Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Bardález Trigoso, Gonzalo; Bazan Arzapalo, Jean Pablo & Montenegro Montori, Pedro I.
Universidad ESAN
Carrera de Ingeniería de Tecnologías de Información y Sistemas
Lima, Perú
Abstract – El Índice de Precios al Consumidor (IPC) es el El IPC, es un indicador estadístico que mide el
indicador por excelencia para medir la inflación de un país, comportamiento de precios, de un periodo a otro, de un
ya que este mide el valor de una canasta básica de bienes y conjunto de productos (bienes y servicios) representativo para
servicios para una persona, lo cual es de vital importancia el gasto de la población de Lima Metropolitana. Es un
para el Banco Central de Reserva (BCRP) debido a que se indicador que se refiere a los consumos habituales de los
basan de esta información para determinar las políticas hogares y a los patrones de un determinado periodo base. [15]
monetarias necesarias para mantener la estabilidad El IPC sirve como un buen indicador para medir la inflación
monetaria y la inflación en el rango meta. En este estudio se de precio en distintos productos. Además de tener un impacto
propone un modelo híbrido basado en Algoritmos Genéticos en el Producto Bruto Interno (PBI) y otras variables
(AGs), para identificar las mejores estructuras, y Redes macroeconómicas [6]
Neuronales Artificiales MLP (RNAs) backpropagation con
el objetivo de predecir el IPC mensual de Lima El BCRP tiene como objetivo principal crear las
Metropolitana en Perú con un multi-step de 10, empleando condiciones necesarias para un normal desenvolvimiento de
datos del BCRP. Para medir el desempeño del nivel las actividades económicas, preservar la estabilidad monetaria,
predictivo se utilizaron las métricas MAPE, MSE y el y para lograr esto implementan políticas monetarias según el
coeficiente de determinación R cuadrado. Los resultados de esquema del índice de inflación, cuya meta anual contempla
la predicción fueron divididos en dos partes: en periodo de un rango entre 1 por ciento y 3 por ciento [9]. Por esta razón
validación (2017-2018), donde se obtuvo un MAPE menor a las acciones del BCRP están dirigidas primordialmente a
1% en las estructuras identificadas; y en el periodo de cumplir con esta meta [9], además de que según el Artículo 84
prueba (2019), donde la mejor estructura obtuvo un MAPE de la Constitución Política del Perú el BCRP debe informar
de 0.26827% y al comparar con el IPC real obtuvo un error exacta y periódicamente al país sobre el estado de las finanzas
relativo de 0.002683. nacionales, esto incluye presentar los reportes de inflación
Keywords – Artificial Neural Networks; Genetic algorithm; mensuales con sus respectivas proyecciones.
time series; Consumer Price Index. De tal modo, en este estudio se propone un modelo híbrido
I. INTRODUCCIÓN basado en Algoritmos Genéticos (AGs), para identificar las
mejores estructuras, y Redes Neuronales Artificiales (RNAs)
Se suele destinar nuestros sueldos a cierto gastos como Perceptrón-Multicapa (MLP) backpropagation con el objetivo
transporte, comida, vestimenta, entre otros. Son gastos de realizar una predicción multistep de 10 meses del IPC
planificados y cualquier incremento de estos, afectaría mensual en Lima Metropolitana. En esta investigación
seriamente; pues disminuye nuestro poder adquisitivo de dicho primero se presentaron los antecedentes, después se propuso
producto [7]. Asimismo, si los precios de dichos productos una metodología, para luego llegar a los resultados y
caen, los consumidores se benefician pero las empresas se ven finalmente se expusieron las conclusiones y recomendaciones.
afectadas.
II. ANTECEDENTES
Al revisar la literatura respecto al tema se encontró que
Haider y Nadeem Hanif (2007) [1] predijeron la inflación
en Pakistán por medio de redes neuronales artificiales (ANN)
comparándolo con los métodos AR y ARIMA .Obteniendo un
RMSE menor en comparación a los métodos mencionados,
por lo que, la predicción basado en ANN resultó ser más
precisa. Igualmente, Gour Sundar Mitra Thakur, Rupak
Bhattacharyya y Seema Sarkar Mondal (2015) [2] investigaron
sobre la predicción de la inflación de la India utilizando una
red neuronal teniendo en cuenta ciertas variables económicas
como el Producto Bruto Interno (PBI),exportaciones, precio
del oro, entre otros. Los resultados fueron comparados con
diferentes organismos de previsión, demostrando que el
modelo es eficiente pero puede mejorar usando más
parámetros que influyen en la inflación. De igual forma,
Hamed Akbarpour, Mahdi Bastan, Shokoufeh Mohammad
Hosseini, Sareh Akbarpour (2014) [3] desarrollaron un
modelo predictivo sobre la tasa de inflación a corto plazo en
Irán usando ANN. Para este estudio se usaron variables de
entrada como el PBI, tasa de desempleo, producción Fig. 01: Metodología general de la investigación. (W. Ticona et al. 2017).
industrial, etc. El resultado demostró un RMSE aceptable.
A. Data
Juan Camilo Santana (2006) [4] evalúa la capacidad de La Data es una serie de tiempo que consiste en 226
las redes neuronales en la predicción de series temporales observaciones de los valores del IPC (año base 2009=100)
aplicado a la inflación colombiana, tomando los valores del mensual desde enero de 2001 a septiembre de 2019, extraída
IPC mensuales.Se demostro que el la predicción obtenida con de las bases de datos del BCRP. La serie se dividió en
la red neuronal en mas precisa que los métodos tradicionales entrenamiento, validación y prueba. Para entrenar la red se
como el suavizamiento exponencial y el método SARIMA de escogieron los índices mensuales desde el año 2001 al 2018
Box Jenkins. Asimismo, Sanjeev Gupta y Sachin Kashyap (168 observaciones, ya que los años 2001-2002 se emplearon
(2015) [5] emplearon los IPC de los siete países pertenecientes para la construcción del modelo), la validación se realizó en
al G-7 para formar diferentes estructuras de redes neuronales los años 2017 - 2018 (24 observaciones) y la prueba en el
artificiales para predecir cuál sería el comportamiento en los 2019, tomando los meses disponibles de enero a octubre [8].
siguientes años, lograron hacer buenas predicciones. La serie de tiempo del IPC se puede ver en el gráfico 01.
Asimismo [12] y [13] obtuvieron muy buenos resultados a la
hora de predecir el IPC con un modelo híbrido de Algoritmos
genéticos y RNAs, teniendo un error MAPE menor al 1%.
Esto deja claro que las RNA son adecuadas a la hora de
predecir los valores del IPC.
III. METODOLOGÍA
Gráfico 01: Serie de tiempo del IPC mensual, periodo 2001 a 2019.
❏ Parámetros
Luego de un análisis, y revisión en la literatura, se decidió
probar las combinaciones de variables de entrada que se
pueden observar a mayor detalle en la Tabla 1. Se emplean
como inputs los valores de la serie de tiempo de periodos
M-9 S t−9
anteriores al que se quiere conocer y variaciones de estos
valores.
M-10 S t−10
Debido al tipo de algoritmo de búsqueda que se usó
M-11 S t−11
(Algoritmos Genéticos) se decidió probar con 24
combinaciones posibles de variables de entrada y que el
M-12 S t−12
mismo algoritmo determine la importancia y escoja las
mejores entradas, dado que 24 parámetros de entrada es un
M-18 S t−18
espacio de búsqueda bien amplio y los AG no se ven limitados
por esto. Además, estas 24 variables de entrada específicas
M-24 S t−24
fueron seleccionadas porque representan el comportamiento
de la serie de datos. De tal forma, las primeras 14 variables S t−1 +S t−2 +S t−3
MM(1,3)
son delays de 1 a 12 meses, 18 y 24 meses antes, de esta 3
manera se pueden comparar los cambios mensuales del IPC y
aproximar en cuanto crecerá el próximo periodo; otros 3 son MM(4,6) S t−4 +S t−5 +S t−6
medias móviles de 3 meses cada una hasta 9 meses antes, ya 3
que se vió en el comportamiento de los datos que cada tres
meses había un incremento notable; 4 variables más son MM(7,9) S t−7 +S t−8 +S t−9
también medias móviles pero de 6 meses cada una hasta 24 3
meses antes, esto se debe también a que cada semestre hay un S t−1 + ... +S t−6
MM(1,6)
comportamiento variante del IPC; y por último 3 son
6
diferencias entre 2 meses, estas diferencias son entre 3-1, 6-4
y 12-9 meses antes dado que de esta forma se puede mapear MM(7,12) S t−7 + ... +S t−12
mejor el cambio del IPC cada 3 meses, lo que se vio en la 6
exploración de la data que es de gran relevancia.
MM(13,18) S t−13 + ... +S t−18
Entre los filtros más comunes están los promedios móviles, 6
las diferencias y los retrasos. Su principal objetivo es reducir
MM(19,24) S t−19 + ... +S t−24
el número de entradas de red, facilitando el procesamiento y el
6
mapeo entre entradas y salidas realizadas por redes
neuronales. [17]. Además ayudan a registrar comportamientos DD(3,1) S t−3 − S t−1
de los valores de la serie de tiempo, como su estacionalidad o
su conducta en cierto periodo [17]. DD(6,4) S t−6 − S t−4
Tabla 01. Detalle de las variables de entrada.
DD(12,9) S t−12 − S t−9
Variable Definición
M-1 S t−1
B. Normalización de la data
M-2 S t−2
Se utilizó como método de normalización la
M-3 S t−3 estandarización en el rango [-1;1]. Además, se incrementó
el límite de la predicción en un ±5% para poder predecir
M-4 S t−4 los valores que salgan de la escala establecida
inicialmente, teniendo finalmente un rango de
M-5 S t−5 [Ymin; Ymax] = [-0.95;1.05]. Esto se hizo debido a que se
observó que el IPC variaba en un 4% aprox. por periodo y
M-6 S t−6 para tener una mejor capacidad predictiva se previó esto.
Y j − Y min
M-7 S t−7 Y jm = Y max − Y min (1)
M-8 S t−8
Yjn : valor normalizado de la observación j
Yj : valor actual para la observación j
Ymin : valor mínimo de la variable
Ymax: valor máximo de la variable
C. Indicadores
Para la identificación, selección, evaluación del
rendimiento y desempeño de los modelos se utilizó el error
medio absoluto porcentual (MAPE):
|Y −Yp|
M AP E = 100 * ∑ | real | (2)
| Y real |
purelin(n) = n (6)
IV. RESULTADOS
M-3; M-9;
M-10; M-11;
M-18; M-24;
6 MM(1,3); 1 0.19516% 1.05258%
MM(7,12); Fig. 09: Comparación de lo real vs. predicho del año 2019 (prueba).
MM(19,24);
D(6,4)
En la tabla 03 se muestra el IPC promedio real calculado
entre los meses de enero a octubre del 2019, el promedio
Se puede observar que se han obtenido muy buenos estimado por el Sistema Financiero (SF) según el BCRP y la
resultados a la hora de predecir el IPC mensual base predicción del algoritmo híbrido de AGs-RNAs multi-step de
2009=100, tanto en la validación como en la prueba. De tal 10 del año 2019. Se muestran a continuación los errores
manera, se puede observar en la tabla 02 que el MAPE relativos de los valores predichos por el SF y el modelo
obtenido en la validación no supera el 1%. Asimismo, se híbrido calculado. De tal forma, con el modelo propuesto se
seleccionó la mejor estructura según el MAPE obtenido en la obtuvo un error relativo de 0.002683, siendo un poco mejor el
prueba, así la mejor estructura que se seleccionó fue la del conseguido por el SF de 0.002162, una diferencia de 0.00052.
modelo 02, compuesta por 12 parámetros de entrada y una
neurona en la capa oculta, con un error MAPE en la validación Tabla 03. Error relativo de las predicciones para el año 2019 (prueba)
de 0,11926% y en la prueba de 0.26827%. En la figura 08 está
detallada la estructura del mejor modelo. Predicción del IPC Promedio del IPC Error Relativo
2019 (ene-oct)
Algoritmo híbrido
131.3017654 0.002683
AGs-RNAs
V. CONCLUSIONES https://www.researchgate.net/publication/313342366_Investigation_on_
short-term_inflation_rate_in_Iran_using_artificial_neural_network
En este estudio, se propuso un modelo híbrido de AGs y [6] Pedrosa, Steven J. (2019). Índice de precios al consumo (IPC).
Economipedia. Recuperado de:
RNA multistep de 10 que se demostró eficiente a la hora de https://economipedia.com/definiciones/ipc-indice-precios-al-consumo.ht
predecir el IPC mensual. De tal forma se llegó a obtener en los ml
periodos de validación de 2017 a 2018 muy buenos resultados
obteniendo un MAPE menor al 1% en todas las estructuras [7] Pérez Sanchez, Ana. (2015). ¿Qué es el IPC? FinancialRed:
seleccionadas y en la predicción del año 2019 (prueba) se IPC.Recuperado de:
obtuvo un MAPE de 0.26827% con la estructura propuesta. https://www.ipcblog.es/que-es-el-ipc/#targetText=La%20importancia%2
0del%20IPC,como%20por%20ejemplo%20los%20alquileres.
Además, se obtuvo resultados muy positivos comparándolos
con las proyecciones del SF presentadas por el BCRP, dado
[8] BCRP. (2019). Inflación. Recuperado de:
que se obtuvo un error relativo de 0.002683, comparándolo https://estadisticas.bcrp.gob.pe/estadisticas/series/mensuales/inflacion
con el obtenido por el SF de 0.002162. Asimismo, se ve que, a
pesar de que la predicción del SF superó por poco a la nuestra [9] BCRP. (2019). PREGUNTAS FRECUENTES: ¿Cuál es el objetivo del
(diferencia de 0.00052), hemos logrado predecir con un buen BCRP?. Recuperado de:
nivel el IPC mensual durante el periodo seleccionado. http://www.bcrp.gob.pe/sobre-el-bcrp/preguntas-frecuentes.html
Finalmente, sería interesante analizar el impacto que puedan [10] W. Ticona, K. Figueiredo and M. Vellasco, "Hybrid model based on
tener ciertas variables exógenas dentro del cálculo del IPC, genetic algorithms and neural networks to forecast tax collection:
Application using endogenous and exogenous variables," 2017 IEEE
además de ingresar la información de que en ciertos meses hay
XXIV International Conference on Electronics, Electrical Engineering
un incremento leve del IPC, por medio de variables dummy and Computing (INTERCON), Cusco, 2017, pp. 1-4. doi:
para el mes. Por otra parte, sería interesante también intentar 10.1109/INTERCON.2017.8079660
predecir el comportamiento de la variación porcentual cada 12
meses; la cual está basada en el IPC y se usa como un [11] A. Brabazon & P. B. Keenan, "A hybrid genetic model for the prediction
indicador de inflación. of corporate failure", Computational Management Science. 1. 293-310,
octubre 2004. doi: 10.1007/s10287-004-0017-6.
[2] Gour Sundar Mitra Thakur, Rupak Bhattacharyya, Seema Sarkar [14] M. Obitko, (1998, September). “Introduction to Genetic Algorithms -
Mondal. (2016). Artificial Neural Network Based Model for Forecasting Tutorial with Interactive Java Applets”, Recuperado de:
of Inflation in India. Fuzzy Information and Engineering, 8(1), 87-100. http://www.obitko.com/tutorials/genetic-algorithms/selection.php
doi: https://doi.org/10.1016/j.fiae.2016.03.005.
[15] INEI. (2010). Metodología del cambio de año base 2009 del índice de
[3] Akbarpour, Hamed & Bastan, Mahdi & Hosseini, Shokoufeh & precios al consumidor de Lima Metropolitana.. Recuperado de:
Akbarpour, Sareh. (2014). Investigation on short-term inflation rate in https://www.inei.gob.pe/media/MenuRecursivo/2_1.pdf
Iran using artificial neural network.The First National Conference on
Development in Monetary and Banking Management. Tehran, Iran. [16] Nitasha, Soni & Tapas, Kumar. (2014). “Study of Various Mutation
Recuperado de: Operators in Genetic Algorithms”. International Journal of Computer
Science and Information Technologies, Vol. 5 (3), 4519-4521.
Recuperado de:
http://ijcsit.com/docs/Volume%205/vol5issue03/ijcsit20140503404.pdf