Key features for improving macroeconomic forecasting : evidence from Brazil

Abstract

This study aims to compare the performance of linear and nonlinear models in data-poor and data-rich environments with different regularization and loss functions to understand which characteristics of machine learning are useful for macroeconomic forecasting when using Brazilian macroeconomic variables. For that, we predict three macroeconomic variables that are indicators of the Brazilian economy: the open unemployment rate of the Metropolitan Region of São Paulo, the Brazilian inflation rate using the IPCA index, and the spread with the indicator Emerging Markets Bond Index Plus (EMBI+) for Brazil using 34 linear and nonlinear models that differ in the hyperparameters, the regularizations and the loss function used. We make the predictions considering observations of 139 variables for almost 23 years. The main conclusions show that the best models are the ones with lasso and Elastic Net penalties, and that the data-rich is the best environment, especially when considering shrinkage methods using the elastic-net estimator.

Este artigo tem como objetivo comparar vários modelos diferentes em diferentes cenários, a fim de compreender quais características do aprendizado de máquina são úteis para previsões macroeconômicas. Este estudo consiste em comparar o desempenho de modelos lineares e não lineares em ambientes pobres e ricos em dados para diferentes janelas e horizontes para previsão de diferentes variáveis macroeconômicas brasileiras. Para isso, prevemos três variáveis macroeconômicas que são indicadores da economia brasileira: a taxa de desemprego aberta da Região Metropolitana de São Paulo, a taxa de inflação brasileira, usando o índice IPCA, e o spread com o indicador Emerging Markets Bond Index Plus (EMBI+) para o Brasil usando 34 modelos lineares e não lineares que diferem nos hiper parâmetros, nas regularizações e na função de perda utilizada. Fazemos as previsões considerando observações de 139 variáveis durante quase 23 anos. As principais conclusões mostram que os melhores modelos são aqueles com penalidade de lasso e elastic-net e o ambiente rico em dados (data-rich) é o melhor, especialmente quando se consideram métodos de shrinkage usando o estimador do elastic-net.