Históricamente, los modelos de pronóstico de tipos de cambio han mostrado un rendimiento deficiente fuera de la muestra y eran inferiores al modelo de caminata aleatoria. Se utilizan datos de panel mensuales de 1973 a 2014 para diez pares de divisas de países de la OCDE para realizar pronósticos fuera de la muestra con redes neuronales artificiales y modelos XGBoost. La mayoría de los enfoques muestran un poder predictivo significativo y sustancial en pronósticos direccionales. Además, la evidencia sugiere que la información sobre el momento de la predicción es un componente clave en el rendimiento del pronóstico.