Esta tesis presenta una exploración del impacto de una política monetaria contractiva a través del prisma de modelos de factores dinámicos. Profundizando en el análisis, se parte con un modelo Vectores autorregresivos aumentados por factores (FAVAR) que sirve de punto de referencia, se lo compara predictivamente con un modelo dinámico de factores profundo, basado en Autoencoders y un modelo FAVAR profundo. El núcleo innovador de este trabajo reside en la comparación de un modelo FAVAR lineal tradicional con una propuesta vanguardista, el modelo Deep Dynamic Factor Model, un paradigma emergente en el aprendizaje profundo, y en el desarrollo de un modelo FAVAR profundo. Comparando los resultados para distintas cantidades de factores, esta investigación no solo arroja luz sobre el rendimiento predictivo de estos modelos, sino que también ofrece una perspectiva única sobre las consecuencias de las políticas monetarias en un conjunto adecuado de variables económicas. Además, este estudio abre el debate sobre si incorporar modelos de aprendizaje profundo en los estudios de política monetaria, dada la discusión relacionada a emplear modelos de cajas negras y sus posibles consecuencias negativas en temas sensibles como es la política económica. Por tanto, esta investigación contribuye a la literatura existente con un análisis comparativo robusto e introduce una herramienta analítico-computacional sofisticada para la interpretación de políticas monetarias en un entorno económico complejo.