PulsoPBA: nowcasting operativo de actividad económica utilizando datos bancarios mediante redes neuronales
Palabras clave:
nowcasting, aprendizaje profundo, alta dimensionalidad, transacciones bancarias, sistema en producciónResumen
PulsoPBA es un sistema de nowcasting para la estimación de granularidad semanal de la actividad económica de la Provincia de Buenos Aires (Argentina), cuyo dato oficial se publica con un rezago de hasta 10 semanas y con una granularidad mensual. Para este objetivo, utiliza datos de aproximadamente 1.200 variables derivadas de transacciones bancarias. El sistema incorpora una etapa de desagregación temporal para construir la serie objetivo semanal partiendo de datos mensuales oficiales. En cuanto al entrenamiento, la alta dimensionalidad y heterogeneidad de estas series motivó la adopción de redes neuronales capaces de proyectar variables a un espacio latente de menor dimensión. Se utiliza la arquitectura TiDE, cuyo encoder viabiliza una reducción de dimensionalidad intrínseca. El resultado principal es un pipeline automatizado en un entorno productivo. El sistema se re-entrena automáticamente al publicarse un nuevo dato oficial, integrando un embudo de selección de modelos multi-criterio basado en el Weighted Interval Score (WIS) y predicciones probabilísticas via Monte Carlo Dropout. Los resultados operativos contrastados con datos oficiales publicados ex post muestran un MAPE mensual de entre 0.7% y 3.5%, validando el pipeline y demostrando la factibilidad de un sistema de nowcasting de alta frecuencia a partir de datos bancarios de alta dimensionalidad.
Descargas
Referencias
Akiba, T., Sano, S., Yanase, T., Ohta, T. y Koyama, M. (2019). Optuna: A next-generation hyperparameter optimization framework. En Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 2623–2631). ACM. https://doi.org/10.1145/3292500.3330701
Aprigliano, V., Ardizzi, G. y Monteforte, L. (2017). Using the payment system data to forecast the Italian GDP (Temi di discussione N.º 1098). Banca d'Italia. https://www.bancaditalia.it/pubblicazioni/temi-discussione/2017/2017-1098/index.html
Bańbura, M. y Modugno, M. (2014). Maximum likelihood estimation of factor models on datasets with arbitrary pattern of missing data. Journal of Applied Econometrics, 29(1), 133–160. https://doi.org/10.1002/jae.2306
Barlas, A. B., Mert, S. G., Isa, B. O., Ortiz, Á., Rodrigo, T., Soybilgen, B. y Yazgan, E. (2021). Big data information and nowcasting: Consumption and investment from bank transactions in Turkey (arXiv:2107.03299). arXiv. https://doi.org/10.48550/arXiv.2107.03299
Benidis, K., Rangapuram, S. S., Flunkert, V., Wang, Y., Maddix, D., Turkmen, C., Gasthaus, J., Bohlke-Schneider, M., Salinas, D., Stella, L., Aubet, F.-X., Callot, L. y Januschowski, T. (2023). Deep learning for time series forecasting: Tutorial and literature survey. ACM Computing Surveys, 55(6), 1–36. https://doi.org/10.1145/3533382
Blanco, E., Dogliolo, F. y Garegnani, L. (2022). Nowcasting durante la pandemia: Un apartado para Argentina (Documentos de Trabajo N.º 99). Banco Central de la República Argentina. https://doi.org/10.64285/documentosbcra.y2022.99
Bracher, J., Ray, E. L., Gneiting, T. y Reich, N. G. (2021). Evaluating epidemic forecasts in an interval format. PLOS Computational Biology, 17(2), e1008618. https://doi.org/10.1371/journal.pcbi.1008618
Carrera, G. (2024). Anticipar el EMAE para decidir mejor: Modelos de nowcasting para el pronóstico de la actividad económica mensual argentina [Trabajo final de posgrado, Universidad de Buenos Aires, Facultad de Ciencias Económicas]. Biblioteca Digital FCE-UBA. http://bibliotecadigital.econ.uba.ar/econ/collection/tpos/document/1502-2974_CarreraM
Chen, S.-A., Li, C.-L., Yoder, N., Arik, S. O. y Pfister, T. (2023). TSMixer: An all-MLP architecture for time series forecasting (arXiv:2303.06053). arXiv. https://doi.org/10.48550/arXiv.2303.06053
Chen, T. y Guestrin, C. (2016). XGBoost: A scalable tree boosting system. En Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). ACM. https://doi.org/10.1145/2939672.2939785
Chow, G. C. y Lin, A. (1971). Best linear unbiased interpolation, distribution, and extrapolation of time series by related series. The Review of Economics and Statistics, 53(4), 372–375. https://doi.org/10.2307/1928739
D'Amato, L., Garegnani, L. y Blanco, E. (2016). Nowcasting de PIB: Evaluando las condiciones cíclicas de la economía argentina. Ensayos Económicos, 1(74), 7–26. https://doi.org/10.64285/ensayosbcra74.y2016.139
Das, A., Kong, W., Leach, A., Mathur, S., Sen, R. y Yu, R. (2023). Long-term forecasting with TiDE: Time-series dense encoder (arXiv:2304.08424). arXiv. https://doi.org/10.48550/arXiv.2304.08424
Doerr, S., Gambacorta, L. y Serena Garralda, J. M. (2021). Big data and machine learning in central banking (BIS Working Papers N.º 930). Bank for International Settlements. https://www.bis.org/publ/work930.htm
Gal, Y. y Ghahramani, Z. (2016). Dropout as a Bayesian approximation: Representing model uncertainty in deep learning. En Proceedings of the 33rd International Conference on Machine Learning (Vol. 48, pp. 1050–1059). PMLR. https://proceedings.mlr.press/v48/gal16.html
Giannone, D., Reichlin, L. y Small, D. (2008). Nowcasting: The real-time informational content of macroeconomic data. Journal of Monetary Economics, 55(4), 665–676. https://doi.org/10.1016/j.jmoneco.2008.05.010
Herzen, J., Lässig, F., Piazzetta, S. G., Neuer, T., Tafti, L., Raille, G., Van Pottelbergh, T., Pasieka, M., Skrodzki, A., Huguenin, N., Dumonal, M., Kościsz, J., Bader, D., Gusset, F., Benheddi, M., Williamson, C., Kosinski, M., Petrik, M. y Grosch, G. (2022). Darts: User-friendly modern machine learning for time series. Journal of Machine Learning Research, 23(124), 1–6. https://jmlr.org/papers/v23/21-1177.html
Huber, F., Koop, G., Onorante, L., Pfarrhofer, M. y Schreiner, J. (2021). Nowcasting in a pandemic using non-parametric mixed frequency VARs (Working Paper Series N.º 2510). European Central Bank. https://doi.org/10.2866/262195
Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q. y Liu, T.-Y. (2017). LightGBM: A highly efficient gradient boosting decision tree. En Advances in Neural Information Processing Systems 30 (pp. 3146–3154). Curran Associates. https://proceedings.neurips.cc/paper/2017/hash/6449f44a102fde848669bdd9eb6b76fa-Abstract.html
Kingma, D. P. y Ba, J. (2015). Adam: A method for stochastic optimization [Presentación en conferencia]. 3rd International Conference on Learning Representations (ICLR), San Diego, CA, Estados Unidos. https://doi.org/10.48550/arXiv.1412.6980
Llada, M. (2022). Forecasting del PIB argentino. Revista de Economía Política de Buenos Aires, 16(25), 37–72. https://doi.org/10.56503/repba.Nro.25(16)pp35-72
León, C. y Ortega, F. (2018). Nowcasting economic activity with electronic payments data: A predictive modeling approach. Revista de Economía del Rosario, 21(2), 381–407. https://doi.org/10.12804/revistas.urosario.edu.co/economia/a.7205
Lim, B. y Zohren, S. (2021). Time-series forecasting with deep learning: A survey. Philosophical Transactions of the Royal Society A, 379(2194), 20200209. https://doi.org/10.1098/rsta.2020.0209
Linzenich, J. y Meunier, B. (2024). Nowcasting made easier: A toolbox for economists (Working Paper Series N.º 3004). European Central Bank. https://doi.org/10.2866/7091049
Oukhouya, H., Kadiri, H., El Himdi, K. y Guerbaz, R. (2024). Forecasting international stock market trends: XGBoost, LSTM, LSTM-XGBoost, and backtesting XGBoost models. Statistics, Optimization & Information Computing, 12(1), 200–209. https://doi.org/10.19139/soic-2310-5070-1822
Sax, C. y Steiner, P. (2013). Temporal disaggregation of time series. The R Journal, 5(2), 80–87. https://doi.org/10.32614/RJ-2013-028
Woloszko, N. (2024). Nowcasting with panels and alternative data: The OECD weekly tracker. International Journal of Forecasting, 40(4), 1302–1335. https://doi.org/10.1016/j.ijforecast.2023.11.005
Zeng, A., Chen, M., Zhang, L. y Xu, Q. (2023). Are transformers effective for time series forecasting? Proceedings of the AAAI Conference on Artificial Intelligence, 37(9), 11121–11128. https://doi.org/10.1609/aaai.v37i9.26317
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Igal Kejsefman, Agustín Caputo Bugallo, Milena Valens Upegui, Rodrigo Castro
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Acorde a estos términos, el material se puede compartir (copiar y redistribuir en cualquier medio o formato) y adaptar (remezclar, transformar y crear a partir del material otra obra), siempre que a) se cite la autoría y la fuente original de su publicación (revista y URL de la obra), b) no se use para fines comerciales y c) se mantengan los mismos términos de la licencia.
