Predicción Multi-Step del Índice de Precios al Consumidor de Lima Metropolitana utilizando Redes Neuronales Recurrentes

El presente estudio aborda la predicción del Índice de Precios al Consumidor (IPC) de Lima Metropolitana mediante el uso de redes neuronales recurrentes (RNN), en particular las arquitecturas LSTM y GRU. El objetivo principal es desarrollar un modelo predictivo multivariado capaz de anticipar el comportamiento inflacionario a corto y mediano plazo, considerando variables exógenas como el tipo de cambio, el precio internacional del petróleo, el índice de precios al por mayor y la remuneración mínima vital. La investigación adopta un enfoque cuantitativo con un diseño empírico-analítico, utilizando series temporales históricas (2000–2025) procesadas y normalizadas en un entorno de programación Python, con apoyo de librerías de aprendizaje profundo como TensorFlow y Keras. Los modelos fueron evaluados con métricas MAE, RMSE, MAPE y R² para determinar su precisión y capacidad de generalización. Los resultados revelaron que la arquitectura Stacked LSTM/GRU obtuvo el mejor desempeño (R² = 0.92), superando a otros modelos como el SimpleRNN y el CNN-LSTM/GRU híbrido. Se concluye que las redes neuronales profundas son herramientas robustas y adaptativas para la predicción económica, al capturar relaciones no lineales y patrones temporales complejos, contribuyendo así a mejorar la toma de decisiones en materia de política monetaria y planificación macroeconómica.