Previsão Imediata do PIB com Aprendizagem Automática — o Teste em Tempo Real do Reserve Bank of New Zealand com Cerca de 600 Indicadores

O Reserve Bank of New Zealand - Te Pūtea Matua publicou o Discussion Paper DP2019/03, 'Nowcasting GDP using machine learning algorithms: A real-time assessment', da autoria de Adam Richardson, Thomas van Florenstein Mulder e Tugrul Vehbi. O artigo testou uma variedade de métodos de aprendizagem automática — incluindo regressão regularizada, florestas aleatórias, árvores impulsionadas (boosted trees) e redes neuronais — face a cerca de 600 indicadores macroeconómicos e financeiros, utilizando versões de dados em tempo real genuínas do crescimento trimestral do PIB da Nova Zelândia, em vez de valores finais e revistos.

Construir a base de evidência para a própria prática de previsão do Banco, testando se os métodos de nowcasting por aprendizagem automática poderiam superar um padrão de referência autorregressivo na estimativa do crescimento trimestral do PIB em tempo real.

Os algoritmos com melhor desempenho (árvores impulsionadas, regressão de vetores de suporte e redes neuronais) reduziram os erros médios de nowcasting em cerca de 20-30% em relação a um padrão de referência autorregressivo, com vários modelos de aprendizagem automática a produzir erros quadráticos médios inferiores tanto ao padrão de referência AR como a um modelo de fatores dinâmicos usado como comparador. O trabalho foi posteriormente publicado na revista revista por pares International Journal of Forecasting.

O artigo conclui que os métodos "mostram potencial para melhorar as previsões oficiais do Reserve Bank of New Zealand". O registo publicado demonstra uma melhoria rigorosamente testada e validada em tempo real num exercício técnico de previsão; não chega a confirmar que os nowcasts de aprendizagem automática tenham sido formalmente incorporados, de forma contínua, nas previsões publicadas pelo Banco na sua Declaração de Política Monetária.