Inflation forecasting with machine learning using narrative features

A capacidade de podermos prever com assertividade a inflação é fundamental nos tempos que correm para alcançarmos estabilidade macroeconómica e podermos tomar decisões informadas, fazendo planeamentos a longo prazo. Os modelos tradicionais tendem a ter falhas a adaptar-se a alturas com maior turbulência económica, o que gera maior volatilidade neste tipo de indicadores. Avanços recentes com machine learning e a sua adaptação a dados não estruturados, como a partir de um conjunto de notícias diárias, oferecem uma alternativa criativa e promissora para conseguirmos um passo em frente em prever com mais assertividade a inflação. Este trabalho tem como base o método híbrido introduzido por Hong et al. (2024) que combina tanto dados macroecómicos como dados de texto, usando ferramentas como Latent Dirichlet Allocation. Este estudo adota uma estratégia semelhante ao paper referido com uma diferença assinalável no que toca à metodologia de divisão treino-teste adotada contrariamente à abordagem recursiva. Sistematicamente avalia os impactos de algumas mudanças em pormenores, parâmetros e estratégias, incluindo algoritmos como o LASSO, Random forest e ainda um método combinado de vários algoritmos de machine learning, sempre comparando com um modelo autorregressivo de base. Resultados mostram modelos híbridos a melhorar significativamente a performance dos modelos, com melhorias a chegar a 40% comparativamente aquilo que seriam os resultados apenas com dados macroeconómicos. Ainda se realça a importância da natureza dos tópicos, mediante o horizonte em estudo, destacando-se temas como mercados energéticos e gestão empresarial em geral. Este estudo oferece ideias práticas para economistas poderem usar técnicas avançadas e alternativas de machine learning para previsão da inflação e proporciona uma boa overview das vantagens e desvantagens de usar dados não estruturados neste tipo de investigações.