p O físico dinamarquês Neils Bohr uma vez disse que a previsão é difícil, especialmente quando se trata do futuro. Mas isso é precisamente o que os reguladores financeiros precisam fazer - prever o provável estado da economia no futuro é crucial ao decidir sobre alavancas de política como cortar ou aumentar as taxas de juros. p Contudo, à medida que o mundo continua a se tornar mais imprevisível, a previsão tornou-se cada vez mais difícil. Este desafio foi ilustrado de forma pungente após o início da crise financeira de 2008, quando a Rainha Elizabeth fez uma pergunta aparentemente simples, mas direta, a uma sala de pesquisadores e economistas da London School of Economics:Por que ninguém previu isso?

p Diante da grande complexidade, talvez a econometria precisasse de mais ajuda. Veja o aprendizado de máquina, por exemplo. Com sua capacidade de analisar big data, poderia melhorar os métodos econométricos existentes e levar a melhores previsões. Esta é a pesquisa que o professor Yu Jun, da Singapore Management University (SMU), apresentou junto com o professor associado Xie Tian da Shanghai University of Finance and Economics, em um webinar organizado pela SMU e a Autoridade Monetária de Cingapura (MAS) em 26 de junho de 2020.

p Em sua palestra intitulada "Métodos Econométricos e Técnicas de Ciência de Dados, "Os professores Yu e Xie revisaram os métodos econométricos e técnicas de aprendizado de máquina existentes antes de discutir um híbrido de ambos os métodos. Usando dados reais e exemplos, eles mostraram que o método híbrido pode representar uma melhor previsão de variáveis ​​econômicas e financeiras.

p "Todos nós sabemos que estamos na era dos big data e das técnicas de ciência de dados de aprendizado de máquina, "disse o professor Yu." Algumas pessoas podem pensar que o aprendizado de máquina representa uma ameaça aos métodos econométricos convencionais. Esse é realmente o caso?"

p Uma mistura de tradição e mudança

p Falando primeiro, O professor Yu apresentou uma seleção de métodos econométricos tradicionais. Combinando economia com estatísticas, A econometria adota uma abordagem estatística quantitativa estruturada para análises econômicas. Com econometria, Professor Yu explicou, o método é usar dados anteriores para estabelecer relações estatísticas que, por sua vez, podem ser usadas para prever possíveis futuros.

p "A maioria dos métodos econométricos visa facilitar a interpretação e inferência estatística, " ele disse, explicando que os métodos econométricos convencionais dependem de suposições e relações lineares, como a famosa suposição de linearidade. "Você quer mapear do passado para o futuro."

p Essa abordagem funciona bem em certos casos, Professor Yu disse, mas também prova ser uma limitação:a maioria dos modelos econométricos convencionais não consegue lidar com big data ou relacionamentos complicados. "Se você tem muitos preditores ou um relacionamento complicado, métodos econométricos irão falhar. E essa é uma limitação séria na era do big data e em muitos casos importantes, " ele disse.

p Por outro lado, Professor Xie, que também é Professor Adjunto da SMU, explicou que os algoritmos de aprendizado de máquina são orientados por dados. "Em vez de confiar em suposições, muitos algoritmos de aprendizado de máquina apenas permitem que os dados falem:eles não impõem suposições ou restrições muito fortes ao processo de geração de dados, " ele disse.

p É isso que torna as técnicas de aprendizado de máquina tão flexíveis, Professor Xie apontou. Contudo, ele também acrescentou que muitos métodos de aprendizado de máquina não são realmente adaptados para dados econômicos e financeiros em primeiro lugar.

p Então, quando se trata de tentar prever o futuro, uma abordagem é melhor do que a outra? Como muitas coisas neste mundo, não é tão simples.

p Pesando seus pontos fortes e fracos

p Os professores Yu e Xie usaram dois exemplos do mundo real para ilustrar como as duas abordagens diferentes podem superar uma à outra em precisão, dependendo dos dados e do caso em questão.

p Na previsão do Índice de Volatilidade, ou VIX - um índice de volatilidade do mercado financeiro criado pela Chicago Board Options Exchange - eles mostraram que a modelagem econométrica linear mais tradicional produzia uma previsão mais precisa do que métodos de aprendizado de máquina mais complexos.

p Contudo, no segundo caso de previsão da inflação dos preços ao consumidor da zona do euro, os métodos de aprendizado de máquina superaram os métodos econométricos tradicionais.

p "Os métodos de aprendizado de máquina são muito populares, mas nem sempre superam os métodos econométricos convencionais. A questão é, podemos modificar algoritmos de aprendizado de máquina para adotar técnicas econométricas avançadas e usar melhor os dados econômicos? "

p Nessa veia, Os professores Yu e Xie discutem a ideia de que a aplicação de métodos de aprendizado de máquina a abordagens econométricas existentes, em vez de usar qualquer uma das abordagens separadamente, poderia melhorar a modelagem econométrica. Eles sugerem um algoritmo híbrido, um modelo de árvore de regressão de média (MART), que foi proposto pela primeira vez pelo professor Xie e pelo professor Steven F. Lehrer, da Queen's University, em um documento de trabalho do NBER de 2018.

p Colocando o MART à prova

p Para testar a eficácia deste método híbrido, eles o usaram para prever variáveis ​​econômicas e financeiras reais, aplicando-o aos mesmos exemplos de VIX e taxas de inflação da zona do euro discutidos anteriormente.

p Modelos econométricos ainda tinham a melhor precisão de previsão na previsão de VIX, desempenho melhor do que sua abordagem híbrida MART. Os professores Yu e Xie sugerem que isso ocorre porque os dados VIX exibem linearidade muito forte e, portanto, são mais adequados para uma abordagem econométrica.

p Mas quando se trata de prever as taxas de inflação da zona do euro, os resultados mostraram que a abordagem híbrida da dupla teve o melhor desempenho, gerando precisão de previsão superior em comparação com métodos econométricos ou de aprendizado de máquina isoladamente.

p Portanto, embora um modelo híbrido nem sempre seja o melhor em todos os casos, os elementos do aprendizado de máquina ainda podem melhorar a previsão, pegando nas tendências que os modelos econométricos tradicionais podem ignorar. Por enquanto, eles dizem que a chave é entender os fundamentos de cada método e aplicá-los nas circunstâncias mais apropriadas.

p "A estratégia híbrida combina medidas econométricas com estratégias de aprendizado de máquina para levar a ganhos significativos na precisão das previsões, "disse o professor Xie." Claro, Isto é apenas uma idéia. Um trabalho futuro é definitivamente necessário para compreender as propriedades desta estratégia híbrida proposta, a fim de ajudar a guiar os profissionais. "