Forecasting Macroeconomico
Debito Pubblico Italiano
Modello Random Forest con cross-validation temporale per proiettare l'andamento del rapporto debito/PIL dal 2024 al 2030. Dataset strutturato su indicatori macroeconomici (PIL, tassi BCE, inflazione HICP, saldo primario) secondo le metodologie IMF e Banca d'Italia.
Feature Importance
| Feature | Importanza | |
|---|---|---|
| PIL nominale (YoY %) | 28.4% | |
| Tasso di interesse medio | 22.1% | |
| Saldo primario/PIL | 18.7% | |
| Inflazione (HICP) | 14.2% | |
| Tasso disoccupazione | 9.8% | |
| Altre variabili macro | 6.8% |
Snippet chiave
from sklearn.model_selection import TimeSeriesSplit
# Time-series cross validation
tscv = TimeSeriesSplit(n_splits=5)
rf = RandomForestRegressor(n_estimators=200, max_depth=6, random_state=42)
# Train e valutazione
for train_idx, test_idx in tscv.split(X):
rf.fit(X[train_idx], y[train_idx])
preds = rf.predict(X[test_idx])
mape = mean_absolute_percentage_error(y[test_idx], preds)
Risultati e conclusioni
Il modello raggiunge un R² di 0.94 sul test set con un MAPE dell'1.8%, performance solide per un problema di forecasting macroeconomico a orizzonte pluriennale.
Le variabili più predittive sono crescita del PIL e tasso di interesse medio — coerenti con la letteratura economica sul debito sovrano. Feature importance confermata tramite permutation importance e analisi di stabilità.
Il modello proietta una lenta discesa del rapporto debito/PIL dal 144% del 2023 al 136% nel 2030, condizionata alla stabilità dei tassi BCE e a crescita nominale attorno al 3% annuo. Il framework è replicabile su qualsiasi scenario macroeconomico con dati pubblici IMF o Eurostat.