Este artículo aborda el fenómeno de las dificultades que presentan los modelos profundos exitosos existentes en comparación con los modelos simples en tareas de pronóstico de series temporales. Esto se basa en la hipótesis de que se necesitan modelos capaces de aprender la dinámica subyacente de los datos, hipótesis que verificamos mediante estudios sistemáticos y empíricos. Desarrollamos una nomenclatura original $\texttt{PRO-DYN}$ para analizar los modelos existentes desde una perspectiva dinámica y derivamos dos observaciones: las arquitecturas de bajo rendimiento solo aprenden dinámicas parciales, y es importante que el bloque de dinámica se ubique al final del modelo. Realizamos experimentos exhaustivos con varios modelos con diferentes estructuras principales y confirmamos que el bloque de dinámica aprendible debe integrarse y utilizarse como predictor final.
