Inflação no Brasil
uma aplicação de Séries Temporais e Redes Neurais Recorrentes
Palavras-chave:
IPCA, Política Monetária, Box & Jenkins, SARIMA, LSTMResumo
A realização de previsões da inflação é imprescindível quando se deseja melhorar o planejamento estratégico na intenção de reduzir incertezas e aumentar a capacidade de planejamento das famílias, empresas e governo, e assim garantir o bom funcionamento da economia do país. Por conta disso, o objetivo do presente estudo foi realizar previsões do Índice Nacional de Preços ao Consumidos Amplo (IPCA), o qual é a métrica oficial de mensuração da inflação pelo governo federal. As técnicas de Box e Jenkins e de redes neurais recorrentes foram utilizadas para construção de modelos que capturam as informações contidas na série, a fim de avaliar o comportamento da variável analisada ao longo do tempo, bem como efetuar previsões dos valores futuros. Ao aplicar o modelo de Box e Jenkins, foi adotado um modelo de previsão do tipo SARIMA, que considera tanto a tendência como a sazonalidade na série, sendo selecionado aquele com menor erro quadrátivo médio (RMSE) e menor quantidade de parâmetros. Para os modelos de redes neurais recorrentes, utilizou-se o algoritmo LSTM, e selecionou aquele com menor RMSE. A fim de comparar as duas técnicas de previsão, os critérios adotados foram raiz do erro quadrático médio (RMSE), sendo que o modelo SARIMA se mostrou o melhor modelo para prever 12 meses diretos da inflação, enquanto que para previsões a curto prazo com realimentação, a técnica LSTM se mostrou muito efetiva.
Referências
ARESTIS, P.; PAULA, L.F.; FILHO, F.F. A nova política monetária: uma análise do regime de metas de inflação no Brasil. Economia e Sociedade, v 18, n. 1, p. 1-30, 2009.
BACEN. Banco Central do Brasil, 2021. Disponível em: https://www.bcb.gov.br/.
BARBOSA, L.M. Prevendo a Inflação Brasileira: Comparação Entre um Modelo Teórico e um Ateórico de Séries Temporais. Boletim Informações Fipe, p. 44-49, 2019.
BONNO, S.J.P. Previsão de Inflação Utilizando Modelos de Séries Temporais. Dissertação de Mestrado, 2014.
BROWNLEE, J. Machine Learning Mastery, 2021. Disponível em: https://machinelearningmastery.com/category/lstm/.
BOX, G.E.P.; JENKINS, G.M.; REINSEL, G.C. Time Series Analysis: Forecasting and Control, v1, Wiley, 5$^a$ ed., 2015.
CAMARGO, D.; MOURA, R.F.S. Um Estudo Das Séries Temporais Dos Principais Indicadores Inflacionários Brasileiros E Seus Reflexos Na Performance Do Índice Ibovespa. SocArXiv, 2022. Disponível em: https://doi.org/10.31235/osf.io/x5w9v.
COLABORATORY, G. Google Colaboratory, 2021. Disponível em: https://research.google.com/colaboratory/
DAMETTO, R. C. Estudo da aplicação de redes neurais artificiais para predição de séries temporais financeiras. Dissertação de Mestrado, 2018.
FOUNDATION, T. D. LibreOffice Calc., 2021. Disponível em: https://www.libreoffice.org/discover/calc/.
IBGE, Instituto Brasileiro de Geografia e Estatística, 2021. Disponível em: https://www.ibge.gov.br/.
MARTELLI, O.P. Modelos LSTM para predição do preço da soja com base em dados climáticos brasileiros. 2021, 39p., Monografia- Universidade Tecnológica Federal do Paraná, Pato Branco.
MENDONÇA, H.F. Mecanismos de transmissão monetária e a determinação da taxa de juros: uma aplicação da regra de Taylor ao caso brasileiro. Economia e Sociedade, v.10, n.1, p.65-81, 2016.
MORETTIN, P.A.; TOLOI, C.M. Análise de Séries Temporais. São Paulo, Blucher, 2006.
OMS. Organização Mundial de Saúde, 2021. Disponível em: https://www.who.int/es.
PYTHON. Python Software Foundation, 2021. Disponível em: https://www.python.org/.
SIDRA, Sistema IBGE de Recuperação Automática - SIDRA, 2021, Disponível em: https://sidra.ibge.gov.br/.
R CORE TEAM. R: A Language and Environment for Statistical Computing, 2021. Disponível em: https://www.R-project.org/.
ZANIOL, C.; PAZINATTO, C.; SCHILLER, A.P.S.; MORAES, J.C.P. Previsão de inflação com o uso de Inteligência Artificial. Revista Brasileira de Computação Aplicada, v. 13, n. 2, p. 96–104, 2021.
![](https://publicacoes.unifal-mg.edu.br/revistas/public/journals/2/article_1992_cover_en_US.png)
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Proposta de Política para Periódicos de Acesso Livre
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).