Forecasting models using ML

Abstract

Este Trabajo de Fin de Grado analiza si el algoritmo de machine learning XGBoost puede mejorar la precisión de las previsiones del déficit público italiano frente a los métodos econométricos tradicionales y a las previsiones institucionales del FMI. La motivación parte de un problema ampliamente documentado en la literatura: las instituciones fiscales presentan un sesgo optimista sistemático al predecir el déficit, lo que provoca ajustes presupuestarios de emergencia y erosiona la credibilidad ante los mercados. Este fenómeno es especialmente relevante en Italia, país sometido en varias ocasiones al Procedimiento de Déficit Excesivo de la UE. Para dar respuesta a esta cuestión, el trabajo compara cuatro modelos; Random Walk, OLS multivariante, ARIMA y XGBoost; en un esquema de validación walk-forward genuinamente fuera de muestra para el periodo 2013-2024. Las variables explicativas, extraídas del WEO del FMI, se construyen con retardos temporales para evitar cualquier filtración de información futura (data leakage). Además, se evalúan distintas estrategias de combinación de previsiones, incluyendo media simple, ponderación por MSFE y la estrategia Rbest. Los principales resultados muestran que XGBoost supera al Random Walk pero no logra batir al modelo OLS en el periodo completo. Los modelos cuantitativos no presentan un sesgo estadísticamente significativo, a diferencia del FMI, cuyas previsiones exhiben un sesgo optimista constatable. Las estrategias de combinación mejoran al Random Walk, aunque no consiguen superar al mejor modelo individual. El trabajo concluye que el machine learning ofrece un complemento prometedor a los métodos tradicionales.This Bachelor's Thesis analyses whether the machine learning algorithm XGBoost can improve the accuracy of Italian public deficit forecasts compared to traditional econometric methods and the IMF's institutional projections. The motivation stems from a widely documented problem in the literature: fiscal institutions exhibit a systematic optimistic bias when predicting the deficit, leading to emergency budgetary adjustments and eroding market credibility. This phenomenon is particularly relevant in Italy, a country that has been subject to the EU's Excessive Deficit Procedure on several occasions. To address this question, the paper compares four models; Random Walk, multivariate OLS, ARIMA and XGBoost; within a genuinely out-of-sample walk-forward validation framework covering the period 2013–2024. The explanatory variables, drawn from the IMF's WEO database, are constructed with time lags to prevent any leakage of future information (data leakage). In addition, several forecast combination strategies are evaluated, including simple average, MSFE weighting and the Rbest strategy. The main findings show that XGBoost outperforms the Random Walk but fails to beat the OLS model over the full period. The quantitative models do not exhibit statistically significant bias, unlike the IMF, whose forecasts display a verifiable optimistic bias. Combination strategies improve upon the Random Walk, though they do not manage to surpass the best individual model. The paper concludes that machine learning offers a promising complement to traditional methods.