PREDICCIÓN DE LA INFLACION CHILENA MEDIANTE LA APLICACIÓN DE MODELOS ARIMA, REDES NEURONALES ARTIFICIALES Y MODELOS HIBRIDOS ARIMA-RNA

Abstract

This research aims to identify which methodology is able to generate forecasts of Chilean inflation of better quality with a sample ranging from 1991:01 to 2014:12. The methodologies to study are ARIMA models, ANN models and ARIMA-ANN hybrid models that have been proposed by Zhang (2003). On the other hand, to identify and estimate each model referred in this research, moving windows of a fixed size of 120 observations (10 years) are defined and then static forecasts of 12-period ahead are generated, to obtain more robust results. The structure is as follows, the first part is about the development of ARIMA models for forecasting inflation based on the Akaike Information Criterion (AIC) and the respective residual’s analysis, estimating a final structure for each time window. The second part deals with the development of artificial neural networks to forecast inflation, which were generated by programmed routines in Matlab. The third part seeks to create a bond between ANN models and ARIMA models by developing hybrid ARIMA-ANN models for forecasting inflation. Finally, there is a comparison and an analysis of the performance of all models developed based on the quality of the forecasts generated for each period. The results show that, on average, the hybrid models performed better than ANN and ARIMA models in most cases. Moreover ARIMA models were, on average, fared worse compared to hybrid models and ANN models, which shows that the inclusion of ANN models improves the predictive power capacity of ARIMA models, surpassing pure ANN models in most casesEsta investigación pretende identificar cual metodología es capaz de generar los pronósticos de la inflación chilena de mejor calidad según una muestra que abarca desde 1991:01 hasta 2014:12. Las metodologías a estudiar son los modelos ARIMA, las RNA y los modelos híbridos ARIMA-RNA de Zhang (2003). Por otro lado, para identificar y estimar cada modelo contemplado en esta investigación se definen ventanas móviles de un tamaño fijo de 120 observaciones (10 años) y luego se generan pronósticos estáticos 12 periodos hacia adelante, para así obtener resultados más robustos. La estructura es como sigue, la primera parte trata acerca de la elaboración de modelos ARIMA para pronosticar la inflación en base al criterio de información de Akaike (AIC) y al respectivo análisis de residuales, estimando una estructura definitiva por cada ventana de tiempo. La segunda parte trata acerca de la elaboración de redes neuronales artificiales para pronosticar la inflación, siendo generadas por rutinas programadas en Matlab. La tercera parte busca generar un lazo entre los modelos ARIMA y las RNA mediante la elaboración de modelos híbridos ARIMA-RNA para pronosticar la inflación. Finalmente, se compara y analiza el desempeño de todos los modelos elaborados en base a la calidad de los pronósticos generados para cada periodo. Los resultados evidencian que, en promedio, los modelos híbridos se desempeñaron mejor que las RNA y los modelos ARIMA al superarlos en la mayoría de las ocasiones. Por otro lado los modelos ARIMA fueron, en promedio, los que peor se desempeñaron en comparación a los modelos híbridos y las RNA, lo cual evidencia que la inclusión de redes neuronales artificiales potencia la capacidad predictiva de los modelos ARIMA, superando así a los modelos RNA puros en la mayoría de los casos