📈 economics

Evaluation of Policy-Relevant Forecasting Advantage of Machine and Deep Learning Models over Classical Econometrics: Evidence from Ghanaian Headline Inflation

Este estudo demonstra que, para a previsão da inflação de headline de Gana durante um período de volatilidade estrutural, um modelo ARIMA simples supera abordagens complexas de machine learning e deep learning, sugerindo que explorar a alta persistência da inflação é mais eficaz do que confiar na flexibilidade funcional ao enfrentar mudanças de regime.

Autores originais: Isaac Nyame, Baffour Osei, Abigail Boatemaa, Gabriel Osei Forkuo

Publicado 2026-07-28

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Isaac Nyame, Baffour Osei, Abigail Boatemaa, Gabriel Osei Forkuo

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você esteja tentando adivinhar o tempo para a próxima semana. Você tem duas ferramentas em sua caixa de ferramentas. A primeira é uma regra simples e antiga: "Se choveu ontem, provavelmente choverá hoje". Esta é a maneira "clássica" de pensar, baseando-se em padrões que você viu se repetir repetidamente. A segunda ferramenta é um cérebro de computador supercomplexo e de alta tecnologia que leu todos os livros de meteorologia já escritos e consegue detectar padrões invisíveis e ondulados nas nuvens que nenhum humano conseguiria ver. Esta é a maneira "machine learning" (aprendizado de máquina). Durante anos, muitas pessoas assumiram que o cérebro de computador supercomplexo sempre venceria porque é inteligente e flexível. Mas e se o tempo mudar de uma forma que o computador nunca viu antes? E se uma tempestade massiva atingir e quebrar todas as regras antigas? Essa é a grande questão que este estudo aborda. Ele pergunta: quando as coisas ficam loucas e imprevisíveis, o cérebro de computador sofisticado e novo faz realmente um trabalho melhor do que a regra simples e constante? Isso não é apenas sobre o clima; é sobre prever algo que afeta o bolso de todos: o quanto os preços sobem, conhecido como inflação.

Este artigo de pesquisa é como uma competição de culinária de alto nível para ver quem prevê melhor o preço dos mantimentos em Gana. Os juízes montaram um teste muito difícil: eles pediram a nove diferentes "chefs" (que são, na verdade, modelos de computador) para prever a taxa de inflação para um período de 42 meses que incluiu um pico massivo e chocante nos preços. O objetivo era ver se os chefs sofisticados e complexos usando machine learning conseguiam ser mais espertos que os chefs simples e clássicos usando matemática tradicional.

Os resultados foram uma grande surpresa. O artigo descobriu que o chef simples e antigo venceu. Especificamente, um modelo chamado ARIMA (que é apenas um nome chique para um modelo que observa como os preços se moveram no passado) previu os preços futuros com o menor erro, errando a marca por uma média de 2,41 pontos percentuais. Foi apenas ligeiramente melhor do que o palpite mais simples possível (que é apenas assumir que o preço do próximo mês será o mesmo do mês passado) e venceu todos os modelos de machine learning sofisticados.

Os modelos sofisticados, como XGBoost e Redes Neurais, foram como alunos que memorizaram o livro didático perfeitamente, mas reprovaram no exame quando as perguntas mudaram. Durante a fase de treinamento, eles pareciam incríveis, obtendo pontuações quase perfeitas. Mas quando o teste real veio — durante a surpresa de inflação de 2022–2023, onde os preços saltaram de cerca de 10 por cento para mais de 50 por cento — esses modelos complexos tropeçaram feio. Eles tentaram encontrar padrões complicados que não existiam, um erro chamado "overfitting" (sobreajuste), e acabaram com erros muito maiores, alguns errando a marca por até 9,04 pontos percentuais ou mais.

Os autores explicam que isso aconteceu porque a inflação em Gana é muito "pegajosa" ou persistente; ela tende a continuar se movendo na mesma direção em que já estava indo. Os modelos simples são construídos para seguir esse impulso, enquanto os modelos complexos tentaram pensar demais e ficaram confusos quando a economia mudou de direção subitamente. O estudo sugere que, para um banco central tentando gerenciar a economia, manter-se com o modelo confiável, transparente e simples é, na verdade, a jogada mais inteligente do que perseguir a tecnologia mais nova e chamativa, especialmente quando os dados não são grandes o suficiente para ensinar os modelos complexos a lidar com uma crise. Embora os modelos complexos possam um dia ser úteis se tivéssemos mais dados ou ferramentas diferentes, agora, a abordagem simples e constante é a campeã.

Resumo Técnico: Avaliação de Previsão Relevante para Políticas em Gana

Definição do Problema
Este estudo aborda uma questão crítica para bancos centrais que operam sob regimes de metas de inflação em economias pequenas, abertas e expostas a commodities: os modelos modernos de machine learning (ML) e deep learning (DL) oferecem uma vantagem real de previsão sobre os benchmarks econométricos clássicos para a inflação de headline? Embora a literatura frequentemente presuma que uma maior flexibilidade do modelo se traduza em uma precisão preditiva superior, essa suposição não foi rigorosamente testada para a inflação de headline de Gana sob condições estritas e livres de vazamento (leakage) que abrangem uma ruptura estrutural genuína. O contexto específico é o surto inflacionário de 2022–2023 em Gana, onde a inflação ano a ano subiu de aproximadamente 10% para um pico superior a 50%, impulsionada pela depreciação cambial, pressões fiscais e choques globais de commodities. O desafio reside em prever através de tal volatilidade extrema, um cenário onde previsões precisas são mais vitais para a política monetária, mas onde os modelos são mais severamente testados.

Metodologia
Os autores construíram uma matriz de previsão estritamente de um passo à frente (one-step-ahead) utilizando 280 meses de dados (janeiro de 2000 – abril de 2023) do Banco de Gana, cobrindo 24 variáveis macro-monetárias centrais, incluindo taxas de juros, agregados monetários e preços internacionais de commodities.

Integridade dos Dados e Controle de Vazamento: Um protocolo rigoroso de engenharia de atributos (feature engineering) foi empregado para garantir que não houvesse vazamento de dados. Cada preditor na matriz de atributos reflete informações disponíveis estritamente um mês antes do alvo da previsão ( $t-1$ ). Isso inclui níveis defasados/níveis logarítmicos das variáveis, médias móveis do alvo computadas de $t-3$ a $t-1$ , e meses do calendário. Nenhum regressor contemporâneo ou informação de antecipação (look-ahead) foi utilizado.
Divisão Cronológica: Os dados foram divididos cronologicamente, sem embaralhamento, em três janelas não sobrepostas:
- Treinamento (200 meses): Fevereiro de 2001 – Setembro de 2017. Utilizado para ajuste de modelos e ajuste de hiperparâmetros via validação cruzada walk-forward de cinco dobras.
- Validação (24 meses): Outubro de 2017 – Setembro de 2019. Utilizada exclusivamente para comparar candidatos ajustados em dados não vistos.
- Teste (42 meses): Outubro de 2019 – Abril de 2023. Tocada exatamente uma vez após a seleção do modelo. Esta janela foi deliberadamente escolhida para incluir o surto inflacionário de 2022–2023, servindo como um "teste de estresse" em vez de um período de calma.
Modelos Candidatos: Nove modelos foram avaliados:
1. Baselines: Random Walk e Seasonal Naive.
2. Benchmark Clássico: ARIMA(3,1,0), selecionado via Critério de Informação de Akaike (AIC) e reestimado passo a passo.
3. Modelos Lineares Regularizados: Regressão Ridge e Lasso.
4. Conjuntos de Árvores (Tree Ensembles): Random Forest e XGBoost.
5. Método de Kernel: Support Vector Regression (SVR) com um kernel de função de base radial.
6. Deep Learning: Uma rede neural feed-forward rasa (MLP) com uma única camada oculta. (Nota: Arquiteturas mais complexas como LSTMs foram deliberadamente excluídas devido ao tamanho modesto da amostra de 200 meses de treinamento, o que provavelmente levaria ao overfitting).
Métricas de Avaliação: O desempenho foi classificado primariamente pelo Erro Quadrático Médio (RMSE) no conjunto de teste, suplementado pelo Erro Absoluto Médio (MAE), Erro Percentual Absoluto Médio (MAPE) e $R^2$ . A significância estatística das diferenças foi avaliada por testes de Diebold–Mariano.

Principais Resultados
Contrariamente à presunção de que modelos flexíveis dominam, o estudo descobriu que o benchmark clássico ARIMA(3,1,0) alcançou o menor RMSE no conjunto de teste (2,41 pontos percentuais), superando ligeiramente o Random Walk (2,65) e o Lasso (3,41).

Hierarquia de Desempenho: Todos os modelos de machine learning não lineares (Ridge, Random Forest, XGBoost, SVR e a rede neural) tiveram desempenho inferior aos modelos basais fora da amostra. O baseline Seasonal Naive teve o pior desempenho (RMSE 15,08), refletindo a falta de sazonalidade simples de 12 meses durante o período de surto.
Significância Estatística: Testes de Diebold–Mariano revelaram que a vantagem do ARIMA sobre o Random Walk e o Lasso não foi estatisticamente significativa ( $p > 0,05$ ). No entanto, a vantagem do ARIMA sobre todos os outros modelos não lineares foi estatisticamente significativa.
Diagnósticos de Overfitting: Um contraste acentuado foi observado entre o desempenho de treinamento e o de teste para modelos flexíveis. Por exemplo, o XGBoost alcançou um RMSE de treinamento quase perfeito (0,03), mas degradou para um RMSE de teste de 9,04. Da mesma forma, o Random Forest mostrou um grande hiato (0,83 para 7,58). Isso indica que esses modelos memorizaram as idiossincrasias do período de treinamento em vez de aprender estruturas generalizáveis.
Tratamento de Ruptura Estrutural: Durante o surto inflacionário de 2022–2023, os modelos ARIMA e Random Walk acompanharam a trajetória real da inflação mais de perto, atrasando apenas ligeiramente em relação à subida acentuada. Em contraste, os modelos de machine learning desviaram-se mais, frequentemente subestimando o pico (por exemplo, o Lasso previu 45,7% contra os 54,1% reais em dezembro de 2022).

Principais Contribuições

Rigor Metodológico: O estudo estabelece um design de previsão de um passo à frente, livre de vazamento, para a inflação de Gana, que exclui estritamente informações contemporâneas e utiliza validação walk-forward, abordando uma lacuna na literatura anterior que frequentemente dependia de decomposição in-sample ou períodos de retenção favoráveis.
Teste de Estresse Adversarial: Ao avaliar modelos especificamente através do surto inflacionário de 2022–2023, o estudo fornece evidências de como os modelos performam durante uma ruptura estrutural genuína, em vez de durante períodos econômicos calmos.
Evidência Empírica sobre Complexidade de Modelo: O artigo fornece evidências robustas de que, para séries altamente persistentes como a inflação de headline em um contexto de amostra pequena (200 meses de treinamento), modelos mais simples e restritos (ARIMA, Random Walk) degradam-se de forma mais graciosa sob estresse do que modelos de alta capacidade e flexibilidade, que são propensos ao overfitting.

Significância e Alegações
Os autores alegam que esta é uma descoberta genuína e relevante para políticas, e não uma falha de especificação. Eles argumentam que a inflação de headline é altamente persistente, e que os modelos que melhor exploram essa persistência (ARIMA, Random Walk) superam aqueles com a maior flexibilidade funcional quando confrontados com uma ruptura estrutural.

Implicação de Política: Para o Banco de Gana e instituições similares, o estudo sugere que a previsão operacional não deve adotar por padrão o método mais sofisticoso disponível. Um modelo ARIMA bem especificado, transparente e de baixo custo continua sendo uma escolha primária superior para a previsão de um passo à frente da inflação de headline em comparação com as alternativas de ML testadas.
Papel do Machine Learning: Os autores não alegam que o ML não tenha papel algum, mas sugerem que ele deve ser usado como um controle auxiliar ou entrada de um ensemble em vez de um gerador de previsão primário. Eles postulam que o ML pode agregar valor se aplicado a conjuntos de atributos mais ricos e de maior frequência, arquiteturas conscientes de regime ou modelos híbridos que combinem componentes de tendência clássica com resíduos de ML.
Limitações: Os autores qualificam modestamente suas conclusões, observando que o tamanho da amostra é modesto para deep learning, o conjunto de atributos é limitado a estatísticas publicadas (excluindo expectativas de pesquisas ou dados textuais) e a avaliação focou em previsões pontuais em vez de calibração de densidade ou intervalos. Eles reconhecem que seus achados se aplicam especificamente à rede neural rasa testada e podem não se generalizar para diferentes arquiteturas de deep learning ou diferentes componentes inflacionários (como inflação de alimentos ou inflação central).

Resumo Técnico: Avaliação de Previsão Relevante para Políticas em Gana

Mais como este