La literatura de predicción de series temporales económicas ha visto un aumento en la investigación que aprovecha las redes neuronales artificiales (ANNs), particularmente el perceptrón multicapa (MLP) y, más recientemente, las redes transformadoras. Estos modelos de ANN han demostrado una precisión superior en comparación con técnicas tradicionales como los modelos autorregresivos de media móvil integrada (ARIMA). Los modelos más recientes en la predicción de este tipo de red neuronal, como los modelos recurrentes o Transformers, están compuestos por arquitecturas complejas que requieren suficiente capacidad de procesamiento para abordar los problemas, mientras que MLP se basa en capas densamente conectadas y aprendizaje supervisado. Se necesita una comprensión profunda de las limitaciones para elegir apropiadamente el modelo ideal para cada una de las tareas de predicción. En este artículo, mostramos cómo una arquitectura simple como el MLP permite un mejor ajuste que otros modelos, incluido un tiempo de predicción más corto. Esta investigación se basa en la premisa de que el uso de los modelos más recientes no siempre permitirá obtener mejores resultados.