Este documento presenta una visión general de los procedimientos involucrados en la predicción con modelos de aprendizaje automático, con especial énfasis en el aprendizaje profundo. Estudiamos funciones objetivo adecuadas para la predicción en entornos de alta dimensión y discutimos el papel de los métodos de regularización para aliviar el problema del sobreajuste. También revisamos otras características de los métodos de aprendizaje automático, como la selección de hiperparámetros, el papel de la arquitectura de una red neuronal profunda para la predicción del modelo, o la importancia de utilizar diferentes rutinas de optimización para la selección del modelo. La revisión también considera el problema de la incertidumbre del modelo y presenta métodos de vanguardia para construir intervalos de predicción utilizando métodos de conjunto, como bootstrap y Monte Carlo dropout. Estos métodos se ilustran en un ejercicio empírico de pronóstico fuera de muestra que compara el rendimiento de los métodos de aprendizaje automático con los modelos convencionales de series temporales para diferentes índices financieros. Estos resultados se confirman en un contexto de asignación de activos.