Pronóstico del ??ndice Nacional de Precios al Consumidor / Forecast of the National Index of Consumer Prices

  • Lilia Alejandra Flores Castillo Universidad Tecnológica de la Mixteca
Palabras clave: Modelos de series de tiempo, redes neuronales artificiales, modelo ARIMA, técnica metodología y aplicaciones.

Resumen

En la economía y las finanzas los pronósticos de indicadores macroeconómicos se han convertido en una herramienta indispensable para la planeación de políticas económicas, decisiones de inversión, de ahorro y consumo para los diversos agentes económicos. El futuro es incierto pero los pronósticos permiten anticipar situaciones de riesgo. El objetivo de este trabajo tuvo como eje temático realizar el pronóstico de ??ndice Nacional de Precios al Consumidor. En la metodología se utilizó un enfoque cuantitativo y descriptivo sobre tres metodologías de pronóstico, el modelo autorregresivo integrado de media móvil (ARIMA), la técnica Holt-Winters y redes neuronales artificiales. Los resultados mostraron la precisión de cada uno de los modelos de pronóstico al evaluar cada predicción respecto al error cuadrático medio. De acuerdo a los resultados obtenidos se concluye que la metodología de redes neuronales artificiales presenta menor poder predictivo para este caso en particular.

Citas

Angeriz, A. y Arestis, P. (2009). Objetivo de inflación: evaluación de la evidencia. Investigación Económica, 68(SPE), pp. 21-46.

Banco de México (2002). El �ndice Nacional de Precios al Consumidor: características y actualización de su base al año 2002. México.

Banco de México (2011). Documento metodológico. INPC. México.

Box, G. y Jenkins, G. (1970). Time series analysis: forecasting and control. Holden dsy, Inc. San Francisco.

Chatfield, C. y Yar, M. (1988). Holt-Winters forecasting: Some practical issues. The Statistician, 37, pp. 129-140.

Contreras, J., Espínola R., Nogales, F. J. y Conejo A. J. (2003). ARIMA models to predict next-day electricity prices. IEEE Trans. Power Syst., 18(3), pp. 1014-1020.

Fadlalla, A. y Lin, C. H. (2001). An Analysis of the Applications of Neural Networks in Finance. Interfaces, 31(4), pp. 112-122.

Faraway, J. y Chatfield, C. (1998). Time series forecasting with neural networks: a comparative study using the airline data. Applied Statistics, 47 (2), pp. 231–250.

Freeman, J. A. y Skapura, D.M. (1993). Redes Neuronales, algoritmos, aplicaciones y técnicas de programación. Addisson-Wesley/ Diaz de Santos, Estados Unidos de América.

Gelper,S., Fried, R. y Croux, C.(2010). Robust forecasting with exponential and Holt-Winters smoothing. Journal of Forecasting, 29, pp. 285-300.

Gonzalez, M.P (2009). Técnicas de Predicción Económica. Serie de documentos Sarriko-on, Universidad del País Vasco (UPV-EHU), pp. 284.

Hagan, M. T., Demuth, H.B., y Beale, M. H. (2002). Neural network design, PWS Publishing Company, USA.

INEGI, (2013). �ndice Nacional de Precios al Consumidor, Documento metodológico, Instituto Nacional de Estadística y Geografía, México.

Jonson, C.A., y Padilla, M.A. (2005). Regularidades no lineales en índices accionarios. Una aproximación con redes neuronales. El Trimestre Económico, LXXII-4 (288), pp. 765-821.

Jiménez, J. F., Gázquez, J. C. y Sánchez, R. (2006). La capacidad predictiva en los métodos Box-Jenkins y Holt-Winters: una aplicación al sector turístico. Universidad de Almería.

Mantey G. (2009). Intervención esterilizada en el mercado de cambios en un régimen de metas de inflación: la experiencia de México. Investigación Económica. 68(SPE), pp. 47-78.

Martin, B. y Sanz A. (2007). Redes Neuronales y Sistemas Borrosos, 3a ed, Alfaomega, México.

McCulloch S. y Piits, W. (1943). A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, 5(4), pp. 115-133.

Ponce, P. (2010). Inteligencia artificial con aplicaciones a la ingeniería, Alfaomega, México.

Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage and organization in the brain, Psychological Review, 65(6), p 386.

Rumelhart D., Hinton G. y Williams R. (1986). Learning representation by backpropagating errors, Nature 323, pp. 533-536.

Sanchez, J. (2006). Aplicación de los métodos Mars, Holt-Winters y ARIMA generalizado en el pronóstico de caudales medios mensuales en Rios de Antioquia. Meteorología colombiana, N.10.

Swales, G. y Young, Y. (1992). Applying Artificial Neural Networks to Investment Analysis, Financial Analysts Journal, 48(5), pp. 78-81.

Villada, F., Cadavier, D. R. y Molina J. D. (2008). Pronóstico del precio de la energía eléctrica usando redes neuronales artificiales. Revista facultad de ingeniería, (44), pp. 111-118.

Villamil, J. A. y Delgado, J. A. (2007). Entrenamiento de una red neuronal multicapa para la tasa de cambio euro-dólar (EUR/USD). Ingeniería e investigación, 27(3), pp. 106-117.

Werbos P. (1974). Beyond regression: new tools for prediction and analysis in the behavioral sciences. PhD thesis, Harvard University.

Windrow B. y Hoff, M.E. (1960). Adaptive switching circuits, IRE WESCON Convention Record, parte 4, pp. 96-104.

Winters, P. R. (1960). Forecasting sales by exponentially weighted moving averages. Management Science, pp. 324–342.

Zhang, G.P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, pp. 159-175.

Publicado
2017-08-28
Sección
Artículos Científicos