Doombot: a machine learning algorithm for predicting downturns in OECD countries

Doombot-a-machine-learning-algorithm-for-predicting-downturns-in-OECD-countries.jpg

Este informe describe un algoritmo llamado «DoomBot» que selecciona modelos parsimoniosos para predecir recesiones en diferentes horizontes trimestrales que abarcan los dos años siguientes para 20 países de la OCDE. Los modelos son específicos para cada país y horizonte, y se actualizan automáticamente a medida que se amplía el período de muestra de estimación, lo que facilita la evaluación fuera de muestra del algoritmo. Se elige una combinación limitada de variables explicativas de un conjunto mucho más grande de variables potenciales que incluyen aquellas que han sido más útiles en la predicción de recesiones en trabajos anteriores de la OCDE. Las variables más seleccionadas con más frecuencia son variables financieras, especialmente aquellas relacionadas con el crédito y los precios de las viviendas, pero también incluyen precios de acciones y varias medidas de tasas de interés (como la pendiente de la curva de rendimiento). También se seleccionan variables del ciclo económico, como medidas de encuestas de utilización de capacidad, producción industrial, PIB y desempleo, pero con más frecuencia en horizontes muy cortos. Las variables seleccionadas no solo se relacionan con la economía doméstica del país en consideración, sino también con agregados internacionales, en línea con hallazgos de trabajos anteriores de la OCDE. El ajuste dentro de la muestra de los modelos es muy bueno en métricas de rendimiento estándar, aunque el rendimiento fuera de la muestra es menos impresionante. Sin embargo, los modelos proporcionan una clara advertencia anticipada fuera de la muestra de la Crisis Financiera Global (GFC), especialmente cuando se consideran colectivamente, aunque generan «falsas alarmas» justo antes de la crisis. Los modelos tienen menos éxito en predecir la crisis del área del euro fuera de la muestra, pero es evidente a partir de la evolución de la elección de variables que el algoritmo aprende de este episodio, por ejemplo, a través de la selección más frecuente de una variable que mide la diferencia de rendimiento de bonos soberanos del área del euro. Las últimas predicciones fuera de la muestra realizadas a mediados de 2023 sugieren que la probabilidad de una recesión es la más alta y más extendida desde la GFC, con las mayores contribuciones a tales riesgos provenientes de los precios de las viviendas, desarrollos en las tasas de interés (medidos por la pendiente de la curva de rendimiento y la rapidez del cambio en las tasas cortas) y los precios del petróleo. Por otro lado, las señales de advertencia de variables del ciclo económico y precios de acciones, que a menudo son buenos predictores de recesiones a corto plazo, brillan por su ausencia. Los pronosticadores macroeconómicos son notoriamente malos prediciendo recesiones y esta falla consistentemente representa sus mayores errores de pronóstico. A veces, esta falla se mitiga con comentarios acompañantes que ofrecen un relato descriptivo de los riesgos que rodean a los pronósticos. El presente documento describe un enfoque alternativo y posiblemente complementario al proporcionar una evaluación cuantitativa de los riesgos de una recesión en un horizonte de pronóstico de dos años.

 

Una elaboración importante de la metodología empleada en este documento en comparación con trabajos anteriores es que se utiliza un algoritmo, «DoomBot», para seleccionar el ‘mejor’ modelo para cada horizonte y país a medida que el período de estimación se extiende y más datos están disponibles. Este documento puede considerarse parte de una tendencia reciente en la investigación de pronósticos macroeconómicos, que implica una fusión de enfoques tradicionales y modernos de aprendizaje automático. La metodología utiliza muchas características comunes al aprendizaje automático: se utiliza un algoritmo para seleccionar modelos estadísticos siguiendo un proceso de selección intensivo en datos donde se eligen variables de un gran conjunto de posibles variables explicativas (que incluyen indicadores tanto financieros como del ciclo económico, tanto nacionales como internacionales); el algoritmo aprende de la experiencia para que los modelos evolucionen a medida que se extienda el período de muestra; la selección y actualización de muchos modelos (para 20 países, cada uno en 9 horizontes trimestrales diferentes) se automatiza mediante el mismo algoritmo, demostrando que el enfoque es escalable; y se emplean muchos de los indicadores de evaluación de modelos comúnmente utilizados en el aprendizaje automático. Al mismo tiempo, se imponen suficientes restricciones de juicio para asegurar que las ecuaciones de predicción elegidas sean parsimoniosas, consistentes en todos los horizontes y tengan una interpretación plausible, abordando así una de las críticas comunes a los métodos de aprendizaje automático. Otra característica importante del trabajo actual, en comparación con gran parte de la literatura tradicional de modelado de recesiones, es que se aplica el mismo enfoque a un gran número de países en diferentes horizontes, proporcionando así una prueba adicional de su robustez. Una ventaja de utilizar un algoritmo es que facilita su actualización a medida que se disponga de nuevos datos o para extender el enfoque a nuevos países o considerar la inclusión de nuevas variables explicativas. Una segunda ventaja es que proporciona un medio para evaluar el rendimiento histórico fuera de la muestra del algoritmo, en lugar de depender solo de la evaluación dentro de la muestra, especialmente dado que el rendimiento dentro de la muestra de modelos discretos probabilísticos a menudo se encuentra que exagera su rendimiento fuera de la muestra. Por lo tanto, en la configuración actual, es fácil ejecutar el algoritmo hasta la víspera de una importante recesión, como justo antes de la Crisis Financiera Global, y luego evaluar el rendimiento fuera de la muestra de los modelos en la predicción de la recesión.

 

El informe detalla un sistema innovador diseñado para anticipar y prever periodos de recesión económica en naciones pertenecientes a la Organización para la Cooperación y el Desarrollo Económicos (OCDE). El algoritmo Doombot se presenta como una herramienta potencialmente valiosa en la identificación temprana de tendencias económicas negativas, utilizando técnicas de aprendizaje automático para analizar múltiples indicadores financieros y económicos. El informe describe la metodología empleada por Doombot, destacando su capacidad para examinar grandes conjuntos de datos históricos y actuales, identificar patrones y correlaciones entre diversas variables financieras y económicas. Esto incluye factores como el crecimiento del PIB, las tasas de interés, el desempleo, la inflación, entre otros indicadores relevantes. A través de la aplicación de algoritmos avanzados de aprendizaje automático, el sistema Doombot busca identificar señales tempranas que puedan sugerir la posibilidad de una recesión económica en el futuro. El informe también destaca la precisión y eficacia demostrada por el algoritmo en pruebas retrospectivas utilizando datos históricos, donde pudo prever con cierta anticipación períodos de recesión en distintos países pertenecientes a la OCDE. Además, resalta la importancia de esta herramienta en el ámbito financiero y gubernamental, ya que la capacidad para anticipar recesiones económicas podría permitir la implementación de políticas preventivas y medidas correctivas con el objetivo de mitigar el impacto de dichos periodos adversos en la economía. En resumen, el informe sobre Doombot representa un avance significativo en la aplicación de algoritmos de aprendizaje automático para la predicción de recesiones económicas en países de la OCDE. Su capacidad para analizar múltiples variables económicas y proporcionar alertas tempranas sobre posibles crisis financieras ofrece un potencial considerable para ayudar a las autoridades gubernamentales, inversores y profesionales financieros a tomar decisiones informadas y prepararse mejor ante posibles escenarios económicos adversos.

Para leer más ingrese a:

https://www.oecd-ilibrary.org/economics/doombot-a-machine-learning-algorithm-for-predicting-downturns-in-oecd-countries_4ed7acc3-en

https://www.oecd-ilibrary.org/deliver/4ed7acc3-en.pdf?itemId=%2Fcontent%2Fpaper%2F4ed7acc3-en&mimeType=pdf

¡Haz clic para puntuar esta entrada!
(Votos: 0 Promedio: 0)

Compartir artículo

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Busca los documentos, noticias y tendencias más relevantes del sector eléctrico

Buscador de documentos
Buscador de noticias y tendencias

Banco de Información

Descripción del semáforo tecnológico

Los documentos se clasifican en varios colores tipo semáforo tecnológico que indican el nivel de implementación de la tecnología en el país

Tecnología en investigación que no ha sido estudiado o reglamentado por entidades del sector.

La tecnología se aplica de manera focal y se encuentra en estudio por parte de las entidades del sector.

La tecnología se aplica de manera escalable y se encuentran políticas y regulaciones focales establecidas.

La tecnología se aplica a través de servicios  y se encuentran políticas y regulaciones transversales establecidas.

La tecnología se aplica de manera generalizada  y se tiene un despliegue masivo de esta.

Para acceder a todos los documentos publicados y descargarlos ingresa aquí