Previsão em Tempo Real do PIB com Machine Learning — o Teste Comparativo do Banco Nacional Suíço com Mais de 1.100 Indicadores

O Banco Nacional Suíço (SNB) publica previsões de PIB em tempo real ('nowcasts') para fundamentar as suas decisões trimestrais de política monetária, tradicionalmente recorrendo a modelos de séries temporais, como modelos autorregressivos e de fatores.

No Documento de Trabalho 2024-06, 'Nowcasting GDP: What Are the Gains From Machine Learning Algorithms?', os economistas do SNB Milen Arro-Cannarsa e Rolf Scheufele testaram sistematicamente se os novos métodos de aprendizagem automática têm melhor desempenho do que os modelos de referência tradicionais.

O estudo construiu um vasto conjunto de dados de frequência mista com mais de 1.100 séries temporais, aplicando ajustamentos de desfasamento de publicação e agrupamento para alinhar indicadores mensais com o PIB trimestral. Foram testadas oito abordagens de aprendizagem automática — LASSO, regressão ridge e elastic-net, bagging, florestas aleatórias, gradient boosting e regressão de vetores de suporte (SVR) — face a três modelos de referência padrão: um modelo univariado, um algoritmo de seleção progressiva e uma regressão de componentes principais (PCR).

Para a exigente amostra pós-Grande Recessão, todas as técnicas de aprendizagem automática testadas superaram o modelo de referência univariado, com ganhos de até 28% no erro quadrático médio (RMSE) fora da amostra. A regressão ridge, a elastic net e a SVR foram os métodos com melhor desempenho, superando significativamente a PCR, o modelo de referência mais comum na previsão a curto prazo dos bancos centrais.

O documento constitui um teste retrospetivo rigoroso e publicado, e não uma implementação operacional ao vivo: o SNB não afirmou que estes modelos específicos orientam atualmente as suas previsões oficiais, e os autores enquadram os resultados como evidência para uma futura adoção metodológica, e não como um sistema de produção concluído.