Colombian inflation forecast using Long Short-Term Memory approach

Cárdenas-Cárdenas, Julián-Alonso; Cristiano-Botia, Deicy Johana; Martínez-Cortés, Nicolás

Colombian inflation forecast using Long Short-Term Memory approach

Download

Borradores de Economía; No.1241

Date published

2023-06-21

Authors

Cárdenas-Cárdenas, Julián-Alonso
Cristiano-Botia, Deicy Johana
Martínez-Cortés, Nicolás

Document language

eng

Metrics

downloads: 0

abstract_views: 0

Ver PlumX Metrics

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.

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.

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.

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.