Nowcasting del PBI con Machine Learning y datos no estructurados.

En un contexto de cambio continuo, los modelos de "nowcasting" basados en algoritmos de Machine Learning (ML) ofrecen una notable ventaja para la toma de decisiones tanto en el sector público como en el privado debido a su flexibilidad y capacidad para manejar grandes cantidades de datos. Este documento presenta modelos de proyección diseñados para pronosticar en tiempo real la tasa de crecimiento mensual del PBI peruano. Estos modelos integran indicadores macroeconómicos estructurados con variables de sentimiento no estructuradas de alta frecuencia. El análisis abarca desde enero de 2007 hasta mayo de 2023 e incorpora un amplio conjunto de 91 indicadores líderes. Se evaluaron rigurosamente seis algoritmos de ML para identificar los predictores más eficaces por cada modelo. Los resultados revelan la notable capacidad de los modelos de ML para ofrecer predicciones más precisas y anticipadas que los modelos convencionales de series temporales. En particular, Gradient Boosting Machine, LASSO y Elastic Net destacaron por su rendimiento, logrando una reducción del error de predicción del 20% al 25% en comparación con un modelo AR y varias especificaciones de DFM. Estos resultados podrían estar influidos por el periodo de análisis, que incluye eventos de crisis con un alto grado de incertidumbre, donde los modelos ML con datos no estructurados mejoran significativamente.