Pronóstico de inflación en Costa Rica mediante métodos de aprendizaje automático
Loading...
Date
02/12/2019
Authors
relationships.contributorAdvisor
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Los métodos de aprendizaje automático (machine learning) han aumentado en popularidad como herramienta para el pronóstico debido a la creciente disponibilidad de grandes bases de datos y poder de cómputo, y al mayor acceso a software especializado. Su uso es más extendido en problemas de clasificación de variables de elección discreta, como predicción de mora en préstamos o de decisiones de compra de un consumidor, en los que han mostrado ser de gran ayuda sobre métodos tradicionales. Sin embargo, los métodos de aprendizaje automático también pueden adaptarse para su aplicación en la predicción de variables temporales de naturaleza continua, como la inflación o el crecimiento del producto real. Este estudio realiza una primera evaluación comprensiva del desempeño de métodos de aprendizaje automático en el pronóstico de la inflación de Costa Rica, para ello verifica si sus pronósticos cumplen con las propiedades de pronósticos óptimos bajo pérdida cuadrática, y si su desempeño es superior al de contrapartes univariadas actualmente en uso en el BCCR.
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). Los resultados de la evaluación son promisorios. Se encontró que los pronósticos con el mejor desempeño son los resultantes de aplicar LSTM, KNN univariado y bosques aleatorios. Además, una combinación de estos pronósticos mejora el desempeño con respecto a cada pronóstico individual a todos los horizontes, y también supera en desempeño al promedio de los pronósticos univariados.
Description
Códigos JEL
JEL codes
Keywords
Keywords
Identifiers
https://repositorioinvestigaciones.bccr.fi.cr/handle/20.500.12506/411