En este artículo, demostramos cómo una estrategia de arbitraje estadístico basada en aprendizaje automático, bien establecida, puede ser transferida con éxito de los mercados de acciones a los mercados de futuros. Primero, preprocesamos series temporales de futuros compuestas por meses cercanos para hacerlas adecuadas para nuestro marco de trading basado en retornos y compilamos un conjunto de datos compuesto por 60 futuros que cubren casi 10 años de negociación. A continuación, entrenamos varios modelos de aprendizaje automático para predecir si el retorno a -días vista de cada futuro supera o no el retorno mediano correspondiente de la sección transversal. Finalmente, tomamos posiciones largas/cortas en los futuros de mejor y peor rendimiento durante un período de días y evaluamos el rendimiento financiero de la cartera resultante en un período de prueba fuera de muestra. De este modo, encontramos que los modelos de aprendizaje automático generan costos de transacción fuera de muestra estadísticamente significativos de 6.3 pb, un claro desafío a la forma semi-fuerte de la eficiencia del mercado. Finalmente, discutimos las fuentes de rentabilidad y la solidez de nuestros hallazgos.