Modelos y transparencia
Con qué se construyen los pronósticos, cómo se probaron y dónde fallan. Las cifras de abajo salen de la última corrida de entrenamiento.
Última corrida de entrenamiento
Entrenado con datos del 1 de ene de 2018 al 25 de oct de 2026 · Corrida del 28 de oct de 2026
Cada modelo se reentrenó en varias fechas pasadas y se le pidió pronosticar días que no había visto. Menor error es mejor.
MAPE es el error porcentual absoluto medio. MASE es el error absoluto medio escalado por el error estacional ingenuo dentro de la muestra. Menor es mejor en ambos.
Demanda
50 fechas pasadas del 21 de nov de 2023 al 15 de sept de 2026, cada una pronosticando hasta 30 días adelante.
| Método | MAPE | MASE | Cobertura P10–P90 |
|---|---|---|---|
| Modelo Volt-AI | 1,9 % | 0,77 | 82 % |
| Estacional ingenuo | 3,4 % | 1,34 | 79 % |
| ETS | 3,4 % | 1,35 | 90 % |
- Frente a Estacional ingenuo, el modelo reduce el error en 42 % (mejor en 46 de 50 fechas).
- Frente a ETS, el modelo reduce el error en 43 % (mejor en 45 de 50 fechas).
Error según los días de anticipación
MASE en cada horizonte. Menor es mejor.
- Modelo Volt-AI
- Estacional ingenuo
- ETS
¿Se cumple el rango del 80 %?
Porcentaje de días reales que cayeron dentro de la banda P10 a P90. La meta es 80 %.
- Sin calibrar
- 60 %
- Calibrado
- 82 %
- Meta
- 80 %
Precio de bolsa
50 fechas pasadas del 21 de nov de 2023 al 15 de sept de 2026, cada una pronosticando hasta 14 días adelante.
| Método | MAPE | MASE | Cobertura P10–P90 |
|---|---|---|---|
| Modelo Volt-AI | 28,4 % | 1,48 | 81 % |
| Estacional ingenuo | 40,8 % | 2,23 | 77 % |
| ETS | 34,3 % | 1,73 | 83 % |
- Frente a Estacional ingenuo, el modelo reduce el error en 33 % (mejor en 42 de 50 fechas).
- Frente a ETS, el modelo reduce el error en 14 % (mejor en 36 de 50 fechas).
Error según los días de anticipación
MASE en cada horizonte. Menor es mejor.
- Modelo Volt-AI
- Estacional ingenuo
- ETS
¿Se cumple el rango del 80 %?
Porcentaje de días reales que cayeron dentro de la banda P10 a P90. La meta es 80 %.
- Sin calibrar
- 67 %
- Calibrado
- 81 %
- Meta
- 80 %
Registro en vivo de aciertos
Cada día Volt-AI guarda su pronóstico antes de conocer el resultado y no lo modifica después. Aquí se comparan con lo que pasó.
Demanda
10 pronósticos evaluados, de días entre el 22 de oct de 2026 y el 25 de oct de 2026. Otros 140 esperan a que XM publique el precio completo del día. El pronóstico estuvo más cerca que la referencia en el 30 % de los casos.
| Días adelante | Pronósticos | Error del modelo | Error de la referencia | Dentro del rango |
|---|---|---|---|---|
| 1 a 3 días | 9 | 1,3 % | 1,1 % | 100 % |
| 4 a 7 días | 1 | 0,2 % | 0,1 % | 100 % |
Referencia: la demanda del mismo día de la semana anterior.
Precio de bolsa
10 pronósticos evaluados, de días entre el 22 de oct de 2026 y el 25 de oct de 2026. Otros 60 esperan a que XM publique el precio completo del día. El pronóstico estuvo más cerca que la referencia en el 60 % de los casos.
| Días adelante | Pronósticos | Error del modelo | Error de la referencia | Dentro del rango |
|---|---|---|---|---|
| 1 a 3 días | 9 | 14,9 % | 25,6 % | 100 % |
| 4 a 7 días | 1 | 6,6 % | 15,9 % | 100 % |
Referencia: el último precio completo cuando se hizo el pronóstico.
Mientras el registro sea corto, estas cifras se mueven mucho de un día a otro. Para una evaluación más amplia están los resultados del backtest de arriba.
Método
Árboles de gradiente (LightGBM) con objetivos cuantílicos producen los percentiles 10, 50 y 90. Las entradas son solo lo que se conoce el día del pronóstico: historia reciente, niveles de embalses y aportes, el índice climático, el calendario y, para el precio, el costo del despacho programado que XM publica antes de liquidar los precios. Los intervalos se calibran con errores pasados.
Qué tener en cuenta
Los precios reaccionan a hechos que ningún modelo anticipa, como fallas de plantas, regulación o lluvias repentinas, por eso cada pronóstico trae su rango. El pronóstico es una estimación estadística que apoya decisiones, y los backtests describen el pasado.
Leer la ficha completa del modelo