Redes neuronales recurrentes y modelos arima para el pronóstico de la inflación en el Perú
No Thumbnail Available
Date
2023
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Nacional de Trujillo
Abstract
La presente investigación compara la metodología ARIMA y Redes Neuronales _x000D_
Recurrentes con el fin de encontrar el mejor modelo para el pronóstico de la inflación en el _x000D_
Perú. La investigación consta con una muestra de estudio desde enero de 2000 hasta _x000D_
diciembre de 2021._x000D_
Al diseñarse el modelo para cada serie, se procedió a pronosticar para todos los meses _x000D_
del año 2022, los cuales se compararon con los datos reales para determinar cuál _x000D_
metodología realiza un mejor pronóstico. Los resultados indicaron que el modelo de redes _x000D_
neuronales recurrentes LSTM logró obtener un menor error de evaluación de pronóstico a _x000D_
comparación de la metodología ARIMA, para ello se utilizaron los indicadores RMSE, _x000D_
MAE, MAPE, EMC y MPE
Description
The purpose of this research is to compare the ARIMA methodology and Recurrent _x000D_
Neural Networks to find the best model to forecast Inflation in Peru. The research consisted _x000D_
of a study sample from January 2000 to December 2021._x000D_
When designing the series model for each series, a forecast was made for all the _x000D_
months of the year 2022, which were compared with the real data to determine which _x000D_
methodology makes a better forecast. The results indicated that the previous LSTM recurrent _x000D_
neural network model obtained a lower forecast evaluation error compared to the ARIMA _x000D_
methodology, for which the RMSE, MAE, MAPE, EMC and MPE indicators were used
Keywords
Modelos ARIMA, Redes Neuronales Recurrentes, LSTM, Inflación