Perspectiva Teórica del Enfoque Híbrido EMD–SSA–VMD–EWT y Machine Learning en la Predicción de Precios

Resumen

La predicción del precio del maíz en Colombia se ha convertido en un desafío debido a la alta volatilidad que caracteriza los mercados agrícolas y a la compleja interacción entre distintos factores endógenos y exógenos. Este artículo tiene como objetivo realizar una fundamentación teórica integral que identificando los ejes conceptuales para el desarrollo de un modelo híbrido de predicción basado en técnicas avanzadas de descomposición de series temporales y algoritmos de aprendizaje automático y metaheurísticas de optimización. En primer lugar, se analizan los procesos agrícolas y los eslabones de la cadena productiva del maíz, resaltando la influencia de las actividades de postcosecha, la logística y los sistemas de comercialización sobre la formación del precio. Posteriormente, se revisan los métodos contemporáneos de descomposición EMD, SSA, VMD y EWT entendidos como herramientas capaces de extraer estructura, reducir ruido y capturar patrones ocultos en señales no lineales y no estacionarias. En tercer lugar, se sintetizan los aportes del aprendizaje automático supervisado, con énfasis en modelos como XGBoost, LightGBM y redes neuronales (FCN y RNN), ampliamente utilizados en escenarios de predicción compleja. Finalmente, se examinan las metaheurísticas de optimización, particularmente Particle Swarm Optimization (PSO) y Cuckoo Search (CS), destacando su capacidad para ajustar parámetros y mejorar el rendimiento predictivo de modelos híbridos. La articulación de estos ejes conceptuales configura un marco robusto que respalda el diseño de arquitecturas predictivas más precisas y adaptadas a la dinámica del mercado agrícola colombiano.