| dc.creator | Cárdenas-Cárdenas, Julián-Alonso |
| dc.creator | Cristiano-Botia, Deicy Johana |
| dc.creator | Martínez-Cortés, Nicolás |
| dc.date.created | 2023-06-21 |
| dc.identifier.uri | https://repositorio.banrep.gov.co/handle/20.500.12134/10655 |
| dc.description | A través de dos enfoques utilizamos redes neuronales Long Short-Term Memory (LSTM), una técnica de aprendizaje profundo, para pronosticar la inflación en Colombia con un horizonte de doce meses. El primer enfoque emplea solo información de la variable objetivo, la inflación, mientras que el segundo incorpora información adicional proveniente de algunas variables relevantes. Utilizamos rolling sample dentro del proceso tradicional de construcción de las redes neuronales, seleccionando los hiperparámetros con criterios de minimización del error de pronóstico. Nuestros resultados muestran una mejor capacidad de pronóstico de la red bajo el segundo enfoque, superando al primer enfoque y a modelos ARIMA optimizados para pronóstico (con y sin variables explicativas). Esta mejora en la capacidad de pronóstico es más pronunciada en horizontes más largos, específicamente entre el séptimo y doceavo mes. |
| dc.description.abstract | We use Long Short Term Memory (LSTM) neural networks, a deep learning technique, to forecast Colombian headline inflation one year ahead through two approaches. The first one uses only information from the target variable, while the second one incorporates additional information from some relevant variables. We employ sample rolling to the traditional neuronal network construction process, selecting the hyperparameters with criteria for minimizing the forecast error. Our results show a better forecasting capacity of the network with information from additional variables, surpassing both the other LSTM application and ARIMA models optimized for forecasting (with and without explanatory variables). This improvement in forecasting accuracy is most pronounced over longer time horizons, specifically from the seventh month onwards. |
| dc.format.extent | 26 páginas : gráficas, tablas |
| dc.format.mimetype | PDF |
| dc.language.iso | eng |
| dc.publisher | Banco de la República de Colombia |
| dc.relation.ispartof | Documentos de Trabajo |
| dc.relation.ispartofseries | Borradores de Economía |
| dc.relation.isversionof | Borradores de Economía; No.1241 |
| dc.rights.accessRights | Open Access |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.subject | Aprendizaje profundo |
| dc.subject | Redes neuronales Long Short-Term Memory |
| dc.subject | Pronóstico |
| dc.subject | Inflación |
| dc.title | Colombian inflation forecast using Long Short-Term Memory approach |
| dc.title.alternative | Pronóstico de la inflación en Colombia utilizando la metodología Long Short-Term Memory |
| dc.type | Working Paper |
| dc.subject.jel | C45 - Neural Networks and Related Topics |
| dc.subject.jel | C51 - Model Construction and Estimation |
| dc.subject.jel | C52 - Model Evaluation, Validation, and Selection |
| dc.subject.jel | C53 - Forecasting and Prediction Methods; Simulation Methods |
| dc.subject.jel | C61 - Optimization Techniques; Programming Models; Dynamic Analysis |
| dc.subject.jel | E37 - Prices, Business Fluctuations, and Cycles: Forecasting and Simulation: Models and Application |
| dc.audience | Policymakers |
| dc.audience | Researchers |
| dc.audience | Students |
| dc.audience | Teachers |
| dc.subject.keyword | Deep learning |
| dc.subject.keyword | Long Short Term Memory neural networks |
| dc.subject.keyword | Forecast |
| dc.subject.keyword | Inflation |
| dc.subject.lemb | Inflación -- Pronósticos -- Colombia |
| dc.type.spa | Documentos de trabajo |
| dc.rights.spa | Acceso abierto |
| dc.rights.cc | Atribucion-NoComercial-CompartirIgual CC BY-NC-SA 4.0 |
| dc.relation.handle | https://hdl.handle.net/20.500.12134/10655 |
| dc.subject.jelspa | C45 - Redes neuronales y temas relacionados |
| dc.subject.jelspa | C51 - Construcción de modelos y estimación |
| dc.subject.jelspa | C52 - Evaluación, contraste y selección de modelos |
| dc.subject.jelspa | C53 - Métodos de pronóstico y predicción; métodos de simulación |
| dc.subject.jelspa | C61 - Técnicas de optimización; Modelos de programación; Análisis dinámico |
| dc.subject.jelspa | E37 - Precios, fluctuaciones y ciclos económicos: Predicción y simulación; Modelos y aplicación |
| dc.type.hasversion | Published Version |
| dc.coverage.sucursal | Bogotá |
| dc.description.notes | Pronóstico de la inflación en Colombia utilizando la metodología Long Short-Term Memory Enfoque Se utilizan redes neuronales Long Short-Term Memory (LSTM) para el pronóstico de la inflación en Colombia. Esta es una metodología de aprendizaje profundo que ha demostrado alta capacidad de pronóstico en diversos tipos de aplicaciones. En este trabajo utilizamos dos enfoques, uno que solo incorpora información de la variable objetivo, la inflación, otro que emplea información adicional proveniente de algunas variables potencialmente relevantes. Se aplica rolling sample dentro del proceso tradicional de construcción de las redes neuronales, incorporando el método de optimización bayesiano y seleccionando los hiperparámetros con criterios de minimización del error de pronóstico. Utilizamos modelos tipo ARIMA optimizados para pronóstico (con y sin variables explicativas) para comparar los resultados de las redes LSTM. Contribución Este documento aporta a la literatura existente sobre la aplicación de métodos de aprendizaje profundo para pronosticar el comportamiento de series macroeconómicas como la inflación, tarea relevante para los bancos centrales y organizaciones internacionales relacionadas. El documento presenta una descripción detallada de la aplicación y de los resultados obtenidos con la metodología LSTM. Asimismo, representa una herramienta adicional en la batería de modelos utilizados por el Banco de la República para el pronóstico de la inflación en Colombia. Resultados Esta aplicación sobre la inflación en Colombia encuentra que los modelos LSTM superan en capacidad de pronóstico a modelos tipo ARIMA, en especial para horizontes más largos (de siete a 12 meses). Además, los resultados muestran que es útil incluir variables adicionales (auxiliares o explicativas) como insumo de los modelos de redes neuronales LSTM ya que al hacerlo mejora notablemente su capacidad de predicción (de nuevo, con mayor ganancia en horizontes más largos). Adicionalmente sugiere que para series con características similares a la modelada (relativamente corta y con comportamiento poco complejo en el contexto del aprendizaje profundo) no se requiere una arquitectura compleja del modelo LSTM ya que ello no necesariamente conduce a mejores resultados en términos de capacidad de pronóstico. Frase destacada: Modelos de redes neuronales LSTM tienen mejor capacidad de pronóstico de la inflación en Colombia que modelos tipo ARIMA, especialmente para horizontes más largos y cuando se incluye información de variables adicionales. |
| dc.relation.doi | https://doi.org/10.32468/be.1241 |
| dc.rights.disclaimer | Las opiniones contenidas en el presente documento son responsabilidad exclusiva de los autores y no comprometen al Banco de la República ni a su Junta Directiva. |
| dc.rights.disclaimer | The opinions contained in this document are the sole responsibility of the author and do not commit Banco de la República or its Board of Directors. |
| dc.relation.info | https://repositorio.banrep.gov.co/sitios/1241 |
| dc.rights.Objeto | Objeto de publicación: La obra de mí (nuestra) autoría tiene por objeto ser publicada en el Portal de Investigaciones del Banco de la República e incluirla en el repositorio institucional de esa misma entidad. La obra podrá consistir en documento escrito, audiovisual, audio, gráfico, fotográfico, infográfico, podcasts, etc., y podrá estar en cualquier formato conocido o por conocerse. |
| dc.rights.Habeas | Datos personales: El(los) autor(es) ha(n) incluido sus datos personales (nombres, correo electrónico, filiación académica, perfil académico, entre otros) en el Portal de Investigaciones o la obra remitida para publicación, y por consiguiente, manifiesta(n) que mediante el diligenciamiento y registro de sus datos personales autoriza(n) al Banco de la República el tratamiento (recolección, almacenamiento, uso, circulación o supresión) de todos los datos suministrados con la finalidad de adelantar la publicación de la obra en el Portal de Investigaciones, dar a conocer su perfil académico y medios de contacto para fines académicos y divulgativos, así como para la construcción de indicadores y estadísticas para el seguimiento y control de las actividades de divulgación del Portal de Investigaciones. Para tal fin, se informa que el tratamiento de los datos personales se realizará de acuerdo con las políticas o lineamientos generales disponibles en http://www.banrep.gov.co/proteccion-datos-personales, en la sección “Protección de Datos Personales - Habeas Data”. |
| dc.relation.repec | https://ideas.repec.org/p/bdr/borrec/1241.html |
| dc.relation.portal | https://www.banrep.gov.co/es/colombian-inflation-forecast-using-long-short-term-memory-approach |
| dc.relation.portal | https://www.banrep.gov.co/es/colombian-inflation-forecast-using-long-short-term-memory-approach |
| dc.identifier.handle | https://hdl.handle.net/20.500.12134/10655 |
| dc.creator.firma | Julián Alonso Cárdenas-Cárdenas |
| dc.creator.firma | Deicy J. Cristiano-Botia |
| dc.creator.firma | Nicolás Martínez-Cortés |
| dc.source.handleRepec | RePEc:bdr:borrec:1241 |
| dc.subject.brtema | 5. Precios, inflación y política monetaria |
| dc.relation.inves | https://investiga.banrep.gov.co/es/be-1241 |
| dc.relation.shortdoi | https://doi.org/kfkh |
This work is licensed under a Creative Commons Reconocimiento-NoComercial 4.0.This document has been deposited by the author (s) under the following certificate of deposit
