Este estudio explora la eficacia de modelos avanzados de aprendizaje automático, incluyendo varias arquitecturas de Memoria a Largo y Corto Plazo (LSTM) y enfoques tradicionales de series temporales, para pronosticar los precios de futuros del algodón. Este análisis está motivado por la importancia de pronosticar precios de manera precisa para ayudar a los productores de algodón de EE. UU. en decisiones de cobertura y comercialización, particularmente en la región del Golfo de Texas. Los modelos evaluados incluyeron ARIMA, redes neuronales básicas de retroalimentación, LSTM básico, LSTM bidireccional, LSTM apilado, LSTM CNN y modelos LSTM convolucionales 2D. Los pronósticos se generaron para períodos de cinco, diez y quince días utilizando datos históricos que abarcan desde 2009 hasta 2023. Los resultados demostraron que las arquitecturas avanzadas de LSTM superaron a otros modelos en todos los horizontes de pronóstico, particularmente durante períodos de volatilidad significativa de precios, debido a su capacidad mejorada para capturar dependencias temporales y espaciales complejas. Los hallazgos sugieren que incorporar arquitecturas avanzadas de LSTM puede mejorar significativamente la precisión de los pronósticos, proporcionando una herramienta robusta para que los productores y analistas de mercado naveguen mejor los riesgos de precios. La investigación futura podría explorar la integración de variables contextuales adicionales para mejorar aún más el rendimiento del modelo.