Utilizando Algoritmos de Deep Learning para a Previsão da Taxa de Inflação
DOI:
https://doi.org/10.20397/2177-6652/2025.v25i3.3182Palavras-chave:
Inflação, Previsões, Machine LearningResumo
Resumo
Objetivo: O presente artigo demonstra as previsões de modelos de machine learning como as RNNs e LSTMs, sendo aplicadas na previsão da taxa de inflação.
Originalidade/Relevância: O uso de modelos de machine learning para previsões de mudanças de preços é batante abordado na indústria. Esse artigo contribui para o avanço da área ao analisar parâmetros e seus resultados de forma individual e conjunta, mostrando novos resultados e servindo como guia para futuros projetos.
Metodologia/Abordagem: Foi utilizado dados dos Estados Unidos, sendo os parâmetros o IPC, a taxa de juros dos fundos federais, o crescimento do PIB Real e a velocidade do M2. Onde o banco de dados foi normalizado e dividido em 3 lotes menores, e em cada lote foi feito previsões, e essas previsões foram comparadas com os valores de teste.
Principais Resultados: Todos os parâmetros utilizados mostraram ser eficiência em auxiliar nas previsões além do banco de dados, gerando previsões com correlações acima de 0,65% e erros de MAE menores do que 3.
Contribuições teóricas/metodológicas: Demonstração do peso de cada parâmetro para os resultados, e explicações econômicas sobre mudanças nos parâmetros e como essas mudanças afeta as capacidades preditivas dos modelos.
Contribuições Sociais: Esse estudo contribui tanto para indústrias que necessitam de boas previsões sobre a inflação futura, e pesquisadores que desejam criar modelos mais precisos.
Palavras-chave: Inflação, Previsões, Machine Learning.
Referências
Ahmad, A.M; Ismail, S.; Samaon, D.F. (2004). Recurrent neural network with backpropagation through time for speech recognition. IEEE International Symposium on Communications & Information Technology, 1, 98-102.
Bach G. L.; Albert A. (1957). The Redistributional Effects of Inflation. The Review of Economics and Statistics Vol. 39, No. 1 (Feb, 1957), pp. 1-13 (13 pages).
Bagus, Philipp. (2009). The Quality of Money The Quartely Journal of Austrian Economics 12, No. 4 (2009): 22–45.
Chandak A.; Prajwal G.; Shyam S.; Ayushi B.; Soumya T. (2019). Car Price Prediction Using Machine Learning. International Journal of Computer Sciences and Engineering.
Hanke, S. H.; Alex K. F. Kwok. (2009) On the Measurement of Zimbabwe's Hyperinflation. Cato Journal Vol. 29, No.2 (Spring/Summer 2009).
Hao X.; Guigang Z; Shang M. (2016). Deep Learning. International Journal Of Semantic Computing Vol. 10, No. 03, pp. 417-439(2016).
Knight, Alex. (2002) A Bubble on the Mighty Mississippi: An Application of a General Model of Speculative Bubbles to the Mississippi Bubble of 1716-1720. Major Themes in Economics, 4, 71-94.
Koutnik .J; Klaus G.; Faustino G.; Juergen S. (2014). A Clockwork RNN. 31st International Conference on Machine Learning, PMLR 32(2):1863-1871.
Pal S.; Soumadip G.; Amitava N. (2018). Sentiment Analysis in the Light of LSTM Recurrent Neural Networks. International Journal of Synthetic Emotions, Volume 9, Issue.
Sakib-Bin-Amin. (2011). Quantity Theory of Money and its Applicability: The Case of Bangladesh. World Review of Business Research Vol. 1. No. 4. September 2011. Pp.33-4.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Revista Gestão & Tecnologia

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Os direitos, inclusive os de tradução, são reservados. É permitido citar parte de artigos sem autorização prévia desde que seja identificada a fonte. A reprodução total de artigos é proibida. Em caso de dúvidas, consulte o Editor.