Un nuevo modelo de aprendizaje automático combina redes de atención con múltiples cabezas y conocimiento previo procedente de la econometría para realizar previsiones financieras a múltiples horizontes temporales. El enfoque, denominado atención multicabeza guiada por priors econométricos, busca superar la opacidad típica de los modelos de aprendizaje profundo aplicados a series financieras, ofreciendo resultados interpretables sin sacrificar capacidad predictiva.
Los modelos de atención se han convertido en la herramienta dominante para series temporales financieras, pero suelen comportarse como cajas negras: capturan correlaciones estadísticas sin incorporar el conocimiento estructural que la econometría lleva décadas construyendo. La idea del nuevo trabajo es inyectar ese conocimiento como priors en la arquitectura de atención, guiando al modelo hacia relaciones económicamente plausibles en lugar de dejar que las aprenda únicamente a partir de los datos.
La arquitectura propuesta emplea varias cabezas de atención que operan en paralelo, cada una de ellas sesgada por un prior econométrico distinto. Esto permite al sistema capturar simultáneamente dinámicas de corto y largo plazo en los mismos datos, y produce previsiones a múltiples horizontes desde una única pasada del modelo. La interpretación surge de forma natural: cada cabeza puede inspeccionarse para identificar qué componente del prior econométrico domina en cada horizonte temporal.
El trabajo se sitúa en el cruce entre aprendizaje profundo y econometría financiera, un área en la que la demanda de modelos interpretables es especialmente fuerte debido a requisitos regulatorios y de gestión de riesgos. Al hacer explícitos los supuestos económicos dentro de la arquitectura, el método ofrece una vía para reconciliar la precisión predictiva de las redes neuronales con la transparencia que exige la práctica financiera profesional.