Este estudio evaluó la precisión de pronóstico de varios modelos en horizontes de negociación de 5 y 10 días para predecir los precios de los futuros del jugo de naranja (OJ = F). El análisis incluyó modelos tradicionales como el Promedio Móvil Integrado Autorregresivo (ARIMA) y modelos avanzados de redes neuronales como Memoria a Largo y Corto Plazo (LSTM), Red Neuronal Recurrente (RNN), Red Neuronal de Retropropagación (BPNN), Regresión de Vector de Soporte (SVR) y Memoria a Largo y Corto Plazo Convolucional (ConvLSTM), incorporando factores como el Índice de Materias Primas y el Índice S&P500. Empleamos métricas de función de pérdida y diversas pruebas para evaluar el rendimiento del modelo. Los resultados indicaron que para el horizonte de 5 días, los modelos LSTM y ConvLSTM superaron consistentemente a los otros modelos. LSTM logró las tasas de error más bajas y demostró una capacidad superior para capturar dependencias temporales, especialmente en predicciones de un solo factor y del Índice S&P500. ConvLSTM también tuvo un buen desempeño, modelando eficazmente patrones de datos espaciales y temporales. En el horizonte de 10 días, se observaron tendencias similares. Los modelos LSTM y ConvLSTM tuvieron errores significativamente más bajos y una mejor alineación con los valores reales. El modelo BPNN tuvo un buen rendimiento cuando se incluyeron todos los factores, y el modelo SVR mantuvo una precisión consistente, particularmente para predicciones de un solo factor. La prueba Diebold-Mariano (DM) indicó diferencias significativas en la precisión de pronóstico, favoreciendo a los modelos avanzados de redes neuronales. Además, la incorporación de múltiples factores influyentes mejoró aún más el rendimiento predictivo, mejorando los resultados de inversión y reduciendo el riesgo.