Previsão de inflação com o uso de Inteligência Artificial

Abstract

A inflação é um aumento generalizados dos preços em uma economia. Pequenas taxas de inflação são naturais; entretanto, a incerteza causada pela volatilidade da inflação dificulta o delineamento de políticas monetárias. No Brasil, adota-se o IPCA como meta de inflação; entretanto, o uso de núcleos de inflação como meta possibilitaria o delineamento de políticas monetárias menos rígidas e menos suscetíveis à choques externos. Neste trabalho, propõe-se a construção de núcleos de inflação baseados em wavelets, uma vez que em contextos inflacionários apresentam melhor desempenho na análise da tendência quando comparados com núcleos de inflação usuais. Para a previsão, adotam-se técnicas de inteligência artificial, como as redes neurais. O uso de redes neurais possibilita lidar com problemas altamente complexos, os quais nem sempre podem ser descritos por modelos analíticos. Delimitam-se as estimativas prováveis das previsões futuras através de intervalos de confiança. Dentre as principais conclusões do trabalho, salienta-se que os núcleos de inflação baseados em wavelets possuem menores intervalos de confiança, além de apresentarem menores erros na construção da rede neural. Verifica-se, ainda, que as previsões geradas pelos núcleos de inflação são suavizações da inflação, permitindo identificar a tendência da inflação para um horizonte de até doze meses.

Inflation is a generalized increase in prices in an economy. Small rates of inflation are natural; however, the uncertainty related to inflation volatility brings issues in monetary policies design. In Brazil, the IPCA is adopted as an inflation target; however, the use of core inflation as a target would allow to design less rigid monetary policies. In this work, we propose the construction of a wavelet based core inflation, since in inflationary contexts they present a better performance in the trend analysis when compared to usual core inflation. For the forecast, artificial intelligence techniques are adopted, such as neural networks. We point out that neural network make it possible to deal with highly complex problems, which cannot always be described by analytical models. Additionally, we analyse confidence intervals to estimate bounds for inflation forecast probable values. Among the main conclusions, we emphasize that wavelet core inflation had smaller confidence intervals, in addition to presenting smaller errors in the construction of the neural network. In addition, inflation forecast generated smoothed signals, allowing to identify trends of inflation of up to twelve months.