Machine Learning aplicado à macroeconomia : Modelação e previsão da inflação no período pós-Covid

Abstract

A inflação no período pós-Covid revelou-se uma surpresa para os bancos centrais, economistas e decisores políticos, pondo fim a décadas de estabilidade. O que inicialmente foi interpretado como um choque temporário transformou-se numa subida persistente e generalizada dos preços, com repercussões no poder de compra das famílias, na dinâmica das empresas e na eficácia dos instrumentos convencionais da política monetária. A presente dissertação tem como objetivo identificar os principais determinantes macroeconómicos subjacentes a este episódio inflacionário. Para tal, foram estimados os modelos de Regressão Linear, Random Forest e XGBoost, a partir de diferentes combinações de variáveis selecionadas por três abordagens distintas: Recursive Feature Elimination (RFE), a Principal Component Analysis (PCA) e BorutaShap. As três combinações com melhor desempenho, segundo as métricas de avaliação (MAE, MAPE, RMSE e R²), foram utilizadas para gerar previsões out-of-sample para os meses de janeiro, fevereiro e março de 2025. Os resultados revelaram que, em horizontes de curto prazo, a Regressão Linear com penalização do tipo Ridge superou os outros modelos de machine learning, sugerindo a superioridade da abordagem clássica neste contexto. Por fim, a análise conjunta das 10 variáveis mais relevantes, identificadas pela convergência dos métodos de seleção de variáveis baseados em machine learning (RFE e BorutaShap), aplicadas aos três modelos com melhor desempenho, confirmou o papel determinante destas variáveis na explicação da trajetória da inflação no período pós-pandémico. Esta evidência empírica, derivada da lógica preditiva dos algoritmos de machine learning, contrasta com as expetativas estabelecidas pela teoria económica convencional.

Inflation in the post-COVID period proved to be a surprise for central banks, economists and policymakers, bringing an end to decades of stability. What was initially interpreted as a temporary shock transformed into a persistent and widespread rise in prices, with repercussions on household purchasing power, business dynamics and the effectiveness of conventional monetary policy tools. This dissertation aims to identify the primary macroeconomic variables underlying this inflationary episode. For this purpose, Linear Regression, Random Forest and XGBoost models were estimated based on different combinations of variables selected by three distinct approaches: Recursive Feature Elimination (RFE), Principal Component Analysis (PCA) and BorutaShap. The three best-performing combinations, according to evaluation metrics (MAE, MAPE RMSE e R²), were used to generate out-of- sample forecasts for January, February and March 2025. The results revealed that, in the short term, Ridge-penalized Linear Regression outperformed the other machine learning models, suggesting the superiority of the classical approach in this context. Finally, the joint analysis of the 10 most relevant variables, identified by the convergence of machine learning variable selection methods (RFE and BorutaShap) applied to the three best- performing models, confirmed the decisive role of these variables in explaining the trajectory of inflation in the post-pandemic period. This empirical evidence, derived from the predictive logic of machine learning algorithms, contrasts with the expectations established by conventional economic theory.