Nowcasting del PBI Peruano con Técnicas de Machine Learning

Este documento explora la aplicación de técnicas de aprendizaje de máquina (ML, por sus siglas en inglés) para el nowcasting de la tasa de crecimiento interanual del PBI y del PBI no primario de Perú. Utilizando un conjunto de datos que incluye más de 170 variables, se evalúa el desempeño predictivo de 12 modelos de ML, incluyendo Lasso, Ridge, Elastic Net, Support Vector Machine, Random Forest, XGBoost y Redes Neuronales. El estudio compara estos enfoques de ML con el Modelo de Factores Dinámicos (MFD), que sirve como punto de referencia en la literatura de nowcasting. Tratamos configuraciones específicas, como las rotaciones al conjunto de variables y la técnica de reducción de dimensionalidad, como hiperparámetros que se optimizan iterativamente mediante el algoritmo del Tree-Structured Parzen Estimator. Nuestros resultados muestran que los modelos de ML superaron al DFM en el nowcasting del PBI total y que logran un desempeño similar a este en el nowcasting del PBI no primario. Además, el enfoque bottom-up parece ser la práctica más efectiva para el nowcasting de la actividad económica, ya que la agregación de predicciones sectoriales mejora la precisión de los métodos de ML. Los hallazgos indican que los modelos de ML ofrecen una alternativa viable y competitiva a los métodos tradicionales de nowcasting