Forecasting inflation with mixed frequency data sampling: an application for Latin America

Abstract

Este trabalho tem por objetivo analisar a importância dos modelos de frequência mistas (MIDAS) na previsão de inflação na América Latina e, em particular, no Brasil. O primeiro artigo compara diferentes tipos de modelos de séries de tempos em um rico ambiente de informações, utilizando dados de preços de commodities, ativos financeiros para previsão de inflação nos principais países da América Latina, isto é, Brasil, Chile, Colombia, México e Peru. São comparados modelos de frequência única e frequência mista na previsão 1 mês à frente dos indices de preços ao consumidor e também a sua medida mais importante de núcleo. Foram utilizadas diferentes técnicas de estimação com seleção automática de variáveis como GETS e LASSO, redução de variáveis (fatores por componentes principais e Three Pass Regression Filter) e modelos de frequências mistas, MIDAS, em suas versões restritas e irrestritas. Também foram incluídos na lista de modelos o random walk e o AR(1) como forma de comparar se modelos com estruturas mais complexas apresentam ganhos de eficiência nas previsões de curto prazo em relação a modelos considerados ingênuos. A comparação de modelos foi realizada através do Model Confidence Set (MCS) no qual os resultados sugerem ganhos de eficiência de forma uniforme em todos os países selecionados nos modelos de previsão de frequência mistas irrestritos com dados semanais e fatores filtrados pelo three pass regression filter como variáveis explicativas. No segundo artigo foi desenvolvida uma metodologia para previsão de inflação no Brazil em tempo real com a utilização de modelos em frequência mistas (MIDAS). Foi utilizado o Monitor de Inflação da FGV na base diária e semanal como variável explicativa para os modelos de previsão de inflação diária. Foi observado ganhos de previsão não apenas em relação aos modelos ingênuos (random walk and AR(1)) como também em relação as previsões de profissionais de mercado medido pelo boletim focus do Banco Central nas primeiras 3 semanas do mês corrente, aproximadamente. Sendo assim, essa abordagem consegue trazer previsões mais confiáveis no curtíssimo prazo para a melhor tomada de decisão dos agentes econômicos.

This work aims to analyze the importance of mixed-frequency models (MIDAS) in inflation forecasts in Latin America, particularly Brazil. The first article compares different time series models in a rich information environment, using commodities price and financial data for inflation forecasting in major Latin American countries, i.e., Brazil, Chile, Colombia, Mexico, and Peru. Single-frequency and mixed-frequency models are compared in their one-month ahead predictions for consumer price indices and their most common core measure. Different estimation techniques are used with automatic selection of variables such as GETS and LASSO, shrinkage of variables (using factors generated by principal components and the Three Pass Regression Filter), and mixed frequency models (MIDAS) in their restricted and unrestricted versions. The random walk and AR(1) were also included in the list of models to compare whether models with more complex structures present efficiency gains in short-term predictions than naive models. The comparison of models is performed through the Model Confidence Set (MCS). Results suggest efficiency gains in predictions obtained from unrestricted MIDAS models with weekly data and factors performed through the three-pass regression filter (MF-3PRF) as explanatory variables. In the second article, a methodology was developed for forecasting inflation in Brazil in real-time with the use of mixed frequency models (MIDAS). The FGV Inflation Monitor is used as an explanatory variable in the models to predict daily inflation. Forecast gains were observed in relation to naive models (random walk and AR(1)) and in relation to forecasts made by market professionals – measured by the Central Bank’s FOCUS bulletin – roughly in the first three weeks of the current month. Thus, this approach can bring more reliable predictions in the very short term for better decision-making by economic agents.