Aprendizagem Automática com Big Data para Previsão da Inflação — a Avaliação Rigorosa e de Resultados Mistos do Banco de Reserva Sul-Africano

O Banco de Reserva da África do Sul (SARB) é o banco central nacional responsável pela política monetária e pelas previsões oficiais de inflação da África do Sul. Em 2022, cinco economistas do SARB (Byron Botha, Rulof Burger, Kevin Kotzé, Neil Rankin e Daan Steenkamp) testaram uma bateria de modelos de aprendizagem automática face às previsões de inflação publicadas pelo próprio banco, utilizando grandes conjuntos de dados de preços no consumidor desagregados. O exercício foi publicado como o Working Paper WP/22/01 do SARB e mais tarde revisto por pares na revista Empirical Economics.

O estudo procurou testar se modelos de aprendizagem automática lineares (LASSO, Ridge) e não lineares (XGBoost, rede neuronal), treinados com dados desagregados de preços no consumidor, conseguiam produzir previsões de inflação geral e subjacente sul-africanas mais precisas do que as próprias previsões oficiais publicadas pelo SARB e do que um modelo simples de passeio aleatório (random walk), em horizontes de 1 a 24 meses.

Os investigadores construíram e treinaram várias famílias de modelos de aprendizagem automática com dados de IPC desagregados e geraram previsões para a inflação geral e subjacente em horizontes de 1 a 24 meses. A precisão das previsões (RMSE) de cada modelo de aprendizagem automática foi depois comparada diretamente com as previsões publicadas pelo SARB e com um modelo simples de passeio aleatório, e as diferenças foram testadas quanto à significância estatística através de testes de Diebold-Mariano.

Em horizontes curtos, a previsão oficial do SARB — que beneficia de juízo pericial extra-modelo e de atualizações de dados dentro do mês — foi substancialmente mais precisa: para a inflação subjacente a 1 mês, o RMSE do SARB foi de 0,13 face a 0,25–0,27 dos melhores modelos de aprendizagem automática. A classificação inverteu-se em horizontes mais longos — aos 12 meses, o RMSE da inflação subjacente de um modelo random forest (0,71) e de uma rede neuronal (0,86) ficaram bem abaixo da própria previsão do SARB (1,19), e aos 24 meses uma rede neuronal (1,09) voltou a superar a previsão do SARB (1,32). Para a inflação geral, o XGBoost ultrapassou a previsão do próprio SARB a partir do horizonte de 12 meses (1,28 face a 1,42, e 1,48 face a 1,63 aos 24 meses).

Apesar destes ganhos em horizontes mais longos, a conclusão principal dos próprios autores foi cautelosa: os testes de Diebold-Mariano revelaram que os modelos de aprendizagem automática eram 'certamente competitivos', mas não consistentemente superiores a um simples modelo de passeio aleatório, e os referenciais tradicionais superaram frequentemente os modelos de aprendizagem estatística. Não foi encontrada qualquer evidência de que o SARB tenha adotado algum destes modelos na sua previsão de inflação de produção efetiva; o artigo mantém-se como uma avaliação de investigação sobre onde a aprendizagem automática ainda supera, ou não, a previsão de bancos centrais apoiada por peritos.