Neste Texto para Discussão testamos diversos modelos de previsão de inflação e da atividade econômica brasileira, a partir de dados macroeconômicos e estimativas de especialistas, referentes ao período entre janeiro de 2002 e outubro de 2019, com frequência mensal. Devido à alta dimensão do conjunto de variáveis explicativas, nos concentramos em modelos associados à técnica de machine learning (ML) que oferecem diferentes abordagens para lidar com grandes conjuntos de dados e os comparamos com modelos de referência. Nossos resultados indicam que, para horizontes de previsão de curto prazo (um e três meses), os métodos de ML melhoram substancialmente as previsões de inflação. Para o horizonte de um mês, o Least Absolute Shrinkage and Selection Operator (Lasso) é o método com melhor desempenho, e a combinação dos melhores modelos de ML por horizonte é o destaque para o horizonte de três meses. No entanto, para horizontes de previsão mais longos (seis meses e doze meses), os modelos de ML e suas combinações não superam as expectativas de especialistas, ainda que as combinações de métodos de ML superem as metodologias tradicionais. Na previsão para o produto interno bruto (PIB), ocorre o contrário. Os modelos de ML não têm desempenho satisfatório para o horizonte mais curto, mas as combinações (horizonte de três e doze meses) e o complete subset regression (CSR) (horizonte de seis meses) superam os modelos tradicionais.