Revisión de Literatura: Métodos Ensemble para Pronósticos Financieros

1. Modelos Foundation para Series Temporales

Los avances recientes en modelos foundation han transformado el análisis de series temporales. TimeGPT (Garza & Mergenthaler-Canseco, 2023) demostró que los transformers pre-entrenados pueden lograr pronósticos zero-shot competitivos con modelos específicos.

• Los modelos pre-entrenados reducen la necesidad de ingeniería de features específica del dominio
• El transfer learning de datasets temporales a gran escala mejora el rendimiento few-shot en datos financieros

2. Mecanismos de Atención en Finanzas

La aplicación de atención multi-head a series temporales financieras ha mostrado resultados prometedores:

$ python experiments/train.py --model attention_ensemble --epochs 200

• Temporal Fusion Transformers (Lim et al., 2021): Selección de variables + pesos de atención interpretables para pronósticos multi-horizonte
• Autoformer (Wu et al., 2021): Mecanismo de auto-correlación que reemplaza la self-attention para dependencias a largo plazo
• iTransformer (Liu et al., 2024): Atención invertida entre variables — mejora del 15% en benchmarks multivariados

3. Estrategias Ensemble

La combinación de predicciones heterogéneas mediante pesos aprendidos supera consistentemente a las arquitecturas individuales.

4. Brechas en la Investigación

Aunque los métodos ensemble muestran claros beneficios, la literatura existente carece de: (1) aprendizaje adaptativo de pesos entre regímenes de mercado, (2) integración de fuentes de datos alternativas, y (3) evaluación rigurosa out-of-distribution.