Redes neuronales para la predicción de precios en el sector lácteo argentino

Abstract

Realizar pronósticos sobre precios resulta muy importante no sólo para la toma de decisiones de un sector productivo, sino también para la elaboración de políticas públicas; ya que permite reducir la incertidumbre de los posibles escenarios a los que se puede enfrentar dicho sector. Los precios son una variable clave en el análisis sectorial, y contar con estimaciones confiables de los mismos no es tarea fácil, mucho menos en países con alta volatilidad como lo es Argentina. A partir de una revisión de antecedentes, se ha encontrado que los métodos lineales multivariados han liderado en esta área de predicciones económicas. Sin embargo, trabajos recientes empiezan a implementar mecanismos no lineales que, mediante un diseño sencillo, han logrado una performance predictiva competentes a las primeras, al menos en el área económica. Dentro de estos mecanismos no lineales se encuentran las redes neuronales. El presente trabajo tiene como objetivo ajustar un modelo de red neuronal para realizar predicciones aplicadas al sector lácteo argentino, y comparar los resultados con las predicciones que arroja un modelo multivariado de series de tiempo. Sobre una base de datos mensual disponible para variables del sector desde 2000 a 2012, se logra obtener una red con tres capas, cuya capa interna tiene sólo dos nodos, para predecir los precios mensuales pagados a los productores tamberos. Los resultados obtenidos muestran que mediante una estructura sencilla y parsimoniosa de redes neuronales, pueden obtenerse mejores resultados predictivos respecto a alternativas más tradicionales de series de tiempo.

Forecasting prices is a very important aim not only to takes decision in a productive sector, but also for the development of policies in public sector; as it reduces the uncertainty of the possible scenarios that may face this productive sector. Prices are a key variable in the sectoral analysis, and doing good estimates of them is no easy task, much less in countries with high volatility like Argentina. Through a revision of bibliography, it has been found that multivariate linear methods have predominated in this area to economic forecasts. However, recent studies begin to implement nonlinear mechanisms, which with a simple design, have achieved a competent predictive performance to the first methodology, at least in the economic area. Within these new mechanisms, there are the nonlinear neural networks. This paper aims to get a neural network model to make predictions to the Argentine dairy sector, and compare its results with the predictions resulting in a multivariate time series model. It been obtained a monthly data of some variables in the sector since 2000 to 2012, and with them it was possible to obtain a network with three layers, the hidden layer has only two nodes, to predict the monthly prices paid to dairy farmers. The results show that by a simple and parsimonious neural network structure can be obtained better predictive results than traditional methodology.