Predicción del Déficit Fiscal de Estados Unidos con Machine Learning: XGBoost, LSTM-CNN y Combinaciones Dinámicas - Piergili de la Escalada, Maria Teresa

Abstract

Este estudio presenta un marco metodológico innovador para la predicción del déficit fiscal anual de Estados Unidos, abordando las limitaciones y sesgos inherentes a las previsiones realizadas por instituciones financieras. A través de la aplicación de modelos de aprendizaje automático y técnicas avanzadas de combinación, se busca superar los enfoques tradicionales, proporcionando predicciones más precisas y dinámicas. En particular, se proponen métodos de combinación basados en criterios como AIC, BIC y BMA, destacando especialmente una ponderación dinámica automatizada mediante el estadístico Theil’s U, diseñado específicamente en este trabajo como una métrica clave para optimizar la precisión. La metodología integra dos modelos avanzados, XGBoost y LSTM-CNN, cuyos forecast errors son evaluados mediante métricas y pruebas estadísticas para validar su robustez. El análisis destaca que el modelo combinado ponderado por pesos dinámicos, impulsado por Theil’s U, emerge como el enfoque más sólido, logrando un valor mínimo de Theil’s U del 9%. Este resultado supera tanto a los modelos individuales como a las instituciones financieras, especialmente en periodos caracterizados por alta volatilidad económica. Este trabajo no solo demuestra la efectividad de los enfoques combinados, sino que establece un marco replicable y adaptable para futuros estudios en previsión económica. Los resultados subrayan la capacidad del modelo basado en Theil’s U para capturar patrones dinámicos y complejos, ofreciendo una solución robusta frente a desafíos económicos. Así, se consolida la relevancia de adoptar metodologías avanzadas en contextos de incertidumbre económica, posicionando esta investigación como un aporte significativo en el campo de la modelización fiscal.

This study presents an innovative methodological framework for the US annual fiscal deficit prediction, addressing the limitations and inherent biases of forecasts produced by financial institutions. Through the application of machine learning models and advanced combination techniques, this research aims to surpass traditional approaches by providing more accurate and adaptable predictions. Specifically, it proposes combination methods based on criteria such as AIC, BIC, and BMA, with a particular focus on a dynamic weighting mechanism automated through Theil’s U statistic, specifically designed in this study as a key metric to optimize precision. The methodology integrates two advanced models, XGBoost and LSTM-CNN, whose residuals are evaluated through metrics and statistical tests to validate their robustness. The analysis highlights that the combined model weighted by dynamic factors, driven by Theil’s U, emerges as the most reliable approach, achieving a minimum Theil’s U value of 9%. This performance surpasses both individual models and financial institutions, particularly during periods of high economic volatility. This work not only demonstrates the effectiveness of combined approaches but also establishes a replicable and adaptable framework for future economic forecasting studies. The results underline the capacity of the Theil’s U-based model to capture dynamic and complex patterns, offering a robust solution to economic challenges. Thus, this research reinforces the importance of adopting advanced methodologies in contexts of economic uncertainty, positioning itself as a significant contribution to the field of fiscal modelling.