Pronóstico de inflación de corto plazo en Argentina con modelos Random Forest

El presente trabajo examina el desempeño de los modelos Random Forest para pronosticar la inflación mensual de corto plazo en Argentina, especialmente para el mes corriente o el inmediato posterior. Utilizando una base de datos con indicadores en frecuencia mensual desde 1962, se concluye que estos modelos alcanzan una precisión de pronóstico estadísticamente comparable al consenso de analistas de mercado y a los modelos econométricos tradicionales. Al ser modelos no paramétricos, los Random Forest permiten explorar efectos no lineales en la capacidad predictiva de los regresores incluidos sobre la inflación. Se encuentra, entre otras cosas, que: 1) la relevancia relativa de la brecha cambiaria para pronosticar la inflación crece cuando la brecha entre el tipo de cambio paralelo y el oficial supera 60%; 2) el poder predictivo del tipo de cambio sobre la inflación aumenta cuando las reservas internacionales netas del BCRA son negativas o cercanas a cero (menores a USD 2.000 millones); 3) la relevancia relativa de la inflación rezagada y de la tasa de interés nominal para pronosticar la inflación del mes siguiente crecen cuando aumenta el nivel de inflación y/o el nivel de la tasa de interés.