Este trabalho investiga o desempenho de diferentes abordagens lineares, univariadas e de deep learning na previsão da inflação brasileira medida pelo IPCA acumulado em 12 meses. Para isso, foram utilizados dados macroeconômicos mensais majoritariamente do Brasil, complementados por séries da economia americana, todos submetidos a um pré-processamento alinhado à literatura de previsão e avaliados por meio de um protocolo consistente de validação baseado em Time Series Cross Validation com rolling window. Foram estimados quatro modelos principais: ARIMA, LASSO, ConvLSTM e VAE-ConvLSTM. Os resultados mostram que o LASSO apresentou o melhor desempenho preditivo, seguido pelo VAE ConvLSTM. Já o ARIMA e o ConvLSTM puro exibiram erros significativamente superiores. Esses achados evidenciam que a relação entre a complexidade do modelo e o volume e a qualidade dos dados disponíveis é determinante para o sucesso preditivo. Modelos mais simples podem superar arquiteturas profundas e parametrizadas de forma pesada. Ao mesmo tempo, observa-se que modelos híbridos de deep learning, que combinam redes neurais com técnicas de redução de dimensionalidade, como o VAE-ConvLSTM, representam uma alternativa promissora. Essa classe de modelos consegue explorar relações não lineares sem sofrer tanto com o problema da alta dimensionalidade.