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

Resumen

Resumen

Objetivo: Este artículo demuestra las predicciones de modelos de aprendizaje automático como RNN y LSTM, que se aplican para predecir la tasa de inflación.

Originalidad/Relevancia: El uso de modelos de aprendizaje automático para predecir cambios de precios es un tema ampliamente discutido en la industria. Este artículo contribuye al avance del campo analizando los parámetros y sus resultados de forma individual y conjunta, mostrando nuevos resultados y sirviendo como guía para proyectos futuros.

Metodología/Enfoque: Se utilizaron datos de Estados Unidos, cuyos parámetros fueron el IPC, la tasa de interés de los fondos federales, el crecimiento del PIB real y la velocidad del M2. Donde la base de datos fue normalizada y dividida en 3 lotes más pequeños, y en cada lote se realizaron predicciones, y estas predicciones se compararon con los valores de prueba.

Resultados principales: Todos los parámetros utilizados demostraron ser eficientes para ayudar en las predicciones más allá de la base de datos, generando predicciones con correlaciones superiores a 0,65% y errores MAE inferiores a 3.

Aportaciones teóricas/metodológicas: Demostración del peso de cada parámetro para los resultados, y explicaciones económicas sobre los cambios en los parámetros y cómo estos cambios afectan a las capacidades predictivas de los modelos.

Contribuciones sociales: Este estudio contribuye tanto a las industrias que necesitan buenas predicciones sobre la inflación futura como a los investigadores que desean crear modelos más precisos.

Palabras clave: Inflación, Pronósticos, Aprendizaje Automático.