Este artículo estudia el problema de la reducción de dimensionalidad para mejorar la predicción de series temporales mediante predictores de alta dimensionalidad. Proponemos un novedoso marco de Análisis de Componentes Principales Dinámico Profundo Supervisado (SDDP) que integra variables objetivo y observaciones rezagadas en el proceso de extracción de factores. Construimos predictores con capacidad de predicción supervisando el tamaño de los predictores originales mediante una red neuronal temporal, asignando mayor peso a los predictores con alto poder predictivo. Posteriormente, realizamos un análisis de componentes principales (PCA) sobre los predictores con capacidad de predicción para extraer los factores SDDP estimados. Esta extracción supervisada de factores no solo mejora la precisión predictiva de las tareas de predicción posteriores, sino que también genera factores latentes más interpretables y específicos del objetivo. Basándonos en SDDP, proponemos un modelo de predicción dinámica no lineal aumentada por factores que integra una amplia gama de enfoques de predicción basados en modelos factoriales. Para demostrar aún más la amplia aplicabilidad de SDDP, extendimos nuestra investigación a escenarios más desafiantes donde los predictores son solo parcialmente observables. Validamos empíricamente el rendimiento del método propuesto en varios conjuntos de datos públicos del mundo real. Los resultados demuestran que el algoritmo propuesto mejora significativamente la precisión de los pronósticos en comparación con los métodos de última generación.
