{"id":187327,"date":"2026-09-25T15:01:29","date_gmt":"2026-09-25T21:01:29","guid":{"rendered":"https:\/\/tecscience.tec.mx\/es\/?post_type=divulgacion-ciencia&p=187327"},"modified":"2026-09-25T15:01:49","modified_gmt":"2026-09-25T21:01:49","slug":"pronostico-ia-comercio-internacional","status":"publish","type":"divulgacion-ciencia","link":"https:\/\/tecscience.tec.mx\/es\/divulgacion-ciencia\/pronostico-ia-comercio-internacional\/","title":{"rendered":"Econometr\u00eda e IA buscan predecir el comercio internacional en tiempos de incertidumbre"},"content":{"rendered":"\n

Por Mariel \u00c1lvarez, \u00d3scar Adri\u00e1n Huitz, Emiliano Montalvo<\/a>, David Roberto Valenzuela y Carlos Emmanuel Salda\u00f1a <\/em><\/p>\n\n\n\n

Predecir cu\u00e1nto y qu\u00e9 comerciar\u00e1n los pa\u00edses<\/strong> en los pr\u00f3ximos meses no es tan sencillo como mirar la tendencia reciente, ya que un mismo pa\u00eds 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.<\/p>\n\n\n\n

Una posibilidad de hacerlo es agrupar a los pa\u00edses que tienen trayectorias comerciales similares<\/strong>, antes de intentar predecirlo, para mejorar la precisi\u00f3n del pron\u00f3stico.<\/p>\n\n\n\n

El estudio Forecasting Trade Flows under Geopolitical Uncertainty: A Hybrid Econometric\u2013LSTM Approach<\/em><\/a> propone agrupar primero a las series de comercio que tienen comportamientos similares<\/strong>, y despu\u00e9s, construir un modelo espec\u00edfico para cada grupo.\u00a0<\/p>\n\n\n\n

El trabajo de investigaci\u00f3n puso a prueba esta idea con las importaciones y exportaciones <\/strong>de China<\/strong> y Estados Unidos<\/strong>, combinando herramientas de econometr\u00eda<\/strong> con aprendizaje autom\u00e1tico<\/strong> para anticipar los flujos comerciales<\/strong> en un entorno donde los aranceles<\/strong> cambian de un mes a otro.<\/p>\n\n\n\n

Pron\u00f3stico IA en comercio internacional<\/h2>\n\n\n\n

La necesidad es concreta: los modelos tradicionales de predicci\u00f3n, construidos sobre tendencias hist\u00f3ricas o ecuaciones de gravedad, se comportan mal cuando hay rupturas bruscas <\/strong>[1]. Los modelos de equilibrio general capturan mejor los choques de pol\u00edtica<\/strong>, pero no escalan a miles de pa\u00edses y productos.<\/p>\n\n\n\n

A un mes de distancia, el modelo LSTM (Long Short-Term Memory) <\/strong>pronostic\u00f3 mejor que los otros dos modelos de comparaci\u00f3n en los cuatro grupos analizados. En las exportaciones de China, el error promedio baj\u00f3 de 18.9% a 17.4%; y en las importaciones, de 25.2% a 22.5% (Figura 1).<\/p>\n\n\n\n

\r\n \r\n \"\"\r\n <\/picture>
Figura 1. Error promedio de <\/em>pron\u00f3stico por horizonte<\/em><\/strong>. El panel izquierdo muestra el sMAPE, un error porcentual en el que un valor menor indica mayor precisi\u00f3n. El derecho muestra el MASE, que compara el modelo contra un pron\u00f3stico ingenuo: por debajo de 1, el modelo lo supera. La l\u00ednea roja es el modelo propuesto. Tiene el menor error a un mes y pierde la ventaja conforme se alarga el horizonte. (Fuente: elaboraci\u00f3n propia con datos del OEC).<\/em><\/figcaption><\/figure>\n\n\n\n

<\/p>\n\n\n\n

Agrupar antes de predecir<\/h2>\n\n\n\n

Pronosticar el comercio internacional es complicado porque hay muchas series de datos <\/strong>(registros de las exportaciones de cada producto a lo largo del tiempo) y su comportamiento puede ser muy distinto. Un solo pa\u00eds exporta cientos de productos<\/strong>, y las variaciones en las ventas de cada uno no necesariamente est\u00e1n relacionadas.\u00a0<\/p>\n\n\n\n

Los m\u00e9todos habituales resuelven eso de dos maneras:  re\u00fanen todas las series en un modelo \u00fanico, perdiendo detalle, o estiman un modelo por serie y el trabajo se vuelve inmanejable.<\/p>\n\n\n\n

El enfoque h\u00edbrido econom\u00e9trico\u2013LSTM<\/strong> aplica la prueba log-t de Phillips y Sul <\/strong>[2], que detecta clubes de convergencia<\/strong>, es decir, conjuntos de series que arrancan en niveles distintos, pero terminan movi\u00e9ndose hacia una misma trayectoria.<\/p>\n\n\n\n

La prueba identific\u00f3 24 clubes <\/strong>(grupos de productos con patrones comerciales similares) en el comercio de Estados Unidos<\/strong> y 11 en el de China<\/strong>. Cada club recibe su propio modelo. As\u00ed se conservan las diferencias entre grupos sin tener que estimar miles de modelos.\u00a0<\/p>\n\n\n\n

Con los clubes formados, el siguiente paso reduce el n\u00famero de variables. <\/p>\n\n\n\n

El An\u00e1lisis de Componentes Principales<\/strong> resume 24 indicadores macroecon\u00f3micos<\/strong> (producci\u00f3n industrial, tipos de cambio reales, precios de materias primas, \u00edndices de incertidumbre comercial) en unos cuantos factores. Despu\u00e9s, una regresi\u00f3n LASSO (Least Absolute Shrinkage and Selection Operator<\/em>) \u2014un m\u00e9todo estad\u00edstico que ayuda a identificar cu\u00e1les variables aportan informaci\u00f3n \u00fatil y cu\u00e1les pueden descartarse\u2014<\/strong> se queda \u00fanicamente con las variables que aportan algo al pron\u00f3stico dentro de cada club.<\/p>\n\n\n\n

Esa selecci\u00f3n alimenta una red LSTM, un tipo de red neuronal dise\u00f1ada para reconocer patrones en series de tiempo<\/strong> y captar relaciones que los modelos lineales no ven.<\/p>\n\n\n\n

Los datos vienen del Observatorio de Complejidad Econ\u00f3mica [3]. Son observaciones mensuales de enero de 2023 a marzo de 2025 para los 20 principales socios comerciales<\/strong> de China y Estados Unidos, con los productos clasificados a cuatro d\u00edgitos del Sistema Armonizado.<\/p>\n\n\n\n

M\u00e1s variables no significan mejores pron\u00f3sticos<\/h2>\n\n\n\n

Para saber qu\u00e9 parte de la mejora proven\u00eda de los clubes <\/strong>(grupos de pa\u00edses con patrones comerciales similares) y qu\u00e9 parte de la red neuronal <\/strong>(un modelo de inteligencia artificial que aprende patrones a partir de los datos), los autores compararon su modelo <\/strong>con dos versiones: una red LSTM <\/strong>(un tipo de modelo de inteligencia artificial dise\u00f1ado para analizar series de datos a lo largo del tiempo) sin clubes ni variables externas, y otra con variables externas, pero sin clubes.\u00a0<\/p>\n\n\n\n

El modelo propuesto super\u00f3 a la red LSTM <\/strong>con variables externas, pero sin clubes, por un margen mayor<\/strong>. Esto sugiere que agregar informaci\u00f3n macroecon\u00f3mica a una red neuronal puede resultar contraproducente cuando antes no se atienden las diferencias en el comportamiento de los datos de cada grupo de pa\u00edses<\/strong>.\u00a0<\/p>\n\n\n\n

Frente a la versi\u00f3n con variables externas<\/strong>, el modelo propuesto gan\u00f3 en las exportaciones e importaciones de China<\/strong> y en las importaciones de Estados Unidos. La \u00fanica excepci\u00f3n fueron las exportaciones estadounidenses, donde la diferencia no result\u00f3 significativa.<\/p>\n\n\n\n

Las pruebas de Diebold-Mariano <\/strong>(un m\u00e9todo estad\u00edstico para determinar si las diferencias entre dos modelos de pron\u00f3stico son reales o podr\u00edan 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 mayor\u00eda de los grupos.\u00a0<\/p>\n\n\n\n

La ganancia proviene de la estructura de convergencia <\/strong>(la agrupaci\u00f3n de pa\u00edses con patrones comerciales similares) y no del aprendizaje profundo por s\u00ed mismo.\u00a0<\/p>\n\n\n\n

D\u00f3nde falla el modelo<\/h2>\n\n\n\n

La ventaja se concentra en el corto plazo<\/strong>. A los tres y seis meses, el desempe\u00f1o<\/strong> empeora en todos los modelos (Figura 1). En algunas combinaciones el modelo propuesto ni siquiera supera al pron\u00f3stico ingenuo, que consiste en repetir el \u00faltimo dato observado<\/strong>.<\/p>\n\n\n\n

Las series de China dan resultados mixtos. En importaciones, la red LSTM global funcion\u00f3 mejor. Los clubes con pocas series, o con menor estabilidad, resultaron m\u00e1s sensibles a errores de especificaci\u00f3n: algunos mejoran m\u00e1s de 20% frente a los modelos de comparaci\u00f3n y otros empeoran en proporci\u00f3n parecida (Figura 2).<\/p>\n\n\n\n

\r\n \r\n \"\"\r\n <\/picture><\/figure>\n\n\n\n

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 l\u00ednea de cero indican menor error del modelo propuesto. La dispersi\u00f3n muestra que la ventaja no es pareja entre clubes. (Fuente: elaboraci\u00f3n propia con datos del OEC.)<\/em><\/p>\n\n\n\n

Los autores se\u00f1alan cu\u00e1l es la limitaci\u00f3n principal. La ventana de datos apenas rebasa los dos a\u00f1os, un periodo corto para identificar din\u00e1micas de largo plazo, que es justo el supuesto sobre el que descansa la formaci\u00f3n de clubes. Tampoco alcanza a cubrir choques como la pandemia de COVID-19.<\/p>\n\n\n\n

El marco tiene aplicaciones concretas<\/strong>: an\u00e1lisis de escenarios, gesti\u00f3n de inventarios, evaluaci\u00f3n del efecto de los aranceles y detecci\u00f3n temprana de interrupciones en el comercio.<\/p>\n\n\n\n

La idea de fondo se puede llevar a otros terrenos<\/strong>. Agrupar series heterog\u00e9neas por su comportamiento de largo plazo, antes de entrenar un modelo, sirve para cualquier problema de pron\u00f3stico econ\u00f3mico<\/strong> en el que convivan miles de series con din\u00e1micas dispares.<\/p>\n\n\n\n

Los autores plantean dos rutas para continuar. Una es extender el periodo de an\u00e1lisis. La otra, revisar si las series chinas tienen din\u00e1micas estructurales que no encajan con el supuesto de convergencia.<\/p>\n\n\n\n

Referencia principal<\/strong><\/h4>\n\n\n\n

\u00c1lvarez-Salas, M., Huitz-Montero, O. A., Montalvo-V\u00e1squez, E., Valenzuela Vega, D. R., & Salda\u00f1a Villanueva, C. E. (2026). Forecasting trade flows under geopolitical uncertainty: A hybrid econometric\u2013LSTM approach.<\/a> Trendinomics, 2(2), 1\u201312. <\/p>\n\n\n\n

Otras referencias<\/strong><\/h4>\n\n\n\n
    \n
  1. Borin, A., Gazzani, A., & Mancini, M. (2024). Trade and economic activity: Nonlinear modeling and forecasting<\/a>. Journal of Forecasting, 44(4), 1247\u20131265. <\/li>\n\n\n\n
  2. Phillips, P. C. B., & Sul, D. (2007). Transition modeling and econometric convergence tests<\/a>. Econometrica, 75(6), 1771\u20131855. <\/li>\n\n\n\n
  3. Simoes, A. J. G., & Hidalgo, C. A. (2011). The Economic Complexity Observatory: An analytical tool for understanding the dynamics of economic development<\/a>. Workshops at the Twenty-Fifth AAAI Conference on Artificial Intelligence. https:\/\/oec.world<\/li>\n\n\n\n
  4. Diebold, F. X., & Mariano, R. S. (1995). Comparing predictive accuracy<\/a>. Journal of Business & Economic Statistics, 13(3), 253\u2013263. <\/li>\n\n\n\n
  5. Pesaran, M. H., Schuermann, T., & Smith, L. V. (2009). Forecasting economic and financial variables with global VARs.<\/a> International Journal of Forecasting, 25(4), 642\u2013675.<\/li>\n<\/ol>\n\n\n\n

    Autores<\/strong><\/h4>\n\n\n\n

    Mariel \u00c1lvarez-Salas. <\/strong>Estudiante de Ingenier\u00eda en Ciencia de Datos y Matem\u00e1ticas <\/a>en el Tec de Monterrey. Trabaja como asistente de investigaci\u00f3n en el Tec de Monterrey y como practicante de Ciencia de Datos en Welo Data.<\/p>\n\n\n\n

    Oscar Adri\u00e1n Huitz-Montero.<\/strong> Estudiante de Econom\u00eda en la Universidad Aut\u00f3noma de Nuevo Le\u00f3n. Trabaja como especialista en mercados al contado en Johnson Controls y como asistente de investigaci\u00f3n en el Tec de Monterrey.<\/p>\n\n\n\n

    Emiliano Montalvo-V\u00e1squez.<\/strong> Licenciado en Gobierno y Transformaci\u00f3n P\u00fablica<\/a> y economista por el Tec de Monterrey. Trabaja como investigador en la Escuela de Ciencias Sociales y de Gobierno del Tec de Monterrey.<\/p>\n\n\n\n

    David Roberto Valenzuela Vega.<\/strong> Doctor en Ciencias Econ\u00f3micas por la Universidad Aut\u00f3noma de Nuevo Le\u00f3n. Profesor del Departamento de Econom\u00eda y consultor en la Escuela de Ciencias Sociales y Gobierno del Tec de Monterrey.<\/p>\n\n\n\n

    Carlos Emmanuel Salda\u00f1a Villanueva. <\/strong>Doctor en Ciencias Econ\u00f3micas por la Universidad Aut\u00f3noma de Nuevo Le\u00f3n. Profesor en la Escuela de Negocios, Contabilidad y Finanzas del Tec de Monterrey.<\/p>\n","protected":false},"excerpt":{"rendered":"

    Un modelo que combina econometr\u00eda y aprendizaje autom\u00e1tico mejora los pron\u00f3sticos a corto plazo de algunos flujos comerciales al agrupar primero las series de datos con comportamientos similares. <\/p>\n","protected":false},"author":18,"featured_media":187433,"menu_order":0,"template":"","format":"standard","meta":{"_acf_changed":false,"_eb_attr":"","footnotes":""},"categories":[100],"tags":[204,378],"class_list":["post-187327","divulgacion-ciencia","type-divulgacion-ciencia","status-publish","format-standard","has-post-thumbnail","hentry","category-negocios-innovacion","tag-escuela-de-ciencias-sociales-y-gobierno","tag-escuela-de-gobierno-y-transformacion-publica"],"acf":[],"yoast_head":"\nPron\u00f3sticos con IA del comercio internacional | TecScience<\/title>\n<meta name=\"description\" content=\"Un modelo que combina econometr\u00eda y aprendizaje autom\u00e1tico mejora los pron\u00f3sticos a corto plazo de algunos flujos comerciales al agrupar primero las series de datos con comportamientos similares.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/tecscience.tec.mx\/es\/divulgacion-ciencia\/pronostico-ia-comercio-internacional\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Econometr\u00eda e IA buscan predecir el comercio internacional en tiempos de incertidumbre\" \/>\n<meta property=\"og:description\" content=\"Un modelo que combina econometr\u00eda y aprendizaje autom\u00e1tico mejora los pron\u00f3sticos a corto plazo de algunos flujos comerciales al agrupar primero las series de datos con comportamientos similares.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/tecscience.tec.mx\/es\/divulgacion-ciencia\/pronostico-ia-comercio-internacional\/\" \/>\n<meta property=\"og:site_name\" content=\"TecScience\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/TecScienceWeb\" \/>\n<meta property=\"article:modified_time\" content=\"2026-09-25T21:01:49+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/tecscience.tec.mx\/es\/wp-content\/uploads\/sites\/8\/2026\/09\/pronostico-ia-comercio-internacional.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"750\" \/>\n\t<meta property=\"og:image:height\" content=\"500\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:site\" content=\"@TecScience_\" \/>\n<meta name=\"twitter:label1\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data1\" content=\"8 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/divulgacion-ciencia\\\/pronostico-ia-comercio-internacional\\\/\",\"url\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/divulgacion-ciencia\\\/pronostico-ia-comercio-internacional\\\/\",\"name\":\"Pron\u00f3sticos con IA del comercio internacional | TecScience\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/divulgacion-ciencia\\\/pronostico-ia-comercio-internacional\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/divulgacion-ciencia\\\/pronostico-ia-comercio-internacional\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/wp-content\\\/uploads\\\/sites\\\/8\\\/2026\\\/09\\\/pronostico-ia-comercio-internacional.jpg\",\"datePublished\":\"2026-09-25T21:01:29+00:00\",\"dateModified\":\"2026-09-25T21:01:49+00:00\",\"description\":\"Un modelo que combina econometr\u00eda y aprendizaje autom\u00e1tico mejora los pron\u00f3sticos a corto plazo de algunos flujos comerciales al agrupar primero las series de datos con comportamientos similares.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/divulgacion-ciencia\\\/pronostico-ia-comercio-internacional\\\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/divulgacion-ciencia\\\/pronostico-ia-comercio-internacional\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/divulgacion-ciencia\\\/pronostico-ia-comercio-internacional\\\/#primaryimage\",\"url\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/wp-content\\\/uploads\\\/sites\\\/8\\\/2026\\\/09\\\/pronostico-ia-comercio-internacional.jpg\",\"contentUrl\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/wp-content\\\/uploads\\\/sites\\\/8\\\/2026\\\/09\\\/pronostico-ia-comercio-internacional.jpg\",\"width\":750,\"height\":500,\"caption\":\"La investigaci\u00f3n puso a prueba el modelo con datos de importaciones y exportaciones de China y Estados Unidos, combinando herramientas que intentan anticipar los flujos comerciales en un escenario de aranceles cambiantes. (Foto: Gety Images)\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/divulgacion-ciencia\\\/pronostico-ia-comercio-internacional\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Divulgacion Cientifica\",\"item\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/divulgacion-cientifica\\\/\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"Econometr\u00eda e IA buscan predecir el comercio internacional en tiempos de incertidumbre\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/#website\",\"url\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/\",\"name\":\"TecScience\",\"description\":\"Bilingual platform in charge of communicating advances in research, science and innovation at Tec\",\"publisher\":{\"@id\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/#organization\",\"name\":\"TecScience\",\"url\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/wp-content\\\/uploads\\\/sites\\\/8\\\/2022\\\/11\\\/logo-negro-tecscience.svg\",\"contentUrl\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/wp-content\\\/uploads\\\/sites\\\/8\\\/2022\\\/11\\\/logo-negro-tecscience.svg\",\"width\":250,\"height\":38,\"caption\":\"TecScience\"},\"image\":{\"@id\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/TecScienceWeb\",\"https:\\\/\\\/x.com\\\/TecScience_\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/tec-science\\\/\",\"https:\\\/\\\/www.instagram.com\\\/tecscienceweb\\\/\"],\"publishingPrinciples\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/guia-de-publicacion-para-articulos-de-divulgacion\\\/\",\"correctionsPolicy\":\"https:\\\/\\\/tecscience.tec.mx\\\/es\\\/equipo-editorial-tecscience\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Pron\u00f3sticos con IA del comercio internacional | TecScience","description":"Un modelo que combina econometr\u00eda y aprendizaje autom\u00e1tico mejora los pron\u00f3sticos a corto plazo de algunos flujos comerciales al agrupar primero las series de datos con comportamientos similares.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/tecscience.tec.mx\/es\/divulgacion-ciencia\/pronostico-ia-comercio-internacional\/","og_locale":"es_ES","og_type":"article","og_title":"Econometr\u00eda e IA buscan predecir el comercio internacional en tiempos de incertidumbre","og_description":"Un modelo que combina econometr\u00eda y aprendizaje autom\u00e1tico mejora los pron\u00f3sticos a corto plazo de algunos flujos comerciales al agrupar primero las series de datos con comportamientos similares.","og_url":"https:\/\/tecscience.tec.mx\/es\/divulgacion-ciencia\/pronostico-ia-comercio-internacional\/","og_site_name":"TecScience","article_publisher":"https:\/\/www.facebook.com\/TecScienceWeb","article_modified_time":"2026-09-25T21:01:49+00:00","og_image":[{"width":750,"height":500,"url":"https:\/\/tecscience.tec.mx\/es\/wp-content\/uploads\/sites\/8\/2026\/09\/pronostico-ia-comercio-internacional.jpg","type":"image\/jpeg"}],"twitter_card":"summary_large_image","twitter_site":"@TecScience_","twitter_misc":{"Tiempo de lectura":"8 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/tecscience.tec.mx\/es\/divulgacion-ciencia\/pronostico-ia-comercio-internacional\/","url":"https:\/\/tecscience.tec.mx\/es\/divulgacion-ciencia\/pronostico-ia-comercio-internacional\/","name":"Pron\u00f3sticos con IA del comercio internacional | TecScience","isPartOf":{"@id":"https:\/\/tecscience.tec.mx\/es\/#website"},"primaryImageOfPage":{"@id":"https:\/\/tecscience.tec.mx\/es\/divulgacion-ciencia\/pronostico-ia-comercio-internacional\/#primaryimage"},"image":{"@id":"https:\/\/tecscience.tec.mx\/es\/divulgacion-ciencia\/pronostico-ia-comercio-internacional\/#primaryimage"},"thumbnailUrl":"https:\/\/tecscience.tec.mx\/es\/wp-content\/uploads\/sites\/8\/2026\/09\/pronostico-ia-comercio-internacional.jpg","datePublished":"2026-09-25T21:01:29+00:00","dateModified":"2026-09-25T21:01:49+00:00","description":"Un modelo que combina econometr\u00eda y aprendizaje autom\u00e1tico mejora los pron\u00f3sticos a corto plazo de algunos flujos comerciales al agrupar primero las series de datos con comportamientos similares.","breadcrumb":{"@id":"https:\/\/tecscience.tec.mx\/es\/divulgacion-ciencia\/pronostico-ia-comercio-internacional\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/tecscience.tec.mx\/es\/divulgacion-ciencia\/pronostico-ia-comercio-internacional\/"]}]},{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/tecscience.tec.mx\/es\/divulgacion-ciencia\/pronostico-ia-comercio-internacional\/#primaryimage","url":"https:\/\/tecscience.tec.mx\/es\/wp-content\/uploads\/sites\/8\/2026\/09\/pronostico-ia-comercio-internacional.jpg","contentUrl":"https:\/\/tecscience.tec.mx\/es\/wp-content\/uploads\/sites\/8\/2026\/09\/pronostico-ia-comercio-internacional.jpg","width":750,"height":500,"caption":"La investigaci\u00f3n puso a prueba el modelo con datos de importaciones y exportaciones de China y Estados Unidos, combinando herramientas que intentan anticipar los flujos comerciales en un escenario de aranceles cambiantes. (Foto: Gety Images)"},{"@type":"BreadcrumbList","@id":"https:\/\/tecscience.tec.mx\/es\/divulgacion-ciencia\/pronostico-ia-comercio-internacional\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/tecscience.tec.mx\/es\/"},{"@type":"ListItem","position":2,"name":"Divulgacion Cientifica","item":"https:\/\/tecscience.tec.mx\/es\/divulgacion-cientifica\/"},{"@type":"ListItem","position":3,"name":"Econometr\u00eda e IA buscan predecir el comercio internacional en tiempos de incertidumbre"}]},{"@type":"WebSite","@id":"https:\/\/tecscience.tec.mx\/es\/#website","url":"https:\/\/tecscience.tec.mx\/es\/","name":"TecScience","description":"Bilingual platform in charge of communicating advances in research, science and innovation at Tec","publisher":{"@id":"https:\/\/tecscience.tec.mx\/es\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/tecscience.tec.mx\/es\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Organization","@id":"https:\/\/tecscience.tec.mx\/es\/#organization","name":"TecScience","url":"https:\/\/tecscience.tec.mx\/es\/","logo":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/tecscience.tec.mx\/es\/#\/schema\/logo\/image\/","url":"https:\/\/tecscience.tec.mx\/es\/wp-content\/uploads\/sites\/8\/2022\/11\/logo-negro-tecscience.svg","contentUrl":"https:\/\/tecscience.tec.mx\/es\/wp-content\/uploads\/sites\/8\/2022\/11\/logo-negro-tecscience.svg","width":250,"height":38,"caption":"TecScience"},"image":{"@id":"https:\/\/tecscience.tec.mx\/es\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/TecScienceWeb","https:\/\/x.com\/TecScience_","https:\/\/www.linkedin.com\/company\/tec-science\/","https:\/\/www.instagram.com\/tecscienceweb\/"],"publishingPrinciples":"https:\/\/tecscience.tec.mx\/es\/guia-de-publicacion-para-articulos-de-divulgacion\/","correctionsPolicy":"https:\/\/tecscience.tec.mx\/es\/equipo-editorial-tecscience\/"}]}},"_links":{"self":[{"href":"https:\/\/tecscience.tec.mx\/es\/wp-json\/wp\/v2\/divulgacion-ciencia\/187327","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/tecscience.tec.mx\/es\/wp-json\/wp\/v2\/divulgacion-ciencia"}],"about":[{"href":"https:\/\/tecscience.tec.mx\/es\/wp-json\/wp\/v2\/types\/divulgacion-ciencia"}],"author":[{"embeddable":true,"href":"https:\/\/tecscience.tec.mx\/es\/wp-json\/wp\/v2\/users\/18"}],"version-history":[{"count":2,"href":"https:\/\/tecscience.tec.mx\/es\/wp-json\/wp\/v2\/divulgacion-ciencia\/187327\/revisions"}],"predecessor-version":[{"id":187508,"href":"https:\/\/tecscience.tec.mx\/es\/wp-json\/wp\/v2\/divulgacion-ciencia\/187327\/revisions\/187508"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/tecscience.tec.mx\/es\/wp-json\/wp\/v2\/media\/187433"}],"wp:attachment":[{"href":"https:\/\/tecscience.tec.mx\/es\/wp-json\/wp\/v2\/media?parent=187327"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/tecscience.tec.mx\/es\/wp-json\/wp\/v2\/categories?post=187327"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/tecscience.tec.mx\/es\/wp-json\/wp\/v2\/tags?post=187327"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}