Predicción de Inflación en Tiempo Real: Un Enfoque Basado en Machine Learning

• Autor: Mesias Auquis, Luis Daniel
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/686052
• Enlace del recurso: http://hdl.handle.net/10757/686052
• Nivel de acceso: acceso abierto
• Materia: Nowcasting; Índice de precios; Inteligencia artificial; Price index; Artificial intelligence; https://purl.org/pe-repo/ocde/ford#5.02.02; https://purl.org/pe-repo/ocde/ford#5.00.00

En los últimos años se ha observado como diversas crisis acentuaron la volatilidad de la inflación, dificultando la capacidad de los bancos centrales para implementar políticas monetarias eficientes. En la actualidad se han desarrollado nuevas metodologías que poseen un alto poder predictivo, como los modelos de Machine Learning conocidos por sus capacidades para manejar datos en alta frecuencia (Schnorrenberger et al., 2024). Por tanto, la presente investigación propone un indicador adelantado que simule el comportamiento del IPC en tiempo real, utilizando modelos de penalización como LASSO, Ridge y Elastic Net (ENet). Para ello, se emplean más de 40 variables predictivas de frecuencia mensual, anualizadas, obtenidas de entidades oficiales del Perú para el período comprendido entre junio de 2008 y marzo de 2024. Los resultados muestran que los modelos de aprendizaje automático logran replicar de forma ágil la dinámica inflacionaria, superando en capacidad predictiva al conjunto de indicadores de referencia.