Antecedentes: Con COVID-19 teniendo un impacto significativo en la actividad económica, se ha vuelto difícil para los modelos dinámicos existentes de factores (modelos de ahora) prever la macroeconomía con alta precisión. El monitoreo en tiempo real de la macroeconomía se ha convertido en un problema de investigación importante enfrentado por bancos, gobiernos y corporaciones. Sujetos y Métodos: Este artículo propone un modelo de factor dinámico causal evolutivo adaptativo (AcNowcasting) para la predicción macroeconómica. A diferencia de los modelos clásicos de ahora, el algoritmo AcNowcasting tiene la capacidad de realizar selección de características. Los criterios para la selección de características se basan en la fuerza de causalidad en lugar de basarse en la calidad de los resultados de predicción. Además, los factores en el algoritmo AcNowcasting tienen la capacidad de evolución diferencial adaptativa, lo que puede generar los mejores factores. Estas dos habilidades no son poseídas por los modelos clásicos de ahora. Resultados: Los resultados experimentales muestran que el algoritmo AcNowcasting puede extraer factores comunes que reflejan mejor las fluctuaciones macroeconómicas, y la precisión de predicción del algoritmo AcNowcasting es más precisa que la de los modelos tradicionales de ahora. Contribuciones: El algoritmo AcNowcasting proporciona una nueva teoría de predicción y un medio para el monitoreo en tiempo real de la macroeconomía, lo cual tiene un buen valor teórico y práctico.