A Navegar em Tempos Incertos — o Modelo de Aprendizagem Automática do BCE para Monitorização em Tempo Real do Risco de Inflação

Os bancos centrais dependem tradicionalmente de modelos econométricos lineares que produzem previsões de inflação de ponto único, que podem não captar riscos extremos e alterações na distribuição dos resultados possíveis.

O BCE procurou uma ferramenta analítica complementar capaz de sinalizar riscos de inflação ascendentes e descendentes em tempo real, a par — e não em substituição — dos seus modelos de previsão tradicionais.

Desde o final de 2022, o BCE utiliza uma floresta de regressão quantílica (QRF), um modelo de aprendizagem automática, como parte do conjunto de ferramentas analíticas que informam as decisões de política monetária do Conselho do BCE. O modelo baseia-se em cerca de 60 indicadores que abrangem expectativas de inflação, pressões de custos, atividade económica real e condições financeiras, e é atualizado várias vezes por trimestre para produzir previsões pontuais e uma distribuição completa dos riscos de inflação. A metodologia baseia-se em investigação de documentos de trabalho do BCE sobre previsão de densidade e complementa o 'Project Spectrum', uma iniciativa conjunta com o Banco de Pagamentos Internacionais e o Deutsche Bundesbank que aplica técnicas de incorporação de texto e aprendizagem automática à previsão a curto prazo da inflação. A ferramenta foi entretanto alargada da previsão da inflação à previsão a curto prazo do crescimento do PIB da área do euro.

No segundo e quarto trimestres de 2025, o QRF sinalizou riscos ascendentes para a inflação subjacente que se vieram a concretizar; os valores finais ficaram cerca de 20 pontos base acima das projeções oficiais do pessoal do Eurosistema, que não incorporavam o sinal de IA.

O BCE apresenta o QRF como uma 'segunda opinião' que complementa, e não substitui, os modelos econométricos tradicionais. Como a divulgação provém do próprio blogue do BCE e as deliberações internas permanecem confidenciais, a verificação externa da capacidade preditiva do modelo em tempo real limita-se ao relato da própria instituição e à cobertura subsequente da imprensa financeira — ainda assim, é um dos exemplos mais concretamente documentados de uma ferramenta de IA operacional integrada no processo de decisão em tempo real de um grande banco central.