Proyectando la inflación con un marco que usa espacios de búsqueda estructurados en árbol para buscar modelos y arquitecturas neuronales

Este estudio automatiza el diseño de modelos de aprendizaje automático para pronósticos económicos, con una aplicación para la inflación del Perú. Esto se logra empleando un marco de aprendizaje automático automatizado (AutoML) que selecciona las mejores configuraciones de modelo y etapas de procesamiento de datos. Ello nos permite construir modelos sin calibrar manualmente diferentes opciones, lo que ahorra tiempo y potencialmente mejora la precisión. Los modelos específicos explorados son redes neuronales de aprendizaje profundo, que son modelos de aprendizaje automático que se utilizan usualmente para tareas de pronóstico complejas. Utilizamos dos esquemas de pronóstico de inflación: uno que usa un modelo único para la inflación total y otro que usa dos modelos, uno para la inflación de alimentos y energía y otro para la inflación excluyendo alimentos y energía, que se combinan para predecir la inflación.