Resumen
Este trabajo aborda el uso de algoritmos de Machine Learning (ML) y Deep Learning (DL) para realizar nowcasting de la actividad económica mensual total y no minera de Chile, con el objetivo de suplir la brecha de información entre el cierre de cada mes y la publicación del Indicador Oficial de Actividad Mensual. Esto se enmarca en las iniciativas del Banco Central de Chile por desarrollar instrumentos de monitoreo oportunos que permitan reaccionar ante cambios en el rumbo de la economía, esencial en contextos de incertidumbre nacional e internacional. Además, incorpora fuentes de datos no tradicionales provenientes de los documentos tributarios digitales y medios de pagos electrónicos (como ventas de las empresas) que están disponibles con mayor oportunidad y desafía los paradigmas convencionales centrados en datos macroeconómicos tradicionales. El estudio se enmarca en el ámbito interdisciplinario que combina economía y aprendizaje automático para abordar predicciones en datos económicos con alta dimensionalidad. Los métodos de investigación utilizados son cuantitativos, basados en modelos estadísticos y técnicas computacionales avanzadas. Se analizan más de 400 variables como posibles predictoras nacionales e internacionales entre 2018 y 2024, y se aplican algoritmos supervisados de ML y DL, como regresión penalizada, árboles de decisión y redes neuronales. Nuestros resultados muestran que las técnicas de ML son capaces de generar pronósticos de la actividad que se aproximan a los valores reales de manera efectiva, destacando la relevancia de las variables tributarias electrónicas en los modelos y su utilidad para mejorar el monitoreo económico y la toma de decisiones
Presentadores
Jennifer PeñaEconomist, Monetary Policy Division , Central Bank of Chile, Región Metropolitana de Santiago, Chile
Details
Presentation Type
Ponencia temática de un trabajo
Theme
KEYWORDS
Nowcasting, Machine Learning, Deep Learning
