Pronóstico de flujos comerciales bajo incertidumbre geopolítica: un enfoque híbrido econométrico-LSTM

Resumen

Este estudio desarrolla un pronóstico para mejorar la predicción de los flujos comerciales internacionales en un contexto de creciente incertidumbre geopolítica, tensiones comerciales y fragmentación de las cadenas globales de valor. La metodología combina técnicas econométricas y de aprendizaje automático. Mediante algoritmos de convergencia estocástica se identifican clubes de convergencia entre socios comerciales de China y Estados Unidos. Posteriormente, el Análisis de Componentes Principales (PCA) y la regresión LASSO permiten reducir la dimensionalidad y seleccionar las variables más relevantes, para incorporarlas a una red Long Short-Term Memory (LSTM). El modelo propuesto supera a especificaciones LSTM comparables en múltiples horizontes de pronóstico. Las pruebas de Diebold-Mariano para datos de panel muestran mejoras estadísticamente significativas en los pronósticos a un mes, especialmente en modelos que incluyen variables exógenas, pero no la formación de clubes de convergencia. El estudio demuestra que incorporar estructuras de convergencia entre países mejora la precisión predictiva, optimiza la gestión de datos y la especificación del modelo, y proporciona un marco escalable que conserva la flexibilidad y capacidad para capturar relaciones no lineales propias del aprendizaje profundo.