Os modelos de Machine Learning (ML) podem, de facto, auxiliar a Reserva Federal dos Estados Unidos na formulação da política monetária. Este estudo contribui para a crescente literatura sobre previsões da taxa de juros efetiva dos EUA, fazendo uso de algoritmos de ML, como Random Forest (RF), LightGBM, Long Short-Term Memory (LSTM), Bilateral LSTM e Gated Recurrent Unit (GRU). Após a aplicação de técnicas de redução de dimensionalidade em uma base de dados com mais de 500 variáveis, foi identificado um conjunto final de variáveis de maior relevância para a previsão, das quais se destacam quatro indicadores financeiros, nomeadamente taxa de juro do papel comercial com rating AA a 3 meses, taxa de juro dos bilhetes do tesouro a 3 e 6 meses e o spread entre a taxa de juro do papel comercial a 3 meses e a taxa efetiva do banco central dos EUA. Por sua vez, variáveis relativas ao mercado de trabalho também revelam ter alguma relevância, entre elas o número de trabalhadores na economia americana no setor dos serviços, na industria e o número de trabalhadores no setor privado e agências estatais. Os resultados apontam que, em geral, esses algoritmos apresentam uma performance significativamente superior face à simples previsão média da variável dependente e face ao modelo ARIMA. Contudo, vale destacar que apenas a superioridade dos algoritmos de Deep Learning (DL) em relação ao ARIMA é estatisticamente significativa, de acordo com o teste de Dielbold-Mariano. Além disso, os algoritmos de DL demonstram superar o desempenho do RF e do LightGBM. A combinação de previsões não apresenta benefícios notáveis para a melhoraria no desempenho dos modelos.

Machine Learning (ML) models can indeed assist the Federal Reserve System in conducting monetary policy. This study contributes to the expanding literature on forecasting the effective federal interest rate in the US, utilizing Machine Learning algorithms such as Random Forest (RF), LightGBM, Long Short-Term Memory (LSTM), Bilateral LSTM, and Gated Recurrent Unit (GRU). After applying dimensionality reduction techniques to a dataset comprising over 500 variables, a final set of variables with the most significant relevance for prediction was identified. Among these, four financial indicators stand out: the interest rate on AA-rated commercial paper at 3 months, the interest rates on treasury bills at 3 and 6 months and the spread between the 3-month commercial paper and the Effective Federal Funds (EFFR). Additionally, three labor market indicators were highlighted, including the number of workers in the American economy in the services sector, the industry sector, and the number of workers in the private sector and government agencies. The results indicate that, on the whole, these algorithms significantly outperform both the simple average prediction of the dependent variable and the ARIMA model. According to the Diebold-Mariano test, it is worth noting that only the superiority of Deep Learning (DL) algorithms over ARIMA is statistically significant. Furthermore, DL algorithms overperformed RF and LightGBM. The combination of forecasts does not yield notable benefits in enhancing model performance.