En un país marcado por ciclos de alta inflación crónica, el Banco Central de la República Argentina (BCRA) ha perfeccionado herramientas que buscan anticipar el comportamiento de los precios.
Estos modelos actúan como una suerte de bola de cristal imperfecta, guiando decisiones de política monetaria y proyecciones macroeconómicas en un entorno complejo.
La Argentina ha enfrentado décadas de inflación volátil, donde la estabilidad de precios se ve constantemente amenazada por shocks externos, déficit fiscal y devaluaciones abruptas.
En este contexto, contar con previsiones confiables de corto plazo resulta esencial para formular estrategias de intervención cambiaria y fijar metas de inflación.
Inicialmente, el BCRA se apoyaba en el Modelo Económico Pequeño (MEP), compuesto por ecuaciones dinámicas como la curva de Phillips para la inflación, la curva IS para la brecha de producto y la paridad de tasas (UIP).
Con el tiempo, se incorporaron versiones que contemplan cuatro regímenes monetarios: tipo de cambio fijo, metas de inflación con flotación pura, flotación administrada y combinaciones variadas.
Paralelamente, el modelo ARGEM (DSGE) introdujo un enfoque de equilibrio general dinámico estocástico, simulando shocks de política y estructurando expectativas bajo rigurosos fundamentos microeconómicos.
En la última década, el BCRA amplió su arsenal incorporando técnicas de machine learning. A continuación, una tabla resumen:
Los métodos basados en ML han demostrado mejor precisión a uno y tres meses frente a benchmarks como la encuesta REM del BCRA.
Entre las variables más relevantes aparecen la inflación rezagada, el tipo de cambio oficial, los salarios nominales y los agregados monetarios (M2, base monetaria).
El análisis con Random Forest pone de relieve que la brecha cambiaria superior al 60% y unas reservas netas por debajo de USD 2.000 millones amplifican el poder predictivo de ciertas variables.
Estos umbrales permiten a los modelos ML ajustar su sensibilidad según el entorno financiero y acumular aprendizajes de episodios pasados.
Estudios recientes muestran que los métodos de ML reducen el RMSE y elevan el R² comparado con ARIMA y VAR fuera de muestra.
Asimismo, Random Forest reporta un MAE menor en pronósticos a un mes, equiparable o superior a la mediana de la encuesta REM.
Aun cuando los modelos avanzados ofrecen ventajas, ninguna técnica logra predecir con certeza absoluta y siempre existirán márgenes de error.
Los modelos predictivos del BCRA evolucionan desde estructuras econométricas clásicas hacia soluciones de inteligencia artificial.
Este progreso aporta herramientas robustas de apoyo a la toma de decisiones, pero la inflación argentina y sus shocks endógenos continúan desafiando cualquier bola de cristal macroeconómica.
El futuro pasa por combinar enfoques, mejorar la calidad de datos y adaptar continuamente los algoritmos a las dinámicas cambiantes de la economía local.
Referencias
