Inflation forecasting with machine learning using narrative features

Abstract

The ability to accurately forecast inflation is crucial in today's world for achieving macroeconomic stability, making informed decisions, and enabling long-term planning. Traditional models often struggle to adapt during periods of heightened economic turbulence, which increases volatility in such indicators. Recent advancements in machine learning, particularly its application to unstructured data, such as daily news articles, offer a creative and promising alternative to improve inflation forecasting accuracy. This study builds upon the hybrid methodology introduced by Hong et al. (2024), which combines both macroeconomic data and textual data using tools like Latent Dirichlet Allocation (LDA). This research adopts a similar strategy to the referenced paper but introduces a notable difference by employing a train-test split methodology instead of a recursive approach. It systematically evaluates the impact of specific adjustments, parameters, and strategies, including algorithms such as Least Absolute Shrinkage and Selection Operator (LASSO) and Random Forest (RF), as well as a combined method leveraging multiple machine learning algorithms, all benchmarked against a baseline autoregressive model. The results demonstrate that hybrid models significantly enhance forecasting performance, with improvements reaching up to 40% compared to models using only macroeconomic data. Furthermore, the findings highlight the importance of the topic nature depending on the forecasting horizon, with themes such as energy markets and corporate governance emerging as critical drivers. This study provides practical insights for economists to leverage advanced and alternative machine learning techniques for inflation forecasting, offering a comprehensive overview of the advantages and challenges of incorporating unstructured data into this type of research.

A capacidade de podermos prever com assertividade a inflação é fundamental nos tempos que correm para alcançarmos estabilidade macroeconómica e podermos tomar decisões informadas, fazendo planeamentos a longo prazo. Os modelos tradicionais tendem a ter falhas a adaptar-se a alturas com maior turbulência económica, o que gera maior volatilidade neste tipo de indicadores. Avanços recentes com machine learning e a sua adaptação a dados não estruturados, como a partir de um conjunto de notícias diárias, oferecem uma alternativa criativa e promissora para conseguirmos um passo em frente em prever com mais assertividade a inflação. Este trabalho tem como base o método híbrido introduzido por Hong et al. (2024) que combina tanto dados macroecómicos como dados de texto, usando ferramentas como Latent Dirichlet Allocation. Este estudo adota uma estratégia semelhante ao paper referido com uma diferença assinalável no que toca à metodologia de divisão treino-teste adotada contrariamente à abordagem recursiva. Sistematicamente avalia os impactos de algumas mudanças em pormenores, parâmetros e estratégias, incluindo algoritmos como o LASSO, Random forest e ainda um método combinado de vários algoritmos de machine learning, sempre comparando com um modelo autorregressivo de base. Resultados mostram modelos híbridos a melhorar significativamente a performance dos modelos, com melhorias a chegar a 40% comparativamente aquilo que seriam os resultados apenas com dados macroeconómicos. Ainda se realça a importância da natureza dos tópicos, mediante o horizonte em estudo, destacando-se temas como mercados energéticos e gestão empresarial em geral. Este estudo oferece ideias práticas para economistas poderem usar técnicas avançadas e alternativas de machine learning para previsão da inflação e proporciona uma boa overview das vantagens e desvantagens de usar dados não estruturados neste tipo de investigações.