Aplicação da arquitetura LSTM na previsão da inflação

Abstract

A previsão de séries temporais econômicas representa um dos desafios mais importantes na economia, impactando diretamente as decisões de política econômica. Esta pesquisa investigou a aplicabilidade de redes neurais recorrentes Long Short-Term Memory (LSTM) para previsão da inflação brasileira, medida pelo IPCA, no período de janeiro de 2015 a março de 2025. O objetivo geral foi avaliar a capacidade preditiva de modelos baseados em redes neurais LSTM, comparando diferentes configurações de variáveis e horizontes temporais. Foram desenvolvidos quatro modelos LSTM distintos: Modelo 1 utilizou 22 variáveis preditoras incluindo 12 defasagens do IPCA e variáveis macroeconômicas (IGP, Selic, desemprego, PIB); Modelo 2 empregou 16 variáveis combinando defasagens extensas do IPCA com variáveis econômicas selecionadas; Modelo 3 implementou arquitetura univariada com 3 defasagens do IPCA; e Modelo 4 utilizou exclusivamente 12 defasagens consecutivas do IPCA. Foram testados diferentes hiper parâmetros via grid search, de tal forma que cada um dos 4 modelos foi testado com 84 combinações distintas, totalizando 336 diferentes configurações. As variáveis foram padronizadas temporalmente e os dados divididos em conjuntos de treino e teste na proporção 80/20, mantendo a ordem temporal. Os resultados demonstraram que o Modelo 4, utilizando exclusivamente 12 defasagens do IPCA em arquitetura univariada, apresentou melhor desempenho geral com menores valores de MAE (0.1834) e MSE (0.0669). Este achado reforça a importância da memória inflacionária e padrões sazonais na dinâmica de preços brasileira, oferecendo evidências de que a persistência inflacionária possa ser capturada por modelos de aprendizado de máquina, constituindo ferramenta viável para complementar modelos econométricos tradicionais na formulação de política monetária.

Economic time series forecasting represents one of the most important challenges in economics, directly impacting economic policy decisions. This research investigated the applicability of Long Short-Term Memory (LSTM) recurrent neural networks for predicting Brazilian inflation, measured by IPCA, from January 2015 to March 2025. The general objective was to evaluate the predictive capacity of LSTM-based models by comparing different variable configurations and temporal horizons. Four distinct LSTM models were developed: Model 1 used 22 predictor variables including 12 IPCA lags and macroeconomic variables (IGP, Selic, unemployment, GDP); Model 2 employed 16 variables combining extensive IPCA lags with selected economic variables; Model 3 implemented a univariate architecture with 3 IPCA lags; and Model 4 used exclusively 12 consecutive IPCA lags. Different hyperparameters were tested via grid search, with each of the 4 models tested with 84 distinct combinations, totaling 336 different configurations. Variables were temporally standardized and data divided into training and testing sets in an 80/20 ratio, maintaining temporal order. Results demonstrated that Model 4, using exclusively 12 IPCA lags in a univariate architecture, presented the best overall performance with lower MAE (0.1834) and MSE (0.0669) values. This finding reinforces the importance of inflationary memory and seasonal patterns in Brazilian price dynamics, offering evidence that inflationary persistence can be captured by machine learning models, constituting a viable tool to complement traditional econometric models in monetary policy formulation.