Monitor de Nowcasting Económico: PIB e Inflación con ML (Economic Nowcasting Monitor: GDP and Inflation with ML)
Este proyecto presenta una solución de IA para Políticas Públicas diseñada para predecir el crecimiento del PIB y analizar la sensibilidad económica ante shocks externos. A diferencia de los indicadores tradicionales que tienen meses de rezago, este sistema realiza un Nowcasting utilizando indicadores de alta frecuencia procesados mediante técnicas avanzadas de Machine Learning.
Proporcionar una herramienta interactiva de toma de decisiones que permita a economistas y analistas:
- Monitorear el ciclo económico en tiempo real.
- Simular escenarios hipotéticos (shocks de precios de energía o volatilidad financiera).
- Interpretar las causas detrás de cada predicción mediante inteligencia artificial explicable (XAI).
- Análisis Descriptivo (PCA)
- Se extrajeron múltiples series temporales de la API de la FRED (Producción Industrial, Empleo, Ventas, etc.). Se utilizó Análisis de Componentes Principales (PCA) para reducir la dimensionalidad y crear un Índice Sintético de Actividad Económica. Este índice captura la varianza común de la economía, eliminando el ruido individual de cada serie.
- Modelado Predictivo
- Se entrenó un modelo Random Forest Regressor utilizando una validación cronológica. Para garantizar que el modelo sea predictivo en condiciones reales, se aplicaron Lags (retrasos) de un trimestre a las variables independientes, permitiendo predecir el PIB futuro con datos disponibles hoy.
- Análisis Prescriptivo y Explicabilidad
- Simulación: La interfaz permite ajustar variables como el VIX y el precio del petróleo para observar el impacto inmediato en la predicción.
- SHAP Values: Se implementó lógica de explicabilidad para desglosar cuánto contribuye cada factor a la predicción final, transformando un modelo complejo en una herramienta transparente.
Requisitos Previos
- Python 3.8+
- API Key de la FRED.
Pasos
-
Clonar el repositorio.
-
Instalar dependencias: pip install -r requirements.txt
-
Ejecutar localmente: Ejecutar el archivo lanzador_app.ipynb
nombre-del-proyecto/
- data/ # Datasets (si son pequeños)
- notebooks/ # Jupyters con el análisis previo
- src/ # Scripts de procesamiento o lógica pesada
- models/ # El archivo .pkl o .h5 del modelo entrenado
- app.py # <--- ARCHIVO PRINCIPAL (Streamlit)
- lanzador_app.ipynb # <--- ARCHIVO QUE LANZA LA APP (Streamlit)
- requirements.txt # <--- DEPENDENCIAS (Crucial para el despliegue)
- README.md # Documentación
¿Cómo valida el modelo que el índice PCA es correcto? El índice se contrasta con los periodos de recesión oficiales. Como se observa en los resultados, el índice muestra caídas drásticas durante las crisis de 2008 y 2020, validando su sensibilidad a los ciclos económicos reales.
¿Por qué incluir el VIX y el Petróleo como variables exógenas? El PIB no solo depende de la actividad interna. El VIX captura el sentimiento de riesgo global y el Petróleo representa shocks de oferta/costos. Su inclusión permite que el modelo sea resiliente ante eventos geopolíticos y financieros.
☁️ Despliegue
Este proyecto está listo para ser desplegado en Streamlit Cloud. Recuerda configurar tu FRED_API_KEY en la sección de Secrets del panel de control de Streamlit para que la aplicación pueda consultar datos en tiempo real.
Este proyecto se distribuye bajo la licencia MIT. Su propósito es estrictamente educativo y de investigación.
Nota para reclutadores: Este proyecto demuestra habilidades avanzadas en el ciclo completo de Data Science: desde el procesamiento de señales con Pandas/NumPy, el desarrollo de aplicaciones financieras con Python, hasta la creación de un motor de decisión logística que integra lógica de Machine Learning con gestión de riesgos financiera. Todo desplegado en una aplicación web interactiva con Streamlit que prioriza la experiencia de usuario y la visualización de datos crítica.
Autor: JUAN S. Contacto: https://github.com/johnyse99