Forecasting inflation using online daily prices: a midas approach for Brazil

Abstract

Usually, inflation is optimally forecasted using simple time series models or a Phillips’ curve process. However, as more people become online shoppers, “online inflation” turns out to be a good predictor of official inflation too. Online prices can be obtained at a higher frequency than inflation is released, so we can use contemporaneous online inflation to forecast offline price variation. In this work, we propose forecasting Brazilian inflation rate, released at monthly basis, using web-scrapped daily prices in a mixed-frequency approach (MIDAS models). By not aggregating online inflation to match official inflation frequency, we obtain better forecasts than the single frequency benchmarks (ARIMA, VAR, and Bridge Equation), at least for the short term. The results are improved in periods of stable inflation and robust to changes in the sample size, in the forecast horizon, in the data origin, in the benchmarks, and in the forecasts evaluation.

No geral, podemos prever a taxa de inflação de maneira ótima usando modelos simples de séries de tempo ou um modelo de Curva de Phillips. Todavia, à medida que as pessoas passam a consumir mais online, a “inflação online” acaba se tornando um bom preditor da inflação oficial. Preços online podem ser coletados em frequências mais altas do que a frequência em que a inflação oficial é divulgada, então podemos usar a inflação online contemporânea para prever a variação dos preços offline. Neste trabalho, utilizamos uma abordagem de frequências mistas (modelos MIDAS) para prever a inflação brasileira, divulgada mensalmente, a partir da variação de preços coletados diariamente via web scrapping. Ao não agregar a inflação online para a frequência da inflação oficial, obtemos previsões superiores àquelas produzidas pelos benchmarks de frequência única (ARIMA, VAR e Bridge Equation), pelo menos para o curto prazo. Os resultados são melhores em períodos de inflação estável e robustos à mudanças no tamanho da amostra, no horizonte de previsão, na origem dos dados, nos benchmarks e na avaliação das previsões.