Los modelos de autorregresión vectorial (VAR) y sus múltiples variantes son modelos estándar en la investigación económica y financiera debido a su poder para pronósticos, análisis de datos e inferencia. Estas propiedades son consecuencia de su capacidad para incluir múltiples variables y rezagos, lo que, sin embargo, se convierte en un crecimiento exponencial de los parámetros a estimar. Esto significa que los modelos de alta dimensionalidad con múltiples variables y rezagos son difíciles de estimar, lo que lleva a variables omitidas, sesgos de información y una pérdida de poder de pronóstico potencial. Tradicionalmente, la literatura existente ha recurrido al análisis de factores, y especialmente, a métodos bayesianos para superar esta situación. Este documento explora los métodos de regularización de aprendizaje automático, llamados así, como una alternativa a los métodos tradicionales de pronóstico y análisis de respuesta a impulsos. Encontramos que las estructuras de regularización, que permiten modelos de alta dimensionalidad, funcionan mejor que los métodos bayesianos estándar en el ahoracasting y pronóstico. Además, el análisis de respuesta a impulsos es robusto y consistente con la teoría económica y la evidencia, y con las diferentes estructuras de regularización. Específicamente, en cuanto a la mejor estructura de regularización, una estructura de aprendizaje automático por elementos funciona mejor en el ahoracasting y en la eficiencia computacional, mientras que una estructura por componentes funciona mejor en el pronóstico y en los métodos de validación cruzada.