¿Pueden los metadatos guiar la selección de variables en el pronóstico macroeconómico?

Este trabajo investiga si los metadatos estructurales provenientes de un registro institucional contienen suficiente señal para guiar la selección de variables en el pronóstico macroeconómico. Estudiamos esta pregunta mediante dos enfoques complementarios. El primero, Metadata ε-Greedy, es una política de búsqueda estocástica que utiliza embeddings invariantes a permutaciones de los metadatos del registro para guiar una búsqueda con presupuesto fijo sobre subconjuntos de predictores, utilizando la pérdida de pronóstico como única señal de retroalimentación. El segundo, Metadata Bayes, realiza la selección de variables enteramente en el espacio de metadatos: construye priors a nivel de grupo a partir de descriptores institucionales, los actualiza mediante correlación parcial con la variable objetivo y selecciona predictores a través de Thompson sampling, sin evaluar en ningún momento un modelo de pronóstico durante la selección. Ambos métodos se evalúan en el pronóstico del IPC general del Perú utilizando dos modelos de predicción, una Autorregresión Vectorial (VAR) y un Random Forest, y se comparan contra búsqueda aleatoria, selección progresiva (forward selection), LASSO, Bayesian Ridge, PCA y un método de selección de variables bayesiano de última generación. Metadata Bayes, a pesar de no observar nunca la pérdida de pronóstico durante la selección, alcanza una precisión fuera de muestra competitiva frente a todos los métodos base, incluyendo el enfoque bayesiano de referencia. Metadata ε-Greedy mejora aún más estos resultados bajo el modelo VAR durante el período del shock de COVID. En conjunto, los resultados sugieren que los metadatos del registro codifican suficiente estructura económica como para servir como un proxy significativo de relevancia predictiva, complementando (y no reemplazando) los enfoques tradicionales de pronóstico.