Nota sobre la predicción del Índice de Precios al Consumidor usando redes neuronales artificiales

• Autores: Juan Velásquez, Carlos Jaime Franco Cardona
• Localización: Cuadernos de Administración, ISSN-e 1900-7205, ISSN 0120-3592, Vol. 23, Nº. Extra 41, 2010 (Ejemplar dedicado a: Especial de Finanzas)
• Idioma: español
• Títulos paralelos:
  • Nota sobre a previsão do Índice de Preços ao Consumidor usando redes neuronais artificiais
  • Note on Predicting Consumer Price Indexes Using Artificial Neuronal Networks
• Enlaces
  • Texto completo
• Resumen
  • español

    En este artículo se pronostica la variación porcentual del Índice de Precios al Consumidor en Colombia usando una red neuronal artificial. El modelo obtenido, una red neuronal tipo perceptrón multicapa, es capaz de capturar el ciclo estacional presente en los datos usando sólo los datos pasados, como entradas a la red neuronal, y no es necesario incluir variables ficticias que representen dicha componente estructural. La precisión de esta aproximación es mejor que la obtenida por otros modelos presentados en la literatura, incluidos aquellos con suavizaciones exponenciales, aproximaciones a modelos SARIMA y otras configuraciones de redes neuronales.

  • português

    Neste artigo se prognostica a variação porcentual do Índice de Preços ao Consumidor na Colômbia usando uma rede neuronal artificial. O modelo obtido, uma rede neuronal tipo perceptron multicamada, é capaz de capturar o ciclo sazonal presente nos dados usando somente os dados passados, como entradas a rede neuronal, e não é necessário incluir variáveis fictícias que representem tal componente estrutural. A precisão desta aproximação é melhor que a obtida por outros modelos apresentados na literatura, incluídos aqueles com suavizações exponenciais, aproximadas a modelos SARIMA e outras configurações de redes neuronais.

  • English

    This article forecasts the percentage variation in the Colombian Consumer Price Index, using an artificial neuronal network. The model obtained, a multiple-layer perceptron neuronal network, is capable of capturing the seasonal cycle present in the data, by solely using past data as entries into the neuronal network; it is not necessary to include fictitious variables to represent said structural component. This approach is more precise than other models presented in the literature on the topic, including those with exponential smoothing, SARIMA model approximations, and other neuronal network configurations.