Nowcasting con Datos de Pagos — el Sistema de Aprendizaje Automático del Banco de Canadá para el Análisis Macroeconómico de Políticas en Tiempo Real

Los datos oficiales del PIB canadiense presentan un retraso de aproximadamente ocho semanas, y los del IPC de aproximadamente dos semanas —una limitación seria cuando llegó la COVID-19 y los responsables de políticas necesitaban una lectura casi en tiempo real de la economía.

Los investigadores del Banco de Canadá James Chapman y Ajit Desai se propusieron estimar en tiempo casi real (nowcasting) el PIB, el comercio minorista y el comercio mayorista utilizando datos de pagos y aprendizaje automático, con el fin de cerrar esta brecha temporal en los datos.

Combinaron 18 series de valores y volúmenes procedentes de los sistemas de liquidación de pagos de alto valor (Lynx) y minoristas (ACSS) de Canadá, que abarcan de marzo de 2004 a diciembre de 2020, con cinco métodos de aprendizaje automático (elastic net, máquinas de vectores de soporte, bosque aleatorio, regresión por gradient boosting y redes neuronales), entrenando con datos de marzo de 2005 a diciembre de 2018 y probando con datos de enero de 2019 a diciembre de 2020, una ventana que abarca el inicio de la pandemia.

Un modelo factorial que utiliza datos de pagos redujo el error cuadrático medio (RMSE) de nowcasting entre un 20 y un 25% frente a un modelo de referencia basado en indicadores tradicionales, en un horizonte de un periodo hacia adelante; añadir regresión por gradient boosting aumentó esa reducción al 35-40%. Las ganancias fueron mayores durante la ventana de la crisis de la COVID-19 (hasta un 35%) que en un periodo normal (15-25%). El documento de trabajo original del personal técnico de 2021 resumió la conclusión principal como una reducción del 15 al 45% en el error de previsión frente a un modelo lineal de referencia.

Un documento analítico del personal técnico del Banco de Canadá de mayo de 2026 describe esta línea de trabajo evolucionando hacia una práctica institucional continua que utiliza aprendizaje automático, PLN (procesamiento del lenguaje natural) e IA generativa sobre datos no tradicionales para el análisis de políticas, junto con un marco de gobernanza para la confianza, la transparencia, la reproducibilidad y el riesgo de modelo. Ninguna fuente confirma que las estimaciones en tiempo casi real hayan cambiado directamente una decisión concreta sobre tipos de interés o programas, sino que constituyen más bien un insumo de seguimiento entre muchos otros.