evidoria

← Back to browse

Good practice

Previsión inmediata de la liquidez doméstica con aprendizaje automático — los modelos de regularización y árboles del Bangko Sentral ng Pilipinas

Philippines · Manila · See the Philippines profile

El Bangko Sentral ng Pilipinas probó cinco algoritmos de aprendizaje automático con datos monetarios de 2008-2020 para prever el crecimiento de la liquidez doméstica filipina antes de las publicaciones oficiales, registrando errores de previsión inferiores a los de los modelos estándar de series temporales —incluso durante el pico de liquidez de la COVID-19— y recomendando los modelos como herramienta complementaria de análisis de política.

0.529
Error cuadrático medio de Elastic Net (el más bajo entre los modelos probados)
0.391
Error absoluto medio de Elastic Net
January 2008 - December 2020
Período de datos probado

Details

Maturity
Pilot
Promoter
Bangko Sentral ng Pilipinas (BSP), Department of Economic Statistics
Period
Working paper published March 2022 (BSP WPS No. 2022-04); tested on data January 2008 – December 2020, including the COVID-19 period
Keywords
monetary policy, macroeconomic nowcasting, machine learning, financial statistics

Context

El Bangko Sentral ng Pilipinas (BSP), el banco central de Filipinas, publicó el BSP Working Paper Series n.º 2022-04, 'Nowcasting Domestic Liquidity in the Philippines Using Machine Learning Algorithms', de Juan Rufino M. Reyes, del Departamento de Estadística Económica, en marzo de 2022. El crecimiento de la liquidez doméstica (M3) es un indicador adelantado que el BSP utiliza para ayudar a fijar la política monetaria, pero, como muchas estadísticas oficiales, se publica con retraso y está sujeto a revisión.

Objectives

Comprobar si los métodos de nowcasting mediante aprendizaje automático podían producir estimaciones más precisas y oportunas del crecimiento de la liquidez doméstica que los modelos de referencia tradicionales de series temporales del BSP.

Activities

El estudio aplicó Regresión Ridge, LASSO, Elastic Net, Random Forest y Gradient Boosted Trees a indicadores monetarios, financieros y del sector externo de alta frecuencia, de enero de 2008 a diciembre de 2020, evaluando previsiones a un paso adelante bajo un proceso de ventana expansiva frente a modelos de referencia ARIMA, de paseo aleatorio y de factores dinámicos.

Results

Los métodos de regularización obtuvieron el mejor desempeño: Elastic Net produjo el menor error global entre los modelos probados, con un error cuadrático medio de 0,529 y un error absoluto medio de 0,391, y los modelos de aprendizaje automático, en conjunto, produjeron errores de previsión mensuales sistemáticamente más bajos que los modelos de referencia tradicionales, incluso durante los primeros meses de 2020, cuando la liquidez se expandió repentinamente debido al endeudamiento del gobierno nacional relacionado con la COVID-19.

Conclusions

La propia conclusión del BSP es modesta y específica: el documento recomienda los modelos como una "herramienta complementaria" al conjunto existente de modelos de previsión del Banco para el PIB, la inflación y la simulación de políticas, en lugar de afirmar que los sustituyen. El documento es replicado por el Philippine Institute for Development Studies, junto con otros documentos del BSP que aplican métodos similares al nowcasting de la inflación regional y del IPC desagregado, lo que indica un programa de investigación interno sostenido y plurianual, y no un ejercicio puntual.

Implementation

Indicative cost
Low (< €50k) — In-house research by BSP's Department of Economic Statistics; no external vendor or dedicated infrastructure budget described.
Time to results
Medium (1–3 years) — Working paper published March 2022, testing data from January 2008 to December 2020; part of a multi-year internal research programme including companion 2020 and 2022 papers.
Staffing & skills
BSP Department of Economic Statistics research staff (named author: Juan Rufino M. Reyes)

Conditions for success

  • Access to high-frequency monetary, financial and external-sector indicator data from 2008 onward
  • Positioning the models as a supplementary tool alongside, not a replacement for, the existing forecasting suite
  • Sustained multi-year internal research programme spanning companion papers on regional inflation and disaggregated CPI

Common failure modes

  • Explicitly recommended only as a 'supplementary tool', indicating the models have not been adopted as the primary or sole forecasting method

Where it fits

Governance type
central bank research department
Scale
national
Income level
lower-middle-income (Philippines)

Data sources

Where this practice's information was retrieved from, and when.

Similar practices you may find useful