Este documento investiga si un tipo específico de red neuronal recurrente, en particular la red neuronal de Jordan (JNN), captura la inflación esperada mejor que las redes neuronales de alimentación comúnmente utilizadas y los modelos tradicionales de series temporales paramétricas. También considera las expectativas de inflación basadas en encuestas y basadas en modelos en comparación con la inflación real ex post para determinar cuáles predicciones son más precisas; las de los encuestados o los modeladores de pronósticos. Además, propone una estrategia de modelado de redes neuronales al tratar con series temporales no estacionarias que exhiben una propiedad de memoria larga y una dependencia no lineal con respecto a las entradas rezagadas y las entradas exógenas. Siguiendo esta estrategia, el problema de sobreajuste se redujo hasta que no se logró ninguna mejora en la precisión del pronóstico de la inflación esperada. El hallazgo principal es que JNN predice la inflación en la zona del euro con bastante precisión dentro de un horizonte de pronóstico de 2 años. En cuanto al principio de expectativas racionales, hemos encontrado un conjunto de características de inflación de tracción de la demanda y de empuje de costos como entradas exógenas que ayudan a reducir aún más el problema de sobreajuste de la red neuronal recurrente. La muestra incluye observaciones mensuales agregadas de la zona del euro desde enero de 2000 hasta diciembre de 2019. Los resultados también confirman que las expectativas de inflación obtenidas de JNN son consistentes con la Encuesta de pronosticadores profesionales (SPF), por lo tanto, los encargados de formular políticas monetarias pueden utilizar JNN como una herramienta complementaria en las deficiencias de otras medidas de expectativas de inflación.