La inteligencia artificial (IA) puede ayudar a rastrear los riesgos de inflación en tiempo real. Un nuevo modelo del BCE basado en el aprendizaje automático informa a los expertos la probabilidad de que la inflación sea mucho más alta o mucho más baja de lo que esperan.
En tiempos de creciente incertidumbre económica y política, los precios pueden cambiar más rápidamente y con más fuerza. Esta es la razón por la que las decisiones de política monetaria se basan no solo en el camino más probable para la inflación, que a los economistas les gusta llamar la “línea de base”, sino también en una evaluación de los riesgos que la rodean. En otras palabras, ¿qué tan probable es que la inflación resulte ser más alta o más baja que la línea de base? Estimar esto se ha vuelto mucho más complicado en un mundo de creciente incertidumbre. Esta publicación de blog muestra cómo el BCE está aplicando nuevas herramientas basadas en inteligencia artificial para hacer frente a esta mayor complejidad.
El Eurosistema (el BCE y los bancos centrales nacionales de los países de la zona del euro) utiliza un conjunto de herramientas completos para analizar los riesgos que rodean a las previsiones de inflación. Por ejemplo, el análisis de sensibilidad basado en el mercado se centra en cómo la evolución sorprendente de las principales variables económicas, como los precios del petróleo, afectaría a la economía de la zona del euro. Además, el análisis basado en modelos examina cómo una amplia gama de desarrollos potenciales podría dar forma a toda la distribución de los resultados macroeconómicos futuros. Esto ofrece una perspectiva más amplia que el análisis de sensibilidad. Sin embargo, los modelos económicos estándar utilizados en este contexto se basan típicamente en solo un puñado de indicadores económicos. También pueden basarse en supuestos restrictivos.
El modelo de aprendizaje automático descrito en esta publicación de blog viene con dos ventajas principales para el análisis de riesgos. En primer lugar, es capaz de manejar un mayor número de indicadores económicos. En segundo lugar, los modelos de aprendizaje automático son capaces de capturar patrones de datos muy generales y complejos. Esto le permite detectar y hacer frente a las no linealidades, que los modelos económicos más tradicionales a menudo excluyen.
Aprendizaje automático para evaluar el riesgo de inflación
La herramienta de aprendizaje automático que utilizamos para evaluar los riesgos que rodean la inflación futura se basa en un modelo de bosque de regresión cuantil (QRF). Sirve a un doble propósito. En primer lugar, produce pronósticos de inflación. En segundo lugar, proporciona una evaluación exhaustiva de los riesgos que rodean a una perspectiva de referencia determinada, basándose en un gran conjunto de variables económicas que los expertos en inflación del Eurosistema supervisan de forma rutinaria. El modelo produce productos basados en la experiencia histórica en la que se ha capacitado y los datos más recientes disponibles sobre los determinantes clave de la inflación, como la evolución de los salarios y las expectativas de precios de venta.
El BCE ya ha utilizado el modelo de QRF para ayudar a producir el pronóstico de inflación a corto plazo y la evaluación del riesgo en torno a la línea de base. Desde finales de 2022, el modelo se ha convertido en parte del conjunto de herramientas analíticas más amplias utilizadas para la preparación de la política monetaria.
Es importante destacar que el potencial del modelo de QRF se extiende más allá de la previsión, y puede ayudar a identificar qué factores impulsan los riesgos de inflación a lo largo del tiempo. En 2025, por ejemplo, los salarios y las expectativas de precios de venta fueron las fuerzas clave detrás de las revisiones de nuestras proyecciones de inflación subyacente (HICPX).
Señales de riesgo en tiempo real
En los últimos años, los conocimientos del modelo de QRF han sido especialmente relevantes. En particular, el modelo fue útil para detectar, en tiempo real, los riesgos de inflación emergentes en diferentes componentes de nuestra medida de inflación principal (IPCA). Esto marcó una diferencia tangible, porque el entorno volátil después de la pandemia hizo que fuera mucho más difícil interpretar los mensajes potencialmente conflictivos que surgen del gran número de indicadores que tradicionalmente monitoreamos para nuestro análisis. Los modelos económicos tradicionales luchaban con estos mensajes conflictivos, pero QRF nos ayudó a darles sentido.
A continuación, nos centramos en el rendimiento del modelo de QRF en el transcurso de 2025, comparándolo con las proyecciones del BCE/Eurosistema producidos aproximadamente al mismo tiempo. La zona sombreada del gráfico 1 recoge las previsiones de densidad de QRF preparadas en fechas seleccionadas en torno a cada reunión del Consejo de Gobierno del BCE celebrada durante el período de muestra. Esto muestra el rango en el que es probable que la inflación del IPCAI caiga de acuerdo con el modelo. Por ejemplo, las previsiones de QRF para el primer trimestre de 2025 se produjeron el 17 de octubre de 2024 y se actualizaron el 29 de noviembre de 2024 y el 28 de enero de 2025 a medida que se disponía de más información. Las proyecciones del BCE/Eurosistema para la inflación del IPCAX para cada trimestre de 2025 se muestran en la línea roja discontinua. Para todos los sectores que se muestran, las proyecciones se preparan utilizando la información disponible a mitad de la fecha del rango informado en el eje x. Finalmente, el resultado real, que generalmente se libera poco después del final del trimestre de referencia, se muestra por la línea negra continua.
La forma en que se producen los grandes riesgos en torno a las proyecciones de inflación de referencia del BCE/Eurosistema puede derivarse de la distancia que se desvía el análisis de QRF de las proyecciones del BCE/Eurosistema. Por ejemplo, si la proyección del BCE/Eurosistema cae en la parte inferior de la zona sombreada, o incluso fuera de su rango más bajo, la proyección conlleva un “riesgo al alza”, es decir, el análisis de QRF identifica una probabilidad considerable de que el resultado final de la inflación sea mayor de lo previsto. La comparación de las señales de riesgo basadas en QRF con la forma en que la inflación real resultó posteriormente sugiere que estas señales fueron informativas. Por ejemplo, para el segundo y cuarto trimestre de 2025, el rango de QRF se encuentra principalmente o totalmente por encima de las proyecciones del BCE/Eurosistema y la inflación fue de hecho 20 puntos básicos por encima de las proyecciones. Por lo tanto, los riesgos al alza identificados por el modelo se materializaron. Al mismo tiempo, cuando las proyecciones estaban más cerca del punto medio del rango (lo que indica que el modelo no detectó riesgos significativos), las proyecciones resultaron estar más en línea con los resultados finales. El área sombreada del área del modelo de QRF se reduce en el transcurso de cada trimestre, mientras que, al mismo tiempo, todavía generalmente abarca el resultado final. Esto muestra que las predicciones de QRF se vuelven más precisas a medida que la nueva información está disponible en el transcurso del trimestre.
Implicaciones para el análisis económico y de inflación y el camino a seguir
Los ejemplos anteriores muestran que el modelo de QRF es una herramienta útil para navegar por condiciones macroeconómicas inciertas. La experiencia del BCE en el desarrollo y la explotación de este modelo marca el camino para usos futuros. En primer lugar, las herramientas de aprendizaje automático pueden complementar los modelos tradicionales proporcionando información oportuna sobre los riesgos, incluida su magnitud, orientación y determinantes. En segundo lugar, estas nuevas herramientas son valiosas no solo por su precisión de previsión, sino también por su capacidad para revelar patrones de datos complejos, como las no linealidades y la dinámica sectorial, que se han vuelto cada vez más relevantes para la política monetaria en los últimos años.
El marco de QRF también permite que los crecientes volúmenes de datos se manejen de manera más eficiente. Esto permite evaluar el riesgo económicamente interpretable en tiempo real, lo que a su vez permite detectar rápidamente los cambios en la línea de base o los riesgos asociados. El análisis de QRF proporciona explicaciones de cómo las variables clave de interés, como la inflación o la producción, evolucionan en función de la evolución de sus determinantes centrales (por ejemplo, salarios, costos de importación o expectativas). Por lo tanto, creemos que estas nuevas herramientas desempeñarán un papel cada vez más importante en la previsión, el seguimiento de las tendencias económicas y de la inflación, y la información sobre las decisiones de política monetaria.