Nowcasting del crecimiento económico argentino con machine learning parsimonia, precisión y adaptabilidad en el diseño de estrategias predictivas

• Autores: Caprari, Máximo
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Ortiz, Pablo Arnaldo
• Materia: Nowcasting; Aprendizaje automático; Componentes principales; EMAE; Reducción dimensional
• Institución: Universidad Nacional de Córdoba

Trabajo final (Licenciatura en Economía) -- Universidad Nacional de Córdoba. Facultad de Ciencias Económicas. Escuela de Graduados, 2025.
Fil: Caprari, Máximo. Universidad Nacional de Córdoba. Facultad de Ciencias Económicas; Argentina.
Este trabajo evalúa el desempeño de modelos de aprendizaje automático para el nowcasting del crecimiento económico argentino, medido mediante la variación interanual del Estimador Mensual de Actividad Económica (EMAE). Se comparan seis algoritmos (Lasso, Ridge, Elastic Net, XGBoost, Random Forest, LightGBM) y ensembles ponderados bajo tres diseños que representan distintos puntos en el trade-off parsimonia-precisión: feature engineering extensivo (722 características), Análisis de Componentes Principales (PCA) sectorial (34 features) y enfoque híbrido (52 features). La evaluación se realiza mediante validación walk-forward con ventana expansiva sobre 379 observaciones mensuales (1993-2025), generando 319 predicciones genuinamente out-of-sample. Los resultados revelan que el enfoque híbrido captura el 96% de la precisión del feature engineering extensivo utilizando solo el 7% de las características (R2 = 0,803 vs 0,833), mostrando rendimientos marginales decrecientes. Sin embargo, todos los diseños estáticos exhiben deterioro temporal significativo en el período reciente (caídas de 15-28 puntos de R2 en 2018-2025). La implementación de extensiones adaptativas (PCA dinámico con ventana móvil, modelos rolling y Filtro de Kalman) revierte completamente este patrón, alcanzando R2 = 0,864 y superando simultáneamente al enfoque estático más preciso en exactitud y parsimonia. La contribución principal es demostrar que en economías con cambios estructurales frecuentes, la ventana temporal de entrenamiento es tan importante como la selección de algoritmos o la ingeniería de características. Este hallazgo cuestiona la práctica común en econometría aplicada de maximizar el tamaño muestral sin considerar relevancia temporal, y posiciona la adaptabilidad como requisito estructural para nowcasting robusto en contextos volátiles. El análisis marginal de eficiencia predictiva (ΔR2/Δfeatures) ofrece un marco cuantitativo para evaluar el trade-off entre complejidad y desempeño en contextos con recursos limitados.
Fil: Caprari, Máximo. Universidad Nacional de Córdoba. Facultad de Ciencias Económicas; Argentina.