Nowcasting com Dados de Pagamentos — o Sistema de Aprendizagem Automática do Banco do Canadá para Análise Macroeconómica de Políticas em Tempo Real

Os dados oficiais do PIB canadiano têm um atraso de cerca de oito semanas e os do IPC de cerca de duas semanas — uma limitação séria quando a COVID-19 eclodiu e os decisores políticos precisavam de uma leitura da economia quase em tempo real.

Os investigadores do Banco do Canadá James Chapman e Ajit Desai propuseram-se estimar em tempo quase real (nowcast) o PIB, o comércio a retalho e o comércio grossista, utilizando dados de pagamentos e aprendizagem automática, para colmatar esta lacuna temporal nos dados.

Combinaram 18 séries de valores e volumes provenientes dos sistemas de liquidação de pagamentos de alto valor (Lynx) e de retalho (ACSS) do Canadá, abrangendo o período de março de 2004 a dezembro de 2020, com cinco métodos de aprendizagem automática (elastic net, máquinas de vetores de suporte, floresta aleatória, regressão por impulso de gradiente e redes neuronais), treinando com dados de março de 2005 a dezembro de 2018 e testando com dados de janeiro de 2019 a dezembro de 2020, uma janela que abrange o início da pandemia.

Um modelo fatorial que utiliza dados de pagamentos reduziu o erro quadrático médio (RMSE) de nowcasting em 20-25% face a um modelo de referência baseado em indicadores tradicionais, num horizonte de um período à frente; a adição de regressão por impulso de gradiente aumentou essa redução para 35-40%. Os ganhos foram maiores durante a janela da crise da COVID-19 (até 35%) do que num período normal (15-25%). O documento de trabalho original de 2021 do pessoal técnico resumiu a conclusão principal como uma redução de 15-45% no erro de previsão face a um modelo linear de referência.

Um documento analítico do pessoal técnico do Banco do Canadá, de maio de 2026, descreve esta linha de trabalho a evoluir para uma prática institucional contínua, utilizando aprendizagem automática, processamento de linguagem natural e IA generativa sobre dados não tradicionais para a análise de políticas, a par de um enquadramento de governação para confiança, transparência, reprodutibilidade e risco de modelo. Nenhuma fonte confirma que as estimativas em tempo quase real tenham alterado diretamente uma decisão específica sobre taxas de juro ou programas, distinguindo-se antes como mais um dado de acompanhamento entre muitos.