Según arXiv q-fin, un estudio reciente examina si la diversidad en comportamientos de individuos y empresas puede mejorar las predicciones de la inflación general, especialmente en entornos no estacionarios. El trabajo propone un test de escaneo para identificar si una proyección supera a otra, sin necesidad de conocer el inicio ni duración del periodo de evaluación. A partir de esos hallazgos, se construye un sistema de aprendizaje automático adaptativo que transforma la distribución de variaciones de precios en un vector de alta dimensión. Este vector se integra con un modelo basado en árboles de gradiente, generando una proyección microeconómica. Luego, este resultado se combina con otros métodos tradicionales mediante un algoritmo que activa solo la proyección micro cuando su rendimiento es superior. La validación se realiza con datos microeconómicos británicos, y se obtienen cuatro hallazgos clave. Primero, la proyección basada en datos micro supera a un modelo univariado, pero solo en el periodo volátil posterior a 2020. Segundo, el test de escaneo detecta momentos en los que el modelo micro muestra ventaja, permitiendo su inclusión en el conjunto final de predicciones. Tercero, el resultado combinado alcanza niveles comparables al modelo tradicional antes de 2020, y mejora significativamente en todos los horizontes posteriores. Cuarto, el valor añadido de los datos micro se evidencia claramente tras 2020, momento en el que se produjeron grandes perturbaciones económicas. El estudio concluye que los datos detallados sobre individuos y empresas sí aportan valor para predecir la inflación, pero solo en contextos de alta incertidumbre, como los generados por crisis o shocks económicos.
Para los lectores peruanos, este hallazgo ofrece una reflexión clave sobre la necesidad de integrar información detallada de mercados locales y sectores específicos en las proyecciones de inflación oficial. Mientras que los indicadores macroeconómicos ofrecen una visión general, el comportamiento de sectores como el comercio minorista, la alimentación o el transporte puede reflejar cambios en el precio antes de que se manifiesten en cifras oficiales. En un contexto como el nuestro, donde las fluctuaciones de precios en zonas urbanas o rurales pueden ser significativas, la inclusión de datos micro podría mejorar la precisión de las proyecciones. Esto es especialmente relevante en momentos de inestabilidad, como las crisis de suministros o aumentos de costos de energía. Aunque no se dispone aún de un sistema oficial de este tipo en Perú, el estudio sugiere que la inversión en datos de proximidad, como los precios en tiendas o servicios locales, podría convertirse en una herramienta valiosa para el diseño de políticas monetarias y de estabilidad. El mensaje es claro: la inflación no se puede entender solo desde la perspectiva del promedio, sino también desde el movimiento de las decisiones cotidianas de millones de personas. En un país donde la economía es altamente desigual y dinámica, este enfoque podría permitir una respuesta más ágil y precisa ante los cambios del mercado.