Aprendizaje Automático con Big Data para la Previsión de la Inflación — la Evaluación Rigurosa y de Resultados Mixtos del Banco de Reserva Sudafricano

El Banco de Reserva de Sudáfrica (SARB) es el banco central nacional responsable de la política monetaria y de las previsiones oficiales de inflación del país. En 2022, cinco economistas del SARB (Byron Botha, Rulof Burger, Kevin Kotzé, Neil Rankin y Daan Steenkamp) pusieron a prueba una batería de modelos de aprendizaje automático frente a las previsiones de inflación publicadas por el propio banco, utilizando grandes conjuntos de datos desagregados de precios al consumidor. El ejercicio se publicó como el Working Paper WP/22/01 del SARB y más tarde fue revisado por pares en la revista Empirical Economics.

El estudio pretendía comprobar si los modelos de aprendizaje automático lineales (LASSO, Ridge) y no lineales (XGBoost, red neuronal), entrenados con datos desagregados de precios al consumidor, podían producir previsiones de inflación general y subyacente sudafricana más precisas que las propias previsiones oficiales publicadas por el SARB y que un modelo simple de paseo aleatorio, en horizontes de 1 a 24 meses.

Los investigadores construyeron y entrenaron varias familias de modelos de aprendizaje automático con datos de IPC desagregados y generaron previsiones de inflación general y subyacente en horizontes de 1 a 24 meses. La precisión de las previsiones (RMSE) de cada modelo de aprendizaje automático se comparó después directamente con las previsiones publicadas por el SARB y con un modelo simple de paseo aleatorio, y las diferencias se sometieron a pruebas de significancia estadística mediante tests de Diebold-Mariano.

En horizontes cortos, la previsión oficial del SARB —que se beneficia del juicio experto fuera del modelo y de actualizaciones de datos dentro del mes— fue sustancialmente más precisa: para la inflación subyacente a 1 mes, el RMSE del SARB fue de 0,13 frente a 0,25–0,27 de los mejores modelos de aprendizaje automático. La clasificación se invirtió en horizontes más largos: a 12 meses, el RMSE de la inflación subyacente de un modelo random forest (0,71) y de una red neuronal (0,86) quedaron muy por debajo de la propia previsión del SARB (1,19), y a 24 meses una red neuronal (1,09) volvió a superar la previsión del SARB (1,32). Para la inflación general, XGBoost superó la propia previsión del SARB a partir del horizonte de 12 meses (1,28 frente a 1,42, y 1,48 frente a 1,63 a los 24 meses).

A pesar de estas ganancias en horizontes más largos, la conclusión principal de los propios autores fue prudente: las pruebas de Diebold-Mariano mostraron que los modelos de aprendizaje automático eran 'ciertamente competitivos', pero no sistemáticamente superiores a un simple modelo de paseo aleatorio, y los referentes tradicionales superaron con frecuencia a los modelos de aprendizaje estadístico. No se encontró evidencia de que el SARB haya adoptado alguno de estos modelos en su previsión de inflación de producción real; el artículo permanece como una evaluación de investigación sobre los límites actuales del aprendizaje automático frente a la previsión de bancos centrales asistida por expertos.