalho, realizamos uma comparação empírica do desempenho preditivo de modelos tradicionais de séries temporais e métodos de aprendizado estatístico (aprendizado de máquinas) para prever quatro indicadores econômicos mensais dos Estados Unidos usando um grande conjunto de preditores: produção industrial, número de empregados em setores não-agrícolas , inflação e o spread entre a taxa de vencimento constante do tesouro de 10 anos e a taxa de fundos federais (Fed funds). Constatamos que os modelos tradicionais de séries temporais são competitivos em vários cenários, em particular para as séries de produção industrial e número de empregados. Para a medida de spread de taxa de juros e especialmente para a inflação, os métodos de aprendizagem estatística superaram os modelos de séries temporais de forma consistente. Nesses casos, o Random Forest e o LASSO com defasagens não penalizadas da variável alvo merecem maior atenção para a previsão de inflação e spread de juros, respectivamente. Investigamos também o efeito da escolha do método de ajuste de hiperparâmetros para os modelos de regressão penalizados e obtivemos evidências a favor do uso de critérios de informação. Nossos resultados também sugerem que a combinação de previsões de séries temporais e modelos de aprendizado de máquinas tem um desempenho muito bom para a maioria das variáveis e horizontes de previsão analisados.