Previsión inmediata del PIB con aprendizaje automático — la prueba en tiempo real del Reserve Bank of New Zealand con unos 600 indicadores

El Reserve Bank of New Zealand - Te Pūtea Matua publicó el Discussion Paper DP2019/03, 'Nowcasting GDP using machine learning algorithms: A real-time assessment', de Adam Richardson, Thomas van Florenstein Mulder y Tugrul Vehbi. El artículo puso a prueba una variedad de métodos de aprendizaje automático —incluyendo regresión regularizada, bosques aleatorios, árboles potenciados (boosted trees) y redes neuronales— frente a unos 600 indicadores macroeconómicos y financieros, utilizando versiones de datos en tiempo real genuinas del crecimiento trimestral del PIB de Nueva Zelanda, en lugar de cifras finales y revisadas.

Construir la base de evidencia para la propia práctica de previsión del Banco, comprobando si los métodos de nowcasting mediante aprendizaje automático podían mejorar un modelo de referencia autorregresivo estándar para estimar el crecimiento trimestral del PIB en tiempo real.

Los algoritmos con mejor desempeño (árboles potenciados, regresión de vectores de soporte y redes neuronales) redujeron los errores medios de nowcasting en aproximadamente un 20-30% respecto a un modelo de referencia autorregresivo estándar, y varios modelos de aprendizaje automático produjeron errores cuadráticos medios más bajos que tanto el modelo AR como un modelo de factores dinámicos usado como comparador. El trabajo se publicó posteriormente en la revista revisada por pares International Journal of Forecasting.

El artículo concluye que los métodos "muestran el potencial de mejorar las previsiones oficiales del Reserve Bank of New Zealand". El registro publicado demuestra una mejora rigurosamente probada y validada en tiempo real en un ejercicio técnico de previsión; no llega a confirmar que los nowcasts de aprendizaje automático se hayan incorporado formalmente, de manera continua, a las previsiones publicadas por el Banco en su Declaración de Política Monetaria.