Previsión en tiempo real del PIB con machine learning — la prueba comparativa del Banco Nacional Suizo frente a más de 1.100 indicadores

El Banco Nacional Suizo (BNS) publica previsiones del PIB en tiempo real ('nowcasts') para fundamentar sus decisiones trimestrales de política monetaria, recurriendo tradicionalmente a modelos de series temporales como los modelos autorregresivos y de factores.

En el Documento de Trabajo 2024-06, 'Nowcasting GDP: What Are the Gains From Machine Learning Algorithms?', los economistas del BNS Milen Arro-Cannarsa y Rolf Scheufele pusieron a prueba sistemáticamente si los nuevos métodos de aprendizaje automático obtienen mejores resultados que los modelos de referencia tradicionales.

El estudio construyó un amplio conjunto de datos de frecuencia mixta con más de 1.100 series temporales, aplicando ajustes por retraso de publicación y agrupación ('blocking') para alinear los indicadores mensuales con el PIB trimestral. Se compararon ocho enfoques de aprendizaje automático — LASSO, regresión ridge y elastic-net, bagging, bosques aleatorios, gradient boosting y regresión de vectores de soporte (SVR) — frente a tres modelos de referencia estándar: un modelo univariante, un algoritmo de selección progresiva y una regresión de componentes principales (PCR).

Para la exigente muestra posterior a la Gran Recesión, todas las técnicas de aprendizaje automático probadas superaron al modelo de referencia univariante, con mejoras de hasta el 28% en el error cuadrático medio (RMSE) fuera de muestra. La regresión ridge, la elastic net y la SVR fueron los métodos con mejor desempeño, superando significativamente a la PCR, el modelo de referencia más habitual en el nowcasting de los bancos centrales.

El documento es un backtest riguroso y publicado, no una implementación operativa en vivo: el BNS no ha declarado que estos modelos específicos dirijan actualmente sus previsiones oficiales, y los autores presentan los resultados como evidencia para una futura adopción metodológica, no como un sistema de producción terminado.