Utilizando Algoritmos de Deep Learning para a Previsão da Taxa de Inflação

Autores

DOI:

https://doi.org/10.20397/2177-6652/2025.v25i3.3182

Palavras-chave:

Inflação, Previsões, Machine Learning

Resumo

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.

Biografia do Autor

Hygor Santiago Lara, Universidade Estatual de Campinas (UNICAMP)

Doutorando em Engenharia Mecânica pela Universidade de Campinas (UNICAMP), trabalha com Inteligência Artificial e projetos mecânicos. Professor (PED) no curso de graduação em Engenharia Mecânica na UNICAMP, curso de Vibrações Mecânicas sob orientação do Prof. Alberto Serpa. Professor orientador e fundador do Grupo de Estudos em Inteligência Artificial (GEIA) desenvolvendo trabalhos inter disciplinares com alunos de graduação e graduados. Professor e coordenador didático dos cursos de Programação, Dados e Inteligência Artificial do IESAE. Membro do comitê técnico e científico da revista Gestão e Tecnologia. Membro de projetos de pesquisa em parceria: a) Bancada de vibrações para diagnostico de defeitos mecânicos 4.0 (parceria com LASID-UFSJ), b) Simulação de veículos autônomos (parceria Milhas Gerais - UFSJ), leitura de partituras e produção musical assistida por IA (parceria Orquestra do Conservatório Pe. José Maria Xavier). Mestrado com aplicação de Inteligência Artificial no diagnostico de doenças cardíacas por eletrocardiografia. Pós-graduado em Ciências de Dados pela Digital House e Inteligência Artificial pela Data Science Academy, com experiência no núcleo de tecnologia das empresas Thinkseg e Bidu onde atuou por 2 anos. Participa do Laboratório de Dinâmica de Estruturas e Máquinas sob orientação do Professor Milton Dias Júnior. Graduado em Engenharia Mecânica pela Universidade Federal de São João Del Rei (UFSJ). (Texto informado pelo autor)

José Eduardo Mesquita Junior, Sou graduado em Engenharia Mecânica pela UNICAMP, e tenho Mestrado Profissional em Administração pela FPL-Fundação Pedro Leopoldo

Graduação em Engenharia Mecânica pela Universidade Estadual de Campinas-UNICAMP (1996). Mestrado Profissional em Administração de Empresas pela Fundação Pedro Leopoldo (2022). Especialização em Economia de Empresas (USP), Gestão Econômica e Financeira (FIPE) e Docência do Ensino Superior (Unopar). Atualmente ocupa a posição de Coordenador de Engenharia de Suporte ao Cliente - IDV Latin America (IVECO Group). Experiência profissional na área de Engenharia Mecânica, atuando principalmente nos seguintes temas: Engenharia Mecânica, Engenharia de Manutenção, Engenharia Aeronáutica, Custos de Manutenção e Suporte Técnico. (Texto informado pelo autor)

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

2025-06-30

Como Citar

Oliveira Santos, G., Santiago Lara, H., & Mesquita Junior, J. E. (2025). Utilizando Algoritmos de Deep Learning para a Previsão da Taxa de Inflação. Revista Gestão & Tecnologia, 25(3), 314–326. https://doi.org/10.20397/2177-6652/2025.v25i3.3182

Edição

Seção

ARTIGO