Segun arXiv q-fin, un estudio reciente emplea el modelo de series temporales Chronos-2, una herramienta abierta, para comparar la precisión de predicciones económicas y financieras. El análisis contrasta modelos preentrenados que usan datos univocas (UV) frente a aquellos que integran múltiples series (MV), evaluando su rendimiento en dos paneles: acciones del Magnificent-7 y tasas de interés de Estados Unidos, además de una combinación de ambos. Las pruebas se extienden desde 2000 hasta 2025, con revisiones mensuales y distintos periodos de entrada y pronóstico. Los indicadores utilizados —el error cuadrático medio (RMSE) y el error porcentual medio (MAPE)— permiten medir la efectividad de cada estrategia. En todos los casos, las predicciones multivariadas alcanzan resultados superiores a los univocas, mostrando avances significativos en tasas de interés y mejoras notables en el comportamiento de las acciones. A nivel de cada serie, los resultados demuestran una reducción constante en los errores, y la dispersión de valores se ve disminuida al incorporar múltiples variables. Las visualizaciones incluyen mapas de parámetros y gráficos de series temporales, que ayudan a interpretar la dinámica de los modelos. Sin embargo, la integración de series provenientes de mercados distintos —como acciones y tasas— reduce la exactitud, sugiriendo que el ingreso de información ruidosa o poco relacionada deteriora el rendimiento. Este hallazgo indica que los modelos de base pueden aprovechar datos interrelacionados para mejorar predicciones, pero solo cuando las series son homogéneas y se evalúan bajo protocolos de revisión rotativos y estructurados. La investigación no solo valida el potencial de modelos de inteligencia artificial en finanzas, sino que también destaca la importancia de la selección adecuada de variables y la coherencia entre las series analizadas.
Para inversores peruanos, este hallazgo implica que la construcción de modelos de predicción debe centrarse en datos relevantes y relacionados, en lugar de incluir información de mercados distantes o poco conectados. En el contexto peruano, donde el mercado bursátil es más pequeño y volátil, el uso de datos univocas podría resultar menos confiable. Por ejemplo, al analizar el comportamiento de las tasas de interés del Banco Central o el desempeño de acciones del sector de minería, los resultados sugieren que combinar series similares —como tasas de interés y evolución de precios de metales— podría mejorar la precisión de las proyecciones. Sin embargo, si se incorporan datos de sectores poco correlacionados, como el clima o el consumo de energía, podría surgir ruido que debilite la predicción. Por tanto, los inversores deben priorizar la calidad y la coherencia de los datos en sus análisis, especialmente cuando se aplican herramientas tecnológicas. La experiencia muestra que la precisión no depende únicamente de la complejidad del modelo, sino de la calidad de la información que se introduce. En un entorno como el peruano, donde la disponibilidad de datos estructurados es limitada, esta guía ofrece un enfoque más práctico y sostenible para la toma de decisiones financieras.