Colombia · Bogotá · Ver el perfil de Colombia · Ver el perfil de Bogotá
Evidencia: Cuasiexperimental Top 74% 47/100 · Pregunte a Evidence Copilot sobre esta práctica
Un documento de julio de 2025 del Banco de la República muestra que un modelo de Bosque Aleatorio con datos de Google Trends pronostica la inflación colombiana tan bien como la encuesta de analistas del banco — cerca de 1,5 semanas antes — superando a SARIMA, Ridge y Lasso.
La cifra oficial mensual de inflación de Colombia se publica con retraso, y la propia Encuesta Mensual de Analistas Financieros (MES) del Banco de la República tarda tiempo en compilarse, dejando a los responsables de política sin una lectura temprana de las presiones de precios entre publicaciones.
En el Borradores de Economía n.° 1318 (julio de 2025), los economistas Felipe Roldán-Ferrín y Julián Andrés Parra-Polanía construyeron RF-GT, un modelo de aprendizaje automático Random Forest entrenado con datos históricos de inflación, indicadores macroeconómicos y actividad de búsqueda web de Google Trends, con hiperparámetros ajustados mediante validación cruzada de series temporales.
El desempeño fuera de muestra del modelo se probó frente a los puntos de referencia estadísticos SARIMA, Ridge y Lasso, y frente al pronóstico mediano de la propia encuesta MES de analistas del banco, durante el periodo 2023-2024.
RF-GT superó sistemáticamente los puntos de referencia SARIMA, Ridge y Lasso e igualó la precisión del pronóstico mediano de la propia encuesta MES de analistas del banco, produciendo su estimación aproximadamente semana y media antes de que la encuesta esté disponible.
Este sigue siendo un documento de trabajo de investigación del departamento de economía del banco, y no una entrada confirmada en el proceso formal de decisión de política monetaria, y su historial fuera de muestra cubre solo una ventana de dos años.
Own resources / municipal budget
Vías de financiación indicativas para prácticas de este tipo: compruebe siempre las convocatorias vigentes y las reglas de elegibilidad de cada programa.
¿Usted implementa esta práctica? Reivindíquela — los implementadores verificados obtienen un contacto público en la página y pueden proponer correcciones.
De dónde se obtuvo la información de esta práctica, y cuándo.
Kazajistán
El banco central de Kazajistán añadió aprendizaje automático Ridge, Lasso y Elastic-Net a su sistema de previsión de inflación, reduciendo …
Sudáfrica
Investigadores del SARB pusieron a prueba rigurosamente modelos de aprendizaje automático (LASSO, XGBoost, redes neuronales) frente a las propias previsiones …
Nigeria
El banco central de Nigeria añadió un índice de sentimiento mediante aprendizaje automático a su modelo de previsión de inflación; …
India
Economistas del Banco de la Reserva de la India construyeron un modelo híbrido de ML y series de tiempo — …
Abrir el copiloto completo Basado en prácticas citadas: comprueba siempre las fuentes.