Metodología - Nowcast de Inflación
Resumen Ejecutivo
El nowcast de inflación mensual utiliza un Modelo de Factores Dinámicos (DFM) con factores rezagados y término autorregresivo para predecir la variación mensual del IPC (promedio móvil 3 meses). El modelo integra precios de alta frecuencia (supermercados, mayoristas) con indicadores tradicionales para detectar presiones inflacionarias antes de la publicación oficial mensual del INEI.
1. Arquitectura del Modelo
1.1 DFM con Factores Rezagados
A diferencia del modelo de PBI, el modelo de inflación incluye factores rezagados para capturar dinámicas de transmisión de precios:
Donde:
- Ft: Factores contemporáneos (K=3)
- Ft-1: Factores con 1 mes de rezago
- IPCt-1: Término autorregresivo (inercia inflacionaria)
La inclusión de rezagos mejora R² de 0.139 (solo factores contemporáneos) a 0.199 (con rezagos).
1.2 Target: Variación Mensual Suavizada (3M-MA)
Clave para el desempeño del modelo: predecimos la variación mensual del IPC con promedio móvil de 3 meses en lugar de la variación cruda mensual.
Beneficios:
- Reduce volatilidad 30% (de 0.323 a 0.225) preservando señal de corto plazo
- Mejora R² de ~0.14 (variación cruda) a 0.70-0.82 (3M-MA) en early backtest
- Más robusto a shocks transitorios (ofertas, eventos únicos)
¿Por qué NO usar variación 12m? La variación interanual (IPC 12m) es demasiado persistente (autocorrelación ~0.95) - un modelo AR(1) simple la predice casi perfectamente. DFM no agrega valor para targets tan suaves. La variación mensual suavizada (3M-MA) encuentra el balance óptimo entre volatilidad y predictibilidad.
2. Fuentes de Datos
2.1 Precios de Alta Frecuencia
Innovación clave: precios diarios/semanales que anticipan el IPC mensual oficial:
| Fuente | Cobertura | Frecuencia | Método |
|---|---|---|---|
| Supermercados | 42,710 SKUs (Plaza Vea, Metro, Wong) | Diaria | Scraping VTEX API |
| MIDAGRI Mayorista | Frutas, verduras, tubérculos (GMML) | Diaria | Scraping PDFs boletines |
| MIDAGRI Pollo | Pollo mayorista/minorista, huevos | Diaria | Scraping PDFs aves |
2.2 Índice de Supermercados (BPP para Perú)
Similar al Billion Prices Project del MIT, construimos un índice diario de precios monitoreando supermercados en línea. Método: Jevons bilateral (media geométrica de ratios de precios).
Solo incluye productos presentes en ambas fechas. Filtra ratios extremos (0.5 < ratio < 2.0) para eliminar ofertas y errores de scraping.
2.3 Indicadores Tradicionales (25 series)
- Tipo de cambio nominal y volatilidad (BCRP)
- Precios al por mayor agregados (BCRP)
- Componentes del IPC: core, no-core, alimentos (INEI)
- Expectativas de inflación empresarial (BCRP)
- Precios de combustibles (OSINERGMIN)
- Salarios y remuneraciones (MTPE)
3. Desempeño y Validación
3.1 Backtest Out-of-Sample
| Modelo | RMSE (pp) | MAE (pp) | Rel.RMSE |
|---|---|---|---|
| DFM (factores + rezagos + AR) | 0.319 | 0.241 | 0.991 |
| AR(1) | 0.322 | 0.248 | 1.000 |
| Random Walk | 0.402 | 0.316 | 1.248 |
El DFM apenas supera AR(1) en RMSE global (-0.9%), pero el valor está en:
- Detección temprana: Precios diarios de supermercados dan señales con días de anticipación
- Puntos de inflexión: DFM captura mejor cambios de tendencia que AR(1)
- Early backtest R²: 0.70-0.82 indica buena capacidad predictiva en período de entrenamiento
3.2 Nowcast Actual (Feb 2026)
IPC Feb-2026 (3M-MA): +0.29%
Error vs oficial: 0.003% | R² = 0.199 | Panel completo a través de Ene-2026
4. Índice de Precios de Alta Frecuencia
Complemento al nowcast mensual: un índice diario que monitorea precios en tiempo casi real.
4.1 Metodología BPP
Inspirado en el Billion Prices Project (Cavallo & Rigobon, 2016), scraped de supermercados peruanos:
- 42,710 SKUs monitoreados diariamente
- 3 cadenas principales: Plaza Vea, Metro, Wong
- Índice Jevons bilateral (base = 100)
- Sin rezago de publicación (actualización diaria)
4.2 Ventajas y Limitaciones
✓ Ventajas
- Frecuencia diaria vs IPC mensual
- Sin rezago de publicación
- Gran cobertura (42K productos)
- Replica metodología MIT BPP
⚠ Limitaciones
- Solo supermercados (no mercados tradicionales)
- Sesgado hacia Lima Metropolitana
- No incluye servicios (~50% de CPI)
- Sensible a promociones/ofertas
Ver índice de precios diarios para datos actualizados.
⚠️ Limitaciones
- Ventaja marginal sobre AR(1): Rel.RMSE = 0.991 indica solo -0.9% de mejora. El valor del DFM está en detección temprana de cambios, no en reducción masiva de error.
- Dependencia de scraping: Cambios en estructura de sitios web pueden romper scrapers. Mantenimiento continuo requerido.
- Cobertura geográfica: Precios de alta frecuencia concentrados en Lima. Inflación regional puede diferir.
- Servicios no cubiertos: Índice de supermercados no captura ~50% del CPI (servicios, alquileres, salud, educación).
Referencias
Cavallo, A., & Rigobon, R. (2016). "The Billion Prices Project: Using online prices for measurement and research." Journal of Economic Perspectives, 30(2), 151-178.
Bok, B., Caratelli, D., Giannone, D., Sbordone, A. M., & Tambalotti, A. (2018). "Macroeconomic nowcasting and forecasting with big data." Annual Review of Economics, 10, 615-643.
Koop, G., & Korobilis, D. (2012). "Forecasting inflation using dynamic model averaging." International Economic Review, 53(3), 867-886.
Giannone, D., Monti, F., & Reichlin, L. (2009). "Incorporating conjunctural analysis in structural models." In Wiley Handbook in Applied Econometrics, 41-57.
Código fuente disponible en el repositorio NEXUS
Ver: src/models/dfm.py, src/ingestion/midagri.py, scripts/build_daily_index.py