La precisión en la previsión de ventas es esencial para optimizar la asignación de recursos, gestionar inventarios y maximizar las ganancias en mercados competitivos. Los modelos de aprendizaje automático están siendo cada vez más utilizados para desarrollar sistemas de previsión de ventas confiables debido a sus capacidades avanzadas para manejar patrones de datos complejos. Este estudio introduce un enfoque híbrido novedoso que combina los algoritmos de colonia de abejas artificiales (ABC) y optimizador de halcón de fuego (FHO), diseñados específicamente para mejorar la optimización de hiperparámetros en modelos de previsión basados en aprendizaje automático. Al aprovechar las fortalezas de estos dos algoritmos metaheurísticos, el método híbrido mejora la precisión predictiva y la robustez de los modelos, con un enfoque en la optimización de hiperparámetros de XGBoost para tareas de previsión. Las evaluaciones en tres conjuntos de datos distintos demostraron que el modelo híbrido superó consistentemente a los algoritmos independientes, incluido el algoritmo genético (GA), la optimización de conejos artificiales (ARO), el optimizador de tiburón blanco (WSO), el algoritmo ABC y el FHO, siendo este último aplicado por primera vez a la optimización de hiperparámetros. El rendimiento superior del modelo híbrido se confirmó a través del RMSE, el MAPE y pruebas estadísticas, marcando un avance significativo en la previsión de ventas y proporcionando una solución confiable y efectiva para refinar modelos predictivos que apoyen la toma de decisiones empresariales.