El mercado global de petróleo crudo, conocido por su pronunciada volatilidad y dinámicas no lineales, juega un papel fundamental en la configuración de la estabilidad económica e informa las estrategias de inversión. A diferencia de la investigación tradicional centrada en la previsión de precios, este estudio enfatiza la tarea más centrada en el inversor de predecir los rendimientos del petróleo crudo West Texas Intermediate (WTI). Al centrarse en los rendimientos, aborda directamente preocupaciones críticas de los inversores, como la asignación de activos y la gestión de riesgos. Este estudio aplica modelos avanzados de aprendizaje automático, incluyendo XGBoost, bosques aleatorios y redes neuronales para predecir el rendimiento del petróleo crudo, y por primera vez, incorpora variables de sostenibilidad y riesgo externo, que se ha demostrado que mejoran el rendimiento predictivo al capturar la no estacionariedad y complejidad de los datos de series temporales financieras. Para mejorar la precisión predictiva, integramos 55 variables en cinco dimensiones: indicadores macroeconómicos, mercados financieros y de futuros, mercados de energía, factores de momento y sostenibilidad y riesgo externo. Entre estas, la tasa de cambio se destaca como el predictor más influyente. Notablemente, XGBoost demuestra un rendimiento superior, superando a modelos competidores con una impresionante precisión del 76% en la previsión de dirección. El análisis destaca cómo la importancia de varios predictores cambió durante la pandemia de COVID-19. Esto subraya el carácter dinámico y adaptativo de los mercados de petróleo crudo bajo interrupciones externas sustanciales. Además, al incorporar factores de sostenibilidad, el estudio proporciona una comprensión más profunda de los impulsores del comportamiento del mercado, apoyando ajustes de cartera más informados, estrategias de gestión de riesgos y desarrollo de políticas destinadas a fomentar la resiliencia y avanzar en las transiciones energéticas sostenibles.