Modelo de redes neuronales para predicción de series de tiempo. Caso del ciclo económico peruano: 1992 - 2005.

Abstract

Dado que siempre ha existido y existirá entre los economistas la curiosidad por determinar que es lo que ocurrirá en el futuro con la evolución de la economía en el presente documento se muestra a los modelos de redes neuronales como alternativa en la explicación y predicción del ciclo económico. Específicamente se presenta un modelo de red neuronal de tipo Backpropagation en la elaboración de un indicador líder estándar del PBI. Para ello se desarrolla un procedimiento para anticipar los movimientos del nivel de actividad económica, representado por el ciclo que muestre el PBI. El objetivo del trabajo es conocer si el siguiente período habrá una caída o un incremento en el nivel de la actividad económica. Dado que es complicado conocer a ciencia cierta el dato final que puede experimentar el PBI lo que se busca es anticipar el signo del ciclo de la actividad económica.

Para lograr este objetivo se ha utilizado el filtro de Baxter & King para descomponer la serie del PBI mensual en sus componentes: estacional, cíclico y tendencial. Luego el componente cíclico es estimado y pronosticado a partir de un conjunto de variables lideres que adelantan al producto. Adicionalmente estas variables líderes han sido obtenidas no por las metodologías econométricas tradicionales basadas en las correlaciones entre variables, sino que también se ha entrenado una red para obtener el adelanto de este grupo de variables respecto al ciclo del Producto Bruto Interno. Luego se propone que las relaciones entre estas variables y el ciclo del PBI se presentan a través de un modelo no lineal de redes neuronales, específicamente el modelo conocido como Backpropagation. Este procedimiento de trabajo muestra buenos resultados (en repetidas pruebas) respecto a la evolución esperada del ciclo de aquí que nazca la motivación e interés personal de evaluar el uso de las redes neuronales y de sus beneficios matemáticos en la predicción de series de tiempo lo cual se verá en más detalle en las siguientes partes del presente trabajo. Es importante mencionar que estos hallazgos pueden ser una herramienta útil para la toma de decisiones dada su pronta disponibilidad respecto a estadísticas oficiales. (Neural Networks; Time Series; Back Propagation)