Proponemos un enfoque novedoso para la predicción de series temporales con muchos predictores, denominado GO-sdPCA, en este artículo. El enfoque emplea un método de selección de variables conocido como el algoritmo voraz ortogonal de grupos y el criterio de información de Akaike de alta dimensionalidad para mitigar el impacto de los predictores irrelevantes. Además, se utiliza una técnica novedosa, llamada pelado, para potenciar el procedimiento de selección de variables de modo que se puedan incluir en la predicción muchos predictores relevantes para los factores. Finalmente, se adopta el método de análisis de componentes principales dinámicos supervisados (sdPCA) para tener en cuenta la información dinámica en la recuperación de factores. En estudios de simulación, encontramos que el método propuesto se adapta bien a grados desconocidos de dispersión y fuerza del factor, lo que resulta en un buen rendimiento, incluso cuando el número de predictores relevantes es grande en comparación con el tamaño de la muestra. Aplicando a estudios económicos y ambientales, el método propuesto se desempeña consistentemente bien en comparación con algunos puntos de referencia comúnmente utilizados en pronósticos fuera de muestra de un paso adelante.