Forecasting inflation with twitter

Martín Llada; Daniel Aromí

doi:10.24215/18521649e031

Autores/as

Martín Llada Instituto de Investigación en Economía Política (Universidad de Buenos Aires - Consejo Nacional de Investigaciones Científicas y Técnicas)
Daniel Aromí Instituto de Investigación en Economía Política (Universidad de Buenos Aires - Consejo Nacional de Investigaciones Científicas y Técnicas), Centro de Analítica Económica y Empresarial, Facultad de Ciencias Económicas, Universidad Católica Argentina.

DOI:

https://doi.org/10.24215/18521649e031

Palabras clave:

inflación, redes sociales, pronósticos, incertidumbre, análisis de texto

Resumen

Se utiliza el contenido de Twitter para generar un indicador de atención asignada a la inflación. El análisis corresponde a Argentina para el período 2012-2019. El índice de atención proporciona información valiosa sobre los niveles futuros de inflación. Un incremento de una desviación estándar en el índice es seguido de un incremento de aproximadamente un 0,4% en la inflación en el mes consecutivo. Los ejercicios fuera de la muestra confirman que el contenido de las redes sociales permite obtener ganancias en la precisión de los pronósticos. Más allá de los pronósticos puntuales, el índice proporciona información valiosa sobre la incertidumbre de la inflación. El indicador propuesto se compara favorablemente con otros indicadores como el contenido de los medios, los tweets de los medios, la intensidad de búsqueda en Google y las encuestas de consumidores.

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Citas

Ang, A., Bekaert, G. y Wei, M. (2007). Do macro variables, asset markets, or surveys forecast inflation better? Journal of monetary Economics, 54(4), 1163–1212.

Arifovic, J. (1995). Genetic algorithms and inflationary economies. Journal of Monetary Economics, 36(1), 219 243.

Aromí, J. D. (2020). Linking words in economic discourse: implications for macroeconomic forecasts. International Journal of Forecasting, 36(4), 1517 1530. https://doi.org/10.1016/j.ijforecast.2019.12.001

Ascari, G., Bonomolo, P. y Lopes, H. F. (2019). Walk on the wild side: Temporarily unstable paths and multiplicative sunspots. American Economic Review, 42(5), 123–134.

Azar, P. D. y Lo, A. W. (2016). The wisdom of twitter crowds: predicting stock market reactions to fomc meetings via twitter feeds. The Journal of Portfolio Management, 42(5), 123–134.

Baker, S. R., Bloom, N. y Davis, S. J. (2016). Measuring economic policy uncertainty. The Quarterly Journal of Economics, 131(4), 1593–1636.

Benhabib, J. y Farmer, R. (1999). Chapter 6 iIndeterminacy and sunspots in macroeconomics. En J. B. Taylor y M. Woodford (Eds.), Handbook of Macroeconomics (Vol. 1A, pp. 387–448). Elsevier.

Bollen, J., Mao, H. y Zeng, X. (2011). Twitter mood predicts the stock market. Journal of Computational Science, 2(1), 1–8.

De Grauwe, P. y Ji, Y. (2019). Inflation targets and the zero lower bound in a behavioural macroeconomic model. Economica, 86(342), 262–299.

Elder, J. (2004). Another perspective on the effects of inflation uncertainty. Journal of Money, Credit and Banking, 911–928.

Faust, J., Gilchrist, S., Wright, H. J. y Zakrajsek, E. (2013). Credit spreads as predictors of real-time economic activity: a bayesian model-averaging approach. The Review of Economics and Statistics, 95(5), 1501–1519.

Faust, J. y Wright, H. J. (2013). Chapter 1 - forecasting inflation. En G. Elliott y A. Timmermann (Eds.),

Handbook of Economic Forecasting (Vol. 2, pp. 2–56). Elsevier.

Heymann, D. y Leijonhufvud, A. (1995). High Inflation: the arne ryde memorial lectures. Oxford University Press.

Huizinga, J. (1993). Inflation uncertainty, relative price uncertainty, and investment in us manufacturing. Journal of Money, Credit and Banking, 25(3), 521–549.

Mackowiak, B. y Wiederholt, M. (2009). Optimal sticky prices under rational inattention. American Economic Review, 99(3), 769–803.

Newey, W. K. y West, K. D. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55, 703–708.

Newey, W. K. y West, K. D. (1994). Automatic lag selection in covariance matrix estimation. The Review of Economic Studies, 61(4), 631–653.

Oliveira, N., Cortez, P. y Areal, N. (2017). The impact of microblogging data for stock market prediction: Using twitter to predict returns, volatility, trading volume and survey sentiment indices. Expert Systems with Applications, 73, 125–144.

Rossi, B. y Sekhposyan, T. (2010). Have economic models’ forecasting performance for us output growth and inflation changed over time, and when? International Journal of Forecasting, 26(4), 808–835.

Rossi, B. y Sekhposyan, T. (2015). Macroeconomic uncertainty indices based on nowcast and forecast error distributions. American Economic Review, 105(5), 650–655.

Schorfheide, F. y Song, D. (2015). Real-time forecasting with a mixed-frequency var. Journal of Business Economic Statistics, 33(3), 366–380.

Sharpe, S. A., Sinha, N. R. y Hollrah, C. A. (2020). The power of narratives in economic forecasts (Finance and Economics Discussion Series 2020-001r1). Federal Reserve Board.

Sims, C. (2003). Implications of rational inattention. Journal of Monetary Economics, 50(3), 665–690.

Stock, J. H. y Watson, M. W. (1999). Forecasting inflation. Journal of Monetary Economics, 44(2), 293–335.

Thorsrud, L. A. (2020). Words are the new numbers: a newsy coincident index of the business cycle. Journal of Business & Economic Statistics, 38(2), 393–409.