Resumen de Penalised regressions vs. autoregressive moving average models for forecasting inflation

Javier Humberto Ospina Holguín, Ana Milena Ospina Holguín

• español

  This paper relates seasonal autoregressive moving average (SARMA) models with linear regression. Based on this relation, the paper shows that penalised linear models may surpass the out-of-sample forecasting accuracy of the best SARMA models when forecasting inflation based on past values, due to penalisation and cross-validation. The paper constructs a minimal working example using ridge regression to compare both of the competing approaches when forecasting the monthly inflation in 35 selected countries of the Organisation for Economic Co-operation and Development and in three groups of countries. The results empirically verify the hypothesis that penalised linear regression, and ridge regression in particular, can outperform the best standard SARMA models computed through a grid search when forecasting inflation. Thus, a new and effective technique for forecasting inflation based on past values is provided for use by financial analysts and investors. The results indicate that more attention should be given to machine learning techniques for time series forecasting of inflation, even as basic as penalised linear regressions, due to their superior empirical performance.

• English

  Este artículo relaciona los modelos autorregresivos estacionales de media móvil (SARMA) con la regresión lineal. Sobre la base de esta relación, el documento muestra que los modelos lineales penalizados pueden superar la precisión del pronóstico fuera de la muestra de los mejores modelos SARMA al pronosticar la inflación en función de valores pasados, debido a la penalización y a la validación cruzada. El artículo construye un ejemplo funcional mínimo utilizando la regresión de arista para comparar ambos enfoques que compiten al pronosticar la inflación mensual en 35 países seleccionados de la Organización para la Cooperación y el Desarrollo Económico y en tres grupos de países. Los resultados verifican empíricamente la hipótesis de que la regresión lineal penalizada, y la regresión de arista en particular, puede superar a los mejores modelos estándar SARMA calculados a través de una búsqueda de cuadrícula cuando se pronostica la inflación. Así, se proporciona una técnica nueva y efectiva para pronosticar la inflación basada en valores pasados ​​para el uso de analistas financieros e inversores. Los resultados indican que se debe prestar más atención a las técnicas de aprendizaje automático para el pronóstico de series de tiempo de la inflación, incluso tan básicas como las regresiones lineales penalizadas, debido a su rendimiento empírico superior.