Nowcasting

Qué es?

Es una aproximación estadística, que sirve para estimar el estado de la economía, ya que por
ejemplo para el caso del GDP existe un delay en su publicación. No sólo el presente sino también
el pasado cercano

Para qué lo hacemos?

 El buen pronóstico de la inflación permitirá a la VP de Inversiones tener un view más

acertado del cambio generalizado de precios, lo que permitirá tomar posiciones tácticas
en los portafolios de AM
 Tener estimaciones continuas de una variable discreta (saber de manera semanal/diaria)
la evolución de los precios y de sus componentes
 Robustecer los modelos dentro del área
 Adquirir conocimientos en técnicas de Machine learning, Big data , webscraping y manejo
de bases de datos

Objetivos

1. General: Generar una herramienta estadística que utilice información con diferentes
periodicidades para crear un pronóstico sobre la inflación total y sin alimentos
a. Generación de una Base de datos que se actualice de manera automática
b. Comparación del modelo output con encuestas de analistas y otros modelos (i.e
AR(1))
c. Documentación del flujo de trabajo del modelo

Ventajas del nowcasting

Los modelos explotan información de muchas series de datos que están en diferentes frecuencias
y con diferentes lags de publicación. La idea es que esas señales sobre la dirección del cambio en la
serie sean extraídas de este conjunto de información antes de la publicación de la serie.

Qué datos se necesitan? (Inflación)

Sistemas de pago

 Donde están consumiendo las personas (CIIU)

 Cuanto han cambiado los precios (Identificación del producto)
 Datos externos, para el caso de rappi es posible identificar no solo los precios sino
también los lugares de las transacciones
 Google

Webscraping

 Tomar la información de diferentes grupos de productos con el ánimo de

alimentar una base de datos
Qué modelos se han usado?

Ejemplos para información trimestral

1. Paseo aleatorio (trimestal)

2. Promedio de los datos + paseo aleatorio (mensual) es decir promedio de los tres meses
anteriores
3. Promedio de la información mensual
4. MIDAS (Mixed data sampling)
5. Mixed-frecuency dynamic factor models (MF-DFMs)