Chile Macro Forecasting

• Caso base escrito desde documentación local del proyecto; repo y demo públicos pendientes de confirmar.
• No se publican métricas de accuracy hasta fijar un reporte de backtesting reproducible.
• TimesFM está tratado como miembro opcional del pool, no como promesa de superioridad sistemática.

• Descarga y normaliza series macro del Banco Central de Chile, incluyendo IPC, IMACEC, TPM, dólar, cobre y desempleo.
• Compara TimesFM opcional contra baselines razonables: naive, seasonal naive, ETS, SARIMA y AutoARIMA opcional.
• Guarda observaciones, corridas, forecasts y métricas en DuckDB para auditar decisiones en el tiempo.

• Pool de modelos con baselines fuertes como piso antes de introducir modelos fundacionales.
• Rolling backtest con MASE/sMAPE para comparar entre series y no depender de una sola ventana.
• Histórico de predicciones con run_id, timestamp e inputs para trazabilidad.
• Guardrails operativos: healthcheck para datos stale, gaps y outliers antes de confiar en el forecast.

El forecasting macro suele fallar cuando se presenta como una predicción aislada sin baseline, histórico ni auditoría de errores.

Para Chile hay series públicas oficiales del Banco Central que permiten construir un sistema reproducible antes de incorporar datos fiscales más difíciles.

El objetivo del proyecto es contestar si un modelo como TimesFM aporta frente a baselines clásicos, en qué series, y bajo qué regímenes.

• Separar ingesta, normalización mensual, modelado, backtesting y visualización para que cada capa sea reemplazable.
• Usar DuckDB como bitácora local de observaciones, corridas, forecasts, métricas y recomendaciones de mejor modelo.
• Mantener TimesFM como dependencia opcional: el pipeline debe funcionar con baselines si el costo o instalación del modelo no compensa.
• Evaluar con rolling backtest y métricas comparables entre series, especialmente MASE y sMAPE.
• Preparar operación con run_pipeline.py, export_report.py y healthcheck.py para que el sistema pueda correr de forma programada.

• Las series diarias como TPM y CLP/USD se agregan a frecuencia mensual para compararlas con las series macro principales.
• El backtesting escribe métricas agregadas, folds por origen y una recomendación de mejor modelo por serie.
• La capa operativa incluye checks de datos faltantes, series congeladas y outliers simples.

• Convierte el pilar de forecasting en un caso tangible: no solo un gráfico o post, sino un sistema reproducible y auditable.
• La tesis queda explícita: modelos modernos son útiles solo si compiten contra baselines defendibles y se miden por régimen.
• Deja preparada la extensión natural hacia series fiscales DIPRES/SII mediante conectores versionados y covariables macro.