GDP nowcasting with machine learning and unstructured data

• Autores: Tenorio, Juan, Pérez, Wilder
• Formato: artículo
• Fecha de Publicación: 2025
• Institución: Universidad del Pacífico
• Repositorio: UP-Institucional
• Lenguaje: inglés
• OAI Identifier: oai:repositorio.up.edu.pe:11354/6149
• Enlace del recurso: https://hdl.handle.net/11354/6149; https://doi.org/10.21678/apuntes.99.2189
• Nivel de acceso: acceso abierto
• Materia: Producto interno bruto--Perú--Predicciones; Aprendizaje automático--Aspectos económicos--Perú; Pronóstico de la economía--Perú; https://purl.org/pe-repo/ocde/ford#5.02.01

Los modelos de nowcasting basados en algoritmos de Machine Learning (ML) ofrecen una ventaja notable para la toma de decisiones en los sectores público y privado debido a su flexibilidad y capacidad para manejar grandes cantidades de datos. Este documento presenta modelos de pronóstico en tiempo real para la tasa de crecimiento mensual del PIB peruano. Estos modelos combinan indicadores macroeconómicos estructurados con variables de sentimiento no estructurados de alta frecuencia. El análisis comprende desde enero de 2007 hasta mayo de 2023, abarcando un conjunto de 91 indicadores económicos principales. Se evaluaron seis algoritmos de ML para identificar los predictores más eficaces de cada modelo. Los resultados subrayan la notable capacidad de los modelos de ML para producir predicciones más precisas y previsoras que los modelos convencionales de series temporales. En particular, Gradient Boosting Machine, LASSO y Elastic Net destacaron por sus resultados, logrando una reducción de los errores de predicción de entre el 20% y el 25% en comparación con los modelos AR y varias especificaciones de DFM. Estos resultados podrían estar influenciados por el periodo de análisis, que incluye acontecimientos de crisis con un alto grado de incertidumbre, en los que los modelos ML con datos no estructurados mejoran la significación.