Forecasting Costa Rican Inflation with Machine Learning Methods
Loading...
Date
Authors
relationships.contributorAdvisor
Journal Title
Journal ISSN
Volume Title
Publisher
Banco Central de Costa Rica
Abstract
We present a first assessment of the predictive ability of machine learning methods for inflation forecasting in Costa Rica. We compute forecasts using two variants of K-Nearest Neighbours, random forests, extreme gradient boosting and a long short-term memory (LSTM) network. We evaluate their properties according to criteria from the optimal forecast literature, and we compare their performance with that of an average of univariate inflation forecasts currently used by the Central Bank of Costa Rica. We find that the best-performing forecasts are those of LSTM, univariate KNN and in lesser extent random forests. Furthermore, a combination performs better than the individual forecasts included in it and the average of the univariate forecasts. This combination is unbiased, its forecast errors show appropriate properties, and it improves the forecast accuracy at all horizons, both for the level of inflation and for the direction of its changes.
Description
Se presenta una primera evaluación de la capacidad de métodos de aprendizaje automático para predecir la inflación en Costa Rica. Se calculan pronósticos mediante dos variantes de K-Nearest Neighbours (KNN), bosques aleatorios, extreme gradient boosting y un modelo de tipo long short-term memory (LSTM). Sus propiedades se evalúan de acuerdo con criterios sugeridos en la literatura sobre pronósticos óptimos, se compara su desempeño con el del promedio de los pronósticos univariados actualmente en uso en el Banco Central de Costa Rica. Los resultados son promisorios. Se encontró que los pronósticos con el mejor desempeño son los resultantes de aplicar LSTM, KNN univariado y en menor medida bosques aleatorios. Además, una combinación de los pronósticos obtenidos mediante estos métodos mejora el desempeño con respecto a los pronósticos individuales a todos los horizontes, y también supera en desempeño al promedio de los pronósticos univariados. La combinación resulta insesgada, sus errores de pronóstico no muestran patrones de correlación indeseables, y mejora la capacidad de pronóstico a todos los horizontes, tanto para el nivel de la inflación como para la dirección de sus cambios.
Códigos JEL
E31, C45, C49, C53.
JEL codes
E31, C45, C49, C53.
Keywords
inflación, pronóstico, aprendizaje automático, evaluación.
Keywords
inflation, forecasting, machine learning, forecast evaluation.
Identifiers
https://repositorioinvestigaciones.bccr.fi.cr/handle/20.500.12506/335