El objetivo del presente estudio es encontrar un método para mejorar las capacidades predictivas de las redes neuronales feedforward en casos donde se predicen valores distantes del intervalo de muestra de entrada-salida. Este documento propone un algoritmo de predicción iterativo basado en dos suposiciones. Una es que las predicciones cercanas a la muestra estadística tienen un error mucho menor que las distantes de la muestra. La segunda es que una red neuronal puede generar muestras de entrenamiento adicionales y usarlas para entrenarse a sí misma con el fin de acercarse a un punto de predicción distante. Este documento presenta los resultados de múltiples experimentos con diferentes funciones univariadas y multivariadas y compara las predicciones hechas por las redes neuronales antes y después de su entrenamiento con el algoritmo iterativo propuesto. Los resultados muestran que, habiendo pasado por las etapas del algoritmo, las redes neuronales artificiales mejoran significativamente su rendimiento de interpolación en pronósticos a largo plazo. El presente estudio demuestra que las redes neuronales son capaces de crear muestras adicionales para su propio entrenamiento, aumentando así su eficiencia de aproximación.