Previsão da inflação através de wavelets e redes neurais

Abstract

A inflação é caracterizada pelo aumento dos preços contínuo e generalizado em uma economia. Pequenas taxas de inflação são naturais e associadas com o crescimento saudável de uma economia; entretanto, a incerteza relacionada com a volatilidade e com a previsibilidade da inflação traz dificuldades na manutenção do poder de compra e, em nível macroeconômico, no delineamento de políticas monetárias. Para descrever o comportamento persistente da inflação, vários bancos centrais utilizam os Núcleos de Inflação, cujo objetivo é decompor a inflação em componentes persistentes e transitórios a fim de observar a sua tendência. Neste trabalho, propõe-se núcleos de inflação baseados em wavelets, utilizando as famílias Daubechies e Symlets, os quais permitem a exclusão de componentes transitórios sem serem necessárias hipóteses adicionais. Para construção desses núcleos, foi utilizado o Índice de Preços ao Consumidor Amplo(IPCA), no período entre julho de 2006 a dezembro de 2019. Uma série de testes são aplicados aos núcleos propostos com a finalidade de comparar estes com os atualmente adotados pelo Banco Central do Brasil. Ainda, com objetivo de prever o comportamento futuro da inflação brasileira, adotam-se técnicas de inteligência artificial, como as redes neurais. Ressalta-se que o uso das redes neurais possibilita lidar com problemas altamente complexos, os quais nem sempre podem ser descritos por modelos analíticos. Delimitam-se, ainda, as estimativas prováveis das previsões futuras através de intervalos de confiança. Dentre as principais conclusões do trabalho, salienta-se que os núcleos de inflação baseados em wavelets possuem menores erros de previsão para horizontes mais breves, até seis meses. Além disso, verifica-se que a previsão gerada pelos núcleos de inflação são suavizações da inflação, permitindo identificar apenas a tendência da inflação para um horizonte de até doze meses.

Inflation is the continuous and generalized increase in prices in an economy. Small inflation rate is natural and associated with a healthy growth of an economy, however, uncertainties related to inflation volatility and predictability bring issues to maintain purchasing power and, at the macroeconomic level, in monetary policy design. To describe inflation persistent behavior, several central banks use core inflation to decompose inflation in persistent and transient components and observe its tendency. In this work, we proposed wavelet core inflation using Daubechies and Symlet families, which allow transient component exclusion without the need of additional hypothesis. For these cores, we use the ´Indice de Pre¸cos ao Consumidor Amplo(IPCA), between july 2006 and dezember 2019. Numerous tests were applied to the proposed core inflation in order to compare these with those currently used by the Central Bank of Brazil. Moreover, in order to forecast the future behavior of Brazilian inflation, we use artificial intelligence techniques, such as neural networks. We point out that neural networks make it possible to deal with highly complex problems, which cannot always be described by analytical models. Additionally, we use confidence intervals to delimit inflation forecast probable estimates. Among the main conclusions, we emphasize that wavelet inflation core had fewer errors for shorter time horizons, up to six months. In addition, inflation forecast generated smoothed signals, allowing to identify only the trend of inflation of up to twelve months.