En 1983, Meese y Rogoff demostraron que los modelos económicos tradicionales desarrollados desde la década de 1970 no tienen un mejor desempeño que el paseo aleatorio al predecir tasas de cambio fuera de muestra cuando se utilizan datos obtenidos después del inicio del sistema de tipo de cambio flotante. Posteriormente, la cuestión de si los modelos económicos tradicionales pueden superar alguna vez al paseo aleatorio en la previsión de tasas de cambio fuera de muestra ha recibido atención académica. Recientemente, se encontró que una combinación de modelos fundamentales con metodologías de aprendizaje automático supera la predictibilidad del paseo aleatorio (Amat et al. 2018). Este artículo se centra en combinar metodologías modernas de aprendizaje automático con modelos económicos tradicionales y examina si tales combinaciones pueden superar el rendimiento predictivo del paseo aleatorio sin deriva. Más específicamente, este artículo aplica los modelos de bosque aleatorio, máquina de soporte vectorial y redes neuronales a cuatro teorías fundamentales (paridad de tasas de interés no descubierta, paridad del poder adquisitivo, el modelo monetario y los modelos de regla de Taylor). Realizamos un exhaustivo chequeo de robustez utilizando seis bonos del gobierno con diferentes vencimientos y cuatro índices de precios, lo que demostró el rendimiento superior de los modelos fundamentales combinados con el aprendizaje automático moderno en la predicción de futuras tasas de cambio en comparación con los resultados del paseo aleatorio. Estos resultados se examinaron utilizando un error cuadrático medio (RMSE) y una prueba de Diebold-Mariano (DM). Los principales hallazgos son los siguientes. Primero, al comparar el rendimiento de los modelos fundamentales combinados con aprendizaje automático con el rendimiento del paseo aleatorio, los resultados de RMSE muestran que los modelos fundamentales con aprendizaje automático superan al paseo aleatorio. En la prueba DM, los resultados son mixtos, ya que la mayoría de los resultados muestran precisiones predictivas significativamente diferentes en comparación con el paseo aleatorio. Segundo, al comparar el rendimiento de los modelos fundamentales combinados con aprendizaje automático, los modelos que utilizan el índice de precios al productor (IPP) muestran consistentemente buena predictibilidad. Mientras tanto, el índice de precios al consumidor (IPC) parece ser comparativamente pobre en la predicción de tasas de cambio, basándose en sus pobres resultados en la prueba RMSE y la prueba DM.