Comentario al trabajo: “Out-of-Sample testing price discovery in commodity markets: the case of soybean”. Autores: Hildegart A. Ahumada (Universidad Di Tella) y Magdalena Cornejo (Universidad Di Tella y Universidad de Buenos Aires). Comentarista: Ignacio Scoccimarro (Magister Universidad de San Andrés). El trabajo demuestra que el “Price discovery”, en los mercados de futuros, es mejor testeado a partir de la utilización de una metodología de “out-of-sample testing”, aunque en promedio y no para cada período pronosticado. Este objetivo queda claro en el trabajo y está muy bien explicado y desarrollado. El trabajo presenta una clara y sólida exposición de los resultados encontrados y de las herramientas utilizadas para llegar a dichos resultados. A continuación sólo presentaré una sugerencia. Si bien la metodología utilizada, en la cual diferentes modelos son testeados y compiten para ver cuál de ellos tiene mayor capacidad predictiva, es útil para determinar el mejor modelo, no queda claro cuál es el fundamento económico que existe detrás de esos modelos. Si bien se mencionan aspectos teórico-económicos de los modelos, y el trabajo deja en claro que descubrir el valor fundamental depende de determinantes de oferta y demanda, etc., no se explica suficientemente. Entonces surgen algunos interrogantes: ¿Por qué el modelo donde los futuros anticipan spots es el que tiene mayor capacidad predictiva?; ¿Cuáles son los fundamentos que llevan a pensar eso, y cuál es la relación que existe entre ellos?; Al no haber un detalle de los fundamentos económicos de los modelos testeados, la comprensión de los resultados encontrados se hace más complicada. Por lo tanto, se hace más difícil interpretar los resultados encontrados por la metodología estadística utilizada y las conclusiones económicas de dichos resultados. Sería interesante y enriquecedor que se incluyan los fundamentos económicos que hay detrás de los modelos testeados de una forma más precisa. De esta manera, resultaría más claro entender por qué, con la metodología aplicada, un modelo puede predecir mejor que otro.