Comparativa de métodos de predicción para variables macroeconómicas a través de IA

• Hugo Boanerges Porras Encalada ^[1]
  1. [1] Universidad Internacional de La Rioja

     Universidad Internacional de La Rioja

     Logroño, España

     
• Localización: Cuestiones Económicas, ISSN-e 2697-3367, Vol. 31, Nº. Extra 3, 2021 (Ejemplar dedicado a: Edición Especial: Memorias IV Encuentro Internacional de Economía EPN; Autor: Paúl Carrillo Maldonado), págs. 3-3
• Idioma: español
• Títulos paralelos:
  • Comparison of prediction methods for macroeconomic variables through AI
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La predicción de variables macroeconómicas es usada a diario tanto por los entes hacedores de política económica, como por las industrias que buscan considerar efectos de la economía nacional en sus proyecciones de ventas, modelos de calificación de crédito, segmentación de clientes, etc. Estas predicciones son calculadas usando modelos macroeconométricos, de aprendizaje automático, y más recientemente, de aprendizaje profundo. En este trabajo se revisa la historia y el estado del arte de dos métodos principales de predicción de agregados económicos: los modelos estructurales y no estructurales. En tal contexto, se estiman a través de las metodologías auto-ARIMA y de redes neuronales recurrentes varios modelos que buscan predecir el producto interno bruto, la inflación acumulada trimestral y la tasa de desempleo urbano para el caso ecuatoriano hasta el cuarto trimestre del año 2019. Los resultados sugieren que, para el caso del producto interno bruto, la metodología ARIMA se ajusta mejor; mientras que, para la inflación y el desempleo, las redes neuronales recurrentes obtienen mejores métricas de error. Al final se presentan posibles mejoras que continúen esta línea de investigación, a través de la optimización de hiperparámetros y el ensamble de modelos

  • English

    The prediction of macroeconomic variables is used daily both by economic policy makers and by industries that seek to consider the effects of the national economy in their sales projections, credit rating models, customer segmentation, etc. These predictions are calculated using macroeconometric, machine learning, and more recently, deep learning models. This paper reviews the history and state of the art of two main methods of prediction of economic aggregates: structural and non-structural models. In this context, several models are estimated through auto-ARIMA and recurrent neural networks methodologies that seek to predict gross domestic product, quarterly accumulated inflation and the urban unemployment rate for the Ecuadorian case until the fourth quarter of 2019. The results suggest that, in the case of gross domestic product, the ARIMA methodology is a better fit; whereas, for inflation and unemployment, recurrent neural networks obtain better error metrics. At the end, possible improvements are presented that continue this line of research, through the optimization of hyperparameters and the assembly of models.