Modelo de Inflação Reforçado por Sentimento do CBN — o Banco Central da Nigéria Acrescenta Mineração de Texto por Aprendizagem Automática ao Seu Sistema de Previsão

O Departamento de Investigação do Banco Central da Nigéria (CBN) explora, desde 2022, o reforço do seu modelo existente de Previsão de Inflação de Curto Prazo (STIF) com um índice de sentimento derivado de aprendizagem automática, construído por mineração de texto de fontes públicas, depois de a COVID-19 e a guerra Rússia-Ucrânia terem desestabilizado a fiabilidade das suas previsões econométricas estabelecidas.
Os investigadores do CBN Adebiyi, Adenuga, Olusegun e Mbutor calcularam um índice de sentimento através de métodos de mineração de texto por aprendizagem automática e testaram se a sua inclusão melhorava as previsões do modelo STIF para a inflação global, subjacente e alimentar, publicando os resultados na revista revisada por pares do Banco, Economic and Financial Review (Vol. 60, N.º 1, 2022).
O estudo concluiu que as especificações do STIF que incluíam o índice de sentimento superavam as que o excluíam, tanto em testes dentro da amostra como fora da amostra, em todos os componentes da inflação, levando os autores a recomendar a previsão baseada em sentimento associada a orientações prospetivas do tipo "open mouth operations". Um estudo subsequente e metodologicamente independente, realizado em 2025 por investigadores da Federal University Dutsin-Ma, usando a mesma série mensal de inflação do CBN/Instituto Nacional de Estatística (2000-2024), quantificou a dimensão da diferença entre as abordagens tradicionais e as assistidas por ML: o ARIMA isolado produziu um Erro Percentual Absoluto Médio (MAPE) de 37,74%, uma Rede Neuronal Artificial isolada reduziu-o para 0,059%, e um modelo híbrido ARIMA-ANN alcançou o menor erro, de 0,054%.
Nenhum dos dois estudos constitui um relatório de precisão auditado de forma independente sobre as operações de previsão em produção do CBN, e o parâmetro de referência universitário de 2025 é um exercício académico separado, e não uma validação do modelo interno específico do CBN; os valores de melhoria devem ser lidos como evidência de que as abordagens reforçadas por aprendizagem automática se adequam bem aos dados de inflação da Nigéria, e não como a precisão publicada do próprio modelo em produção do CBN.