Por Mariel Álvarez, Óscar Adrián Huitz, Emiliano Montalvo, David Roberto Valenzuela y Carlos Emmanuel Saldaña
Predecir cuánto y qué comerciarán los países en los próximos meses no es tan sencillo como mirar la tendencia reciente, ya que un mismo país puede intercambiar cientos de productos con distintos socios comerciales, y cada uno puede responder de manera diferente a factores como los cambios en los aranceles, el tipo de cambio o los precios de las materias primas.
Una posibilidad de hacerlo es agrupar a los países que tienen trayectorias comerciales similares, antes de intentar predecirlo, para mejorar la precisión del pronóstico.
El estudio Forecasting Trade Flows under Geopolitical Uncertainty: A Hybrid Econometric–LSTM Approach propone agrupar primero a las series de comercio que tienen comportamientos similares, y después, construir un modelo específico para cada grupo.
El trabajo de investigación puso a prueba esta idea con las importaciones y exportaciones de China y Estados Unidos, combinando herramientas de econometría con aprendizaje automático para anticipar los flujos comerciales en un entorno donde los aranceles cambian de un mes a otro.
Pronóstico IA en comercio internacional
La necesidad es concreta: los modelos tradicionales de predicción, construidos sobre tendencias históricas o ecuaciones de gravedad, se comportan mal cuando hay rupturas bruscas [1]. Los modelos de equilibrio general capturan mejor los choques de política, pero no escalan a miles de países y productos.
A un mes de distancia, el modelo LSTM (Long Short-Term Memory) pronosticó mejor que los otros dos modelos de comparación en los cuatro grupos analizados. En las exportaciones de China, el error promedio bajó de 18.9% a 17.4%; y en las importaciones, de 25.2% a 22.5% (Figura 1).
Agrupar antes de predecir
Pronosticar el comercio internacional es complicado porque hay muchas series de datos (registros de las exportaciones de cada producto a lo largo del tiempo) y su comportamiento puede ser muy distinto. Un solo país exporta cientos de productos, y las variaciones en las ventas de cada uno no necesariamente están relacionadas.
Los métodos habituales resuelven eso de dos maneras: reúnen todas las series en un modelo único, perdiendo detalle, o estiman un modelo por serie y el trabajo se vuelve inmanejable.
El enfoque híbrido econométrico–LSTM aplica la prueba log-t de Phillips y Sul [2], que detecta clubes de convergencia, es decir, conjuntos de series que arrancan en niveles distintos, pero terminan moviéndose hacia una misma trayectoria.
La prueba identificó 24 clubes (grupos de productos con patrones comerciales similares) en el comercio de Estados Unidos y 11 en el de China. Cada club recibe su propio modelo. Así se conservan las diferencias entre grupos sin tener que estimar miles de modelos.
Con los clubes formados, el siguiente paso reduce el número de variables.
El Análisis de Componentes Principales resume 24 indicadores macroeconómicos (producción industrial, tipos de cambio reales, precios de materias primas, índices de incertidumbre comercial) en unos cuantos factores. Después, una regresión LASSO (Least Absolute Shrinkage and Selection Operator) —un método estadístico que ayuda a identificar cuáles variables aportan información útil y cuáles pueden descartarse— se queda únicamente con las variables que aportan algo al pronóstico dentro de cada club.
Esa selección alimenta una red LSTM, un tipo de red neuronal diseñada para reconocer patrones en series de tiempo y captar relaciones que los modelos lineales no ven.
Los datos vienen del Observatorio de Complejidad Económica [3]. Son observaciones mensuales de enero de 2023 a marzo de 2025 para los 20 principales socios comerciales de China y Estados Unidos, con los productos clasificados a cuatro dígitos del Sistema Armonizado.
Más variables no significan mejores pronósticos
Para saber qué parte de la mejora provenía de los clubes (grupos de países con patrones comerciales similares) y qué parte de la red neuronal (un modelo de inteligencia artificial que aprende patrones a partir de los datos), los autores compararon su modelo con dos versiones: una red LSTM (un tipo de modelo de inteligencia artificial diseñado para analizar series de datos a lo largo del tiempo) sin clubes ni variables externas, y otra con variables externas, pero sin clubes.
El modelo propuesto superó a la red LSTM con variables externas, pero sin clubes, por un margen mayor. Esto sugiere que agregar información macroeconómica a una red neuronal puede resultar contraproducente cuando antes no se atienden las diferencias en el comportamiento de los datos de cada grupo de países.
Frente a la versión con variables externas, el modelo propuesto ganó en las exportaciones e importaciones de China y en las importaciones de Estados Unidos. La única excepción fueron las exportaciones estadounidenses, donde la diferencia no resultó significativa.
Las pruebas de Diebold-Mariano (un método estadístico para determinar si las diferencias entre dos modelos de pronóstico son reales o podrían deberse al azar) descartan que la diferencia observada sea producto del azar: los resultados son significativos al 1% en el conjunto de los datos y en la mayoría de los grupos.
La ganancia proviene de la estructura de convergencia (la agrupación de países con patrones comerciales similares) y no del aprendizaje profundo por sí mismo.
Dónde falla el modelo
La ventaja se concentra en el corto plazo. A los tres y seis meses, el desempeño empeora en todos los modelos (Figura 1). En algunas combinaciones el modelo propuesto ni siquiera supera al pronóstico ingenuo, que consiste en repetir el último dato observado.
Las series de China dan resultados mixtos. En importaciones, la red LSTM global funcionó mejor. Los clubes con pocas series, o con menor estabilidad, resultaron más sensibles a errores de especificación: algunos mejoran más de 20% frente a los modelos de comparación y otros empeoran en proporción parecida (Figura 2).
Figura 2. Ganancia promedio del modelo propuesto frente a cada modelo de referencia, por club de convergencia y panel comercial. Cada punto corresponde a un club. Los valores por encima de la línea de cero indican menor error del modelo propuesto. La dispersión muestra que la ventaja no es pareja entre clubes. (Fuente: elaboración propia con datos del OEC.)
Los autores señalan cuál es la limitación principal. La ventana de datos apenas rebasa los dos años, un periodo corto para identificar dinámicas de largo plazo, que es justo el supuesto sobre el que descansa la formación de clubes. Tampoco alcanza a cubrir choques como la pandemia de COVID-19.
El marco tiene aplicaciones concretas: análisis de escenarios, gestión de inventarios, evaluación del efecto de los aranceles y detección temprana de interrupciones en el comercio.
La idea de fondo se puede llevar a otros terrenos. Agrupar series heterogéneas por su comportamiento de largo plazo, antes de entrenar un modelo, sirve para cualquier problema de pronóstico económico en el que convivan miles de series con dinámicas dispares.
Los autores plantean dos rutas para continuar. Una es extender el periodo de análisis. La otra, revisar si las series chinas tienen dinámicas estructurales que no encajan con el supuesto de convergencia.
Referencia principal
Álvarez-Salas, M., Huitz-Montero, O. A., Montalvo-Vásquez, E., Valenzuela Vega, D. R., & Saldaña Villanueva, C. E. (2026). Forecasting trade flows under geopolitical uncertainty: A hybrid econometric–LSTM approach. Trendinomics, 2(2), 1–12.
Otras referencias
- Borin, A., Gazzani, A., & Mancini, M. (2024). Trade and economic activity: Nonlinear modeling and forecasting. Journal of Forecasting, 44(4), 1247–1265.
- Phillips, P. C. B., & Sul, D. (2007). Transition modeling and econometric convergence tests. Econometrica, 75(6), 1771–1855.
- Simoes, A. J. G., & Hidalgo, C. A. (2011). The Economic Complexity Observatory: An analytical tool for understanding the dynamics of economic development. Workshops at the Twenty-Fifth AAAI Conference on Artificial Intelligence. https://oec.world
- Diebold, F. X., & Mariano, R. S. (1995). Comparing predictive accuracy. Journal of Business & Economic Statistics, 13(3), 253–263.
- Pesaran, M. H., Schuermann, T., & Smith, L. V. (2009). Forecasting economic and financial variables with global VARs. International Journal of Forecasting, 25(4), 642–675.
Autores
Mariel Álvarez-Salas. Estudiante de Ingeniería en Ciencia de Datos y Matemáticas en el Tec de Monterrey. Trabaja como asistente de investigación en el Tec de Monterrey y como practicante de Ciencia de Datos en Welo Data.
Oscar Adrián Huitz-Montero. Estudiante de Economía en la Universidad Autónoma de Nuevo León. Trabaja como especialista en mercados al contado en Johnson Controls y como asistente de investigación en el Tec de Monterrey.
Emiliano Montalvo-Vásquez. Licenciado en Gobierno y Transformación Pública y economista por el Tec de Monterrey. Trabaja como investigador en la Escuela de Ciencias Sociales y de Gobierno del Tec de Monterrey.
David Roberto Valenzuela Vega. Doctor en Ciencias Económicas por la Universidad Autónoma de Nuevo León. Profesor del Departamento de Economía y consultor en la Escuela de Ciencias Sociales y Gobierno del Tec de Monterrey.
Carlos Emmanuel Saldaña Villanueva. Doctor en Ciencias Económicas por la Universidad Autónoma de Nuevo León. Profesor en la Escuela de Negocios, Contabilidad y Finanzas del Tec de Monterrey.
