La predicción del mercado de valores es un área crítica en la investigación financiera, sin embargo, la volatilidad inherente y la no linealidad de los mercados financieros presentan desafíos significativos para los modelos predictivos tradicionales. Este estudio propone un modelo híbrido de aprendizaje profundo, integrando redes de memoria a largo y corto plazo (LSTM) y redes neuronales convolucionales (CNN) con indicadores técnicos para mejorar la precisión predictiva de los movimientos de precios de las acciones. El modelo se evalúa utilizando el error cuadrático medio (RMSE), el error absoluto medio (MAE), el error porcentual absoluto medio (MAPE) y la puntuación R en el índice S&P 500 durante un período de 14 años. Los resultados indican que el modelo híbrido LSTM-CNN logra un rendimiento predictivo superior en comparación con los modelos tradicionales, incluidos las máquinas de soporte vectorial (SVM), el bosque aleatorio (RF) y los ARIMA, al capturar efectivamente tanto las tendencias a largo plazo como las fluctuaciones a corto plazo. Si bien el bosque aleatorio demostró la mayor precisión bruta con el RMSE más bajo (0.0859) y la puntuación R más alta (0.5655), carecía de capacidades de aprendizaje secuencial. El modelo LSTM-CNN, con un RMSE de 0.1012, un MAE de 0.0800, un MAPE del 10.22% y una puntuación R de 0.4199, demostró ser altamente competitivo y robusto en la predicción de series temporales financieras. El estudio destaca la efectividad de las arquitecturas híbridas de aprendizaje profundo en la predicción financiera y sugiere mejoras adicionales a través de indicadores macroeconómicos, análisis de sentimientos y aprendizaje por refuerzo para la adaptación dinámica al mercado. También mejora los marcos de toma de decisiones conscientes del riesgo en mercados financieros volátiles.