La predicción de los resultados de elecciones presidenciales (PERs) es un problema muy complejo debido a la diversidad de factores electorales y la incertidumbre involucrada. El uso de un enfoque híbrido compuesto por técnicas como el aprendizaje automático (ML) y la simulación en tareas de predicción es prometedor porque el primero presenta buenos resultados pero requiere un buen equilibrio entre la cantidad y calidad de los datos, y el segundo suministra dicho requisito; no obstante, cada técnica tiene sus limitaciones, parámetros, procesos y contextos de aplicación, que deben tratarse en conjunto para mejorar los resultados. Este estudio propone un método sistemático para construir un modelo para predecir los PERs con alta precisión, basado en los factores que influyen en las preferencias del votante y el uso de técnicas de ML y Simulación. El método consta de cuatro fases, utiliza datos contextuales y sintéticos, y sigue un procedimiento que garantiza una alta precisión en la predicción de los PER. El método se aplicó a casos reales en Brasil, Uruguay y Perú, dando como resultado un modelo predictivo con un 100% de acuerdo con los resultados reales de primera vuelta en todos los casos.