EVALUACIÓN DE LA PRECISIÓN EN EL PRONÓSTICO DE LA INFLACIÓN EN BOLIVIA: RANDOM FOREST Y ÁRBOLES DE DECISIÓN VS. ARIMA
DOI:
https://doi.org/10.52428/20758960.v15i39.1227Palabras clave:
Pronóstico de inflación, Aprendizaje automático, Random Forest, Árbol de Decisión, modelo ARIMA, BoliviaResumen
Este estudio compara modelos de pronóstico del IPC en Bolivia, evaluando enfoques tradicionales y de aprendizaje automático para la predicción de inflación. Se aplicaron modelos de Árbol de Decisión, Árbol Podado, Random Forest y ARIMA, encontrando que los modelos de aprendizaje automático, especialmente el Árbol Podado, superan al ARIMA en precisión, con un menor RMSE en el conjunto de testeo. Esto sugiere que los modelos modernos capturan mejor las dinámicas complejas del IPC y representan herramientas más robustas para la proyección de inflación en economías emergentes. El estudio recomienda explorar modelos híbridos y redes neuronales avanzadas en futuras investigaciones para optimizar aún más los pronósticos.
Descargas
Citas
Banco Central Europeo. (2023). Quantile Regression Forests for Inflation Prediction in the Eurozone: Short-Term Adaptability in Forecasts. Banco Central Europeo.
Bojanic, A. N. (2021). A Markov-Switching Model of Inflation in Bolivia. Economies. DOI: https://doi.org/10.3390/economies9010037
Box, G. E., & Jenkins, G. M. (1970). Time Series Analysis: Forecasting and Control. Holden-Day.
Bratu, M., & Nicula, A. S. (2024). Sentiment analysis as an innovation in inflation forecasting in Romania. Marketing i menedžment innovacij, 15(2), 13-25. DOI: https://doi.org/10.21272/mmi.2024.2-02
Breiman, L. (2001). Random forests. Machine learning, 45, 5-32. DOI: https://doi.org/10.1023/A:1010933404324
Breiman, L., Friedman, J., Stone, C., & Olshen, R. (1984). Classification and Regression Trees. Chapman and Hall/CRC.
Carmona Rodríguez, C. S., & López Sánchez, A. (2021). Revisión de implementación de modelo de Random Forest en los últimos años. Universidad Pontificia Bolivariana.
Diaf, S., & Schütze, F. (2024). Economic forecasting with non-specific Google Trends sentiments Insights from US Data. 6th International Conference on Advanced Research Methods and Analytics (págs. 10-17). Valencia: Universidad Politécnica de Valencia. DOI: https://doi.org/10.4995/CARMA2024.2024.17783
Espinosa, & Zúñiga. (2020). Aplicación de algoritmos Random Forest y XGBoost en la predicción de la inflación en México. Ingeniería, Investigación y Tecnología, 1-16. DOI: https://doi.org/10.22201/fi.25940732e.2020.21.3.022
Forte, A. (Septiembre de 2024). Inflación de corto plazo con random forest (Documento de trabajo No. 24/10). BBVA Research. Obtenido de file:///D:/Courses%20taken/Pron%C3%B3sticos%20Macro%20Fin/Modulo%205.%20Taller%20de%20investigacion/Papers/A.%20Random-forest%20Argentina.pdf
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer. DOI: https://doi.org/10.1007/978-0-387-84858-7
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice. . OTexts.
Medeiros, M. C., Vasconcelos, G. F., Veiga, Á., & Zilberman, E. (2021). Forecasting inflation in a data-rich environment: The benefits of machine learning models. Journal of Business & Economic Statistics, 39(1), 98-119. DOI: https://doi.org/10.1080/07350015.2019.1637745
Medina Merino, R. F., & Ñique Chacón, C. I. (2017). Bosques aleatorios como extensión de los árboles de clasificación para la predicción de la inflación en Perú. Inter Fases, 10, 165-180. DOI: https://doi.org/10.26439/interfases2017.n10.1775
Meuller, S. (2022). Improving Inflation Forecast Accuracy with Random Forest Models. Universidad de Lund, Departamento de Economía.
Moyo, T., & Musengezi, J. (2022). Utilizing decision trees and random forests for inflation forecasting in African economies. . Journal of Economic Forecasting, 58(3), 345-359.
Patton, A. J., & Simsek, Y. (2023). Generalized autoregressive score trees and forests in economic predictions. International Journal of Forecasting, 41(4), 221-238. . DOI: https://doi.org/10.2139/ssrn.4459756
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., . . . Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
Quinlan, J. R. (1986). Induction of Decision Trees. . Machine Learning., 1(1), 81-106. DOI: https://doi.org/10.1007/BF00116251
Silva, R. F., & Oliveira, M. A. (2019). Uso de Random Forest para la predicción de la inflación en Brasil. Revista Brasileira de Agroinformática, 15(2), 45-58.
Zhao, L., & Zhang, X. (2019). A Comparison of ARIMA and LSTM in Forecasting Time Series. IEEE Xplore.
Zhou, S., & Mentch, L. (2023). Trees, forests, and optimal pruning techniques in inflation forec
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 JOSE ANTONIO ZURITA HERRERA
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons 4.0, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a compartir su trabajo en línea (por ejemplo: en repositorios institucionales o páginas web personales) antes y durante el proceso de envío del manuscrito, ya que puede conducir a intercambios productivos, a una mayor y más rápida citación del trabajo publicado.
