Predicción de inflación con Inteligencia Artificial:
Un Análisis Comparativo
DOI:
https://doi.org/10.46661/rev.metodoscuant.econ.empresa.12447Palabras clave:
grandes modelos de lenguaje, GPT, predicción de inflación, expectativas de inflación, procesamiento del lenguage naturalResumen
La dinámica inflacionaria implica la necesidad de metodologías avanzadas para mejorar la precisión de su predicción. Este artículo explora el potencial de la Inteligencia Artificial (IA) para generar pronósticos de inflación a corto plazo para Argentina durante el período 2023-2024. Específicamente, se utiliza el modelo GPT-4o Mini de OpenAI, un Gran Modelo de Lenguaje (LLM), para producir predicciones condicionales, suministrando datos históricos del Índice de Precios al Consumidor (IPC) y restringiendo explícitamente su base de conocimiento a la fecha del pronóstico. Estas predicciones basadas en IA se comparan rigurosamente con la encuesta de expectativas de inflación que realiza el Banco Central de la República Argentina, conocida como Relevamiento de Expectativas de Mercado (REM). Si bien la predicción de picos de alta inflación sigue siendo un desafío para ambos enfoques, los resultados indican un rendimiento comparable entre el modelo de IA y el REM para tasas de inflación mensual de nivel medio a bajo. Por ejemplo, para los pronósticos realizados en un mes dado t (como en agosto de 2024) y evaluados a lo largo de los siete horizontes de pronóstico subsiguientes, cuando la inflación mensual es alrededor del 4%, el Error Cuadrático Medio (MSE) para las predicciones medianas del GPT-4o Mini fue de 0,90 y el Error Absoluto Medio (MAE) de 0,85, cifras muy similares a las del REM, que registró un MSE de 0,68 y un MAE de 0,73.
Descargas
Citas
Ang, A., Bekaert, G., & Wei, M. (2007). Do macro variables, asset markets, or surveys forecast inflation better? Journal of Monetary Economics, 54(4), 1163-1212.https://doi.org/10.1016/j.jmoneco.2006.04.006
Banco Central de la República Argentina. (BCRA) (2024). Relevamiento de Expectativas de Mercado (REM). August 2024 Report. BCRA.
Bybee, L. (2023). Surveying Generative AI's Economic Expectations. arXiv Preprint. arXiv:2305. 02823.https://doi.org/10.2139/ssrn.4430515
D'Agostino, A., & Surico, P. (2012). A century of inflation forecasts. Review of Economics and Statistics, 94(4), 1097-1106.https://doi.org/10.1162/REST_a_00235
Devlin, J., Chang, M. W., Lee, K., y Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. En J. Burstein, C. Doran, y T. Solorio (Eds.), Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (Vol. 1, pp. 4171-4186). Association for Computational Linguistics. https://doi.org/10.18653/v1/N19-1423
Diebold, F. X. & Mariano, R. S. (1995). Comparing predictive accuracy. Journal of Business and Economic Statistics, 13, 253-63.
https://doi.org/10.1080/07350015.1995.10524599
Faria e Castro, M., & Leibovici, F. (2024). Artificial Intelligence and Inflation Forecasts. Federal Reserve Bank of St. Louis Working Papers 2023-015.https://doi.org/10.20955/wp.2023.015
Faust, J., & Wright, J. H. (2013). Forecasting inflation. In G. Elliott & A. Timmermann (Eds.), Handbook of economic forecasting (Vol. 2, pp. 2-56). Elsevier.https://doi.org/10.1016/B978-0-444-53683-9.00001-3
Gao, J., Gebreegziabher, S. A., Choo, K. T. W., Li, T. J.-J., Perrault, S. T., & Malone, T. W. (2024). A Taxonomy for Human-LLM Interaction Modes: An Initial Exploration. Extended Abstracts of the CHI Conference on Human Factors in Computing Systems, 1-11.
https://doi.org/10.1145/3613905.3650786
Google AI. (2023). Gemini: A Family of Highly Capable Multimodal Models. arXiv Preprint. doi:10.48550/arxiv.2312.11805.
Google AI. (2024). Google AI for Developers. Retrieved from https://ai.google.dev/pricing
Horton, J. J., Filippas, A., y Manning, B. S. (2024). Large language models as simulated economic agents: What can we learn from Homo silicus? (Working Paper No. 32013). National Bureau of Economic Research. https://doi.org/10.3386/w32013
Korinek, A. (2023). Language Models and Cognitive Automation for Economic Research. NBER Working Paper, 30957.
https://doi.org/10.3386/w30957
Lee, U. (2012). Forecasting Inflation for Inflation-Targeted Countries: A Comparison of the Predictive Performance of Alternative Inflation Forecasting Models. The Journal of Business and Economic Studies, 18(1), 75-95.
Mikolov, T., Sutskever, I., Chen, K., Corrado, G. S., & Dean, J. (2013). Distributed representations of words and phrases and their compositionality. Advances in Neural Information Processing Systems, 26.
OpenAI. (2023a). GPT-3.5: Technical Overview. Retrieved 18 September 2023, from https://platform.openai.com.
OpenAI. (2023b). GPT-4 Technical Report. Retrieved from https://openai.com/research/gpt-4.
OpenAI. (2024). GPT-4o Technical Report. Retrieved from https://openai.com/index/hello-gpt-4o/.
Radford, A., Wu, J., Child, R., Luan, D., Amodei, D., & Sutskever, I. (2019). Language Models are Unsupervised Multitask Learners. Retrieved from https://cdn.openai.com/better-language-models/language_models_are_unsupervised_multitask_learners.pdf.
Shahriar, S., Lund, B. D., Mannuru, N. R., Arshad, M. A., Hayawi, K., Bevara, R. V. K., Mannuru, A., & Batool, L. (2024). Putting GPT-4o to the Sword: A Comprehensive Evaluation of Language, Vision, Speech, and Multimodal Proficiency. Applied Sciences, 14(17), 7782.
https://doi.org/10.3390/app14177782
Theil, H. (1967). Economics and Information Theory. North-Holland Publishing Company, Amsterdam.
Wei, J., Tay, Y., Bommasani, R., Raffel, C., Zoph, B., Borgeaud, S., Yogatama, D., Bosma, M., Zhou, D., Metzler, D., Chi, E.H., Hashimoto, T., Vinyals, O., Liang, P., Dean, J., Fedus, W. (2022). Emergent Abilities of Large Language Models. arXiv preprint. arXiv:2206.07682.
Zhao, W.X., Zhou, K., Li, J., Tang, T., Wang, X., Hou, Y., Min, Y., Zhang, B., Zhang, J., Dong, Z., Du, Y., Yang, C., Chen, Y., Chen, Z., Jiang, J., Ren, R., Li, Y., Tang, X., Liu, Z., Liu, P., Nie, J., Wen, J. (2023). A Survey of Large Language Models. arXiv preprint. arXiv:2303.18223.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Daniela Agostina Gonzalez
Esta obra está bajo una licencia internacional Creative Commons Atribución-CompartirIgual 4.0.
El envío de un manuscrito a la Revista supone que el trabajo no ha sido publicado anteriormente (excepto en la forma de un abstract o como parte de una tesis), que no está bajo consideración para su publicación en ninguna otra revista o editorial y que, en caso de aceptación, los autores están conforme con la transferencia automática del copyright a la Revista para su publicación y difusión. Los autores retendrán los derechos de autor para usar y compartir su artículo con un uso personal, institucional o con fines docentes; igualmente retiene los derechos de patente, de marca registrada (en caso de que sean aplicables) o derechos morales de autor (incluyendo los datos de investigación).
Los artículos publicados en la Revista están sujetos a la licencia Creative Commons CC-BY-SA de tipo Reconocimiento-CompartirIgual. Se permite el uso comercial de la obra, reconociendo su autoría, y de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.
Hasta el volumen 21 se ha estado empleando la versión de licencia CC-BY-SA 3.0 ES y se ha comenzado a usar la versión CC-BY-SA 4.0 desde el volumen 22.
