Redes neuronales regularizadas para la predicción de la inflación colombiana

Abstract

Para el sector financiero una de las variables macroeconómicas relevantes es la inflación, esta es generada por diferentes presiones en la economía y sus efectos en la misma han sido ampliamente estudiados. Las decisiones de política monetaria que pueden controlar la inflación tienen un impacto directo en la economía y en el sector financiero, por lo que en este sector se tiene la necesidad de generar escenarios y expectativas de inflación que le permitan tomar decisiones adecuadas a cada uno de los actores responsables en este sector. En este trabajo, primero, se realiza una revisión de antecedentes en busca de variables que puedan aportar en un modelo de pronóstico para la inflación, se eligieron 24 variables de las cuales siete fueron finalmente seleccionadas mediante un modelo aditivo generalizado. Se entrenaron y evaluaron un total de 100 modelos de redes neuronales perceptrón multicapa con el objetivo de comparar el desempeño de tres regularizadores, LASSO (Least absolute shrinkage and selection operator), Ridge Regression y ElNet (Elastic Net), se realizó una validación cruzada de los modelos y los candidatos finales fueron evaluados con la medida del error cuadrático medio y coeficiente de determinación. El modelo que mejor representa el fenómeno de la inflación corresponde a una red regularizada con ElNet y fue comparado con un modelo ARIMA presentando un desempeño superior. (Texto tomado de la fuente)

For the financial sector, one of the most important macroeconomic variables is inflation, which is generated by different pressures in the economy and its effects on the economy have been widely studied. Monetary policy decisions that seek to control inflation have a direct impact on the economy and the financial sector, so this sector needs to generate inflation scenarios and expectations that allow it to make appropriate decisions. In this paper, a background review is carried out in search of variables that can contribute to a forecasting model for inflation; 24 variables were chosen, of which seven were finally selected employing a generalized additive model. A total of 100 multilayer perceptron neural network models were trained and evaluated to compare the performance of three regularizers: LASSO (Least absolute shrinkage and selection operator), Ridge Regression and ElNet (Elastic Net), cross-validation of the models was performed and the final candidates were evaluated with the mean square error and coefficient of determination. The selected model corresponds to a regularized network with ElNet and was compared with an ARIMA model, showing superior performance.