Motivados por la comovilidad de las volatilidades realizadas (RVs) de los precios de los productos agrícolas, estudiamos si los algoritmos de pronóstico multi-tarea mejoran la precisión de los pronósticos fuera de muestra de 15 productos agrícolas durante el período de muestra de julio de 2015 a abril de 2023. Consideramos algoritmos de apilamiento multi-tarea alternativos y variantes del estimador Lasso multivariado. Encontramos evidencia de previsibilidad dentro de la muestra pero escasa evidencia de que el pronóstico multi-tarea mejore los pronósticos fuera de muestra en comparación con un modelo clásico heterogéneo autorregresivo (HAR)-RV univariado. Esta falta de evidencia sistemática de ganancias en el pronóstico fuera de muestra es corroborada por extensas comprobaciones de robustez, incluido un estudio detallado de los cuantiles de las distribuciones de las RVs y períodos de submuestra que tienen en cuenta los aumentos en los derrames totales entre las RVs. También estudiamos un modelo extendido que incluye las RVs de productos energéticos y metales preciosos, pero nuestras conclusiones permanecen sin cambios. Además de ofrecer lecciones importantes para futuras investigaciones, nuestros resultados son interesantes para los participantes en el mercado financiero, que dependen de pronósticos precisos de RVs al resolver problemas de optimización de carteras y fijación de precios de derivados, y para los responsables políticos, que necesitan pronósticos precisos de RVs al diseñar políticas para mitigar los posibles efectos adversos de un aumento en las RVs de los precios de los productos agrícolas y la incertidumbre económica y política concomitante.