Objetivo: Construir una Red Neuronal Recurrente Elman que pueda superar en resultados al modelo predictivo SARIMA usando la información disponible en el Sistema de Información e Integración de Mercados (SNIIM). Métodos: Se programó un modelo desde cero con el lenguaje de programación Python y las bibliotecas TensorFlow y Keras, usando la plataforma Google Colab para modelar Series de Tiempo a Ventanas de Comercialización y obteniendo como resultado una predicción con cierto porcentaje de error junto con algunas gráficas asociadas a dichas ventanas, al final se elaboró una prueba de proporciones para decidir si dicho modelo de Redes Neuronales Recurrentes (RNN) tipo Elman pudo superar al método SARIMA. Resultados: A través de la prueba de proporciones, que tomó en cuenta los resultados de 23 productos, se puede sugerir que el método de RNN superó al Modelo autorregresivo integrado de media móvil (SARIMA) e incluso pudo modelar productos que SARIMA no de acuerdo a los datos proporcionados. Conclusiones: La capacidad de predicción es muy significativa y, debido a la robustez del código para cambiar parámetros de manera relativamente sencilla, es posible encontrar la variante que pueda predecir mejor cierto producto en específico y, aunque se cumplió exitosamente el objetivo de la presente investigación, todavía es posible hacer mejoras al proceso actual para trabajos posteriores.