Forecasting Inflation Using Deep Learning: An Application of Convolutional LSTM Networks and Variational Autoencoders

Carregando...
Imagem de Miniatura
Co-orientadores
Tipo de documento
Dissertação
Data
2021
Título da Revista
ISSN da Revista
Título do Volume
Projetos de Pesquisa
Unidades Organizacionais
Fascículo
Resumo
Esse trabalho apresenta um modelo inovador baseado em deep learning para previsão de inflação, um problema desafiador e, até o momento, sem solução na Macroeconomia moderna. Os desafios emergem devido ao comportamento não linear e não estacionário exibido pela inflação na prática, divergindo da dinâmica esperada a partir da Curva de Phillips Neokeynesiana. Consequentemente, modelos econométricos convencionais se mostram incapazes de produzir previsões críveis e consistentes, pois não possuem a flexibilidade necessária para capturar essas complexidades. Nesse contexto, deep learning se apresenta como uma abordagem promissora, dado o seu sucesso no tratamento de dados não lineares e abundantes (big data). Exemplos ilustrativos são encontratos nos campos de reconhecimento de fala, interpretação textual, processamento de imagens e modelagem de séries temporais financeiras, entre outros. Surpreendentemente, apesar de seu potencial, não há aplicações de deep learning ao problema descrito para investigar se há a possibilidade de aprimorar previsões de inflação através dessa técnica. Portanto, como contribuição à literatura, esse estudo propõe um modelo de deep learning híbrido que combina Autoencoders Variacionais com Redes LSTM Convolucionais para ampliar a acurácia das previsões de inflação. O procedimento de estimação do modelo emprega técnicas do estado-da-arte para reduzir a probabilidade de overfitting, tais como a adição de camadas de dropout e batch normalization à arquitetura do modelo. Através de um banco de dados macroeconômicos públicos composto por 134 séries temporais mensais da economia estadunidense, o modelo proposto é comparado contra populares benchmarks econométricos e de machine learning, incluindo a regressão Ridge, a regressão LASSO, Random Forests, métodos Bayesianos, VECM, e o perceptron de múltiplas camadas. Usando observações coletadas no período que se estende de janeiro de 1978 até dezembro de 2019, a análise empírica corrobora a superioridade do modelo em termos de consistência e desempenho fora da amostra. A robustez das conclusões é confirmada mediante cross-validation e simulações usando diferentes amostras de treino, validação e teste.

Titulo de periódico
Título de Livro
Idioma
Inglês
Notas
Membros da banca
Área do Conhecimento CNPQ
Citação