Las finanzas representan uno de los requisitos clave para llevar a cabo cualquier actividad útil para la humanidad. Los mercados financieros, por ejemplo, los mercados de valores, forex y de intercambio mercantil, etc., ofrecen la oportunidad a cualquiera de invertir y generar finanzas. Sin embargo, para obtener beneficios máximos de estos mercados financieros, se requiere una toma de decisiones efectiva para identificar las direcciones comerciales, por ejemplo, ir largo/corto mediante el análisis de todos los factores influyentes, como la acción del precio, las políticas económicas y la estimación de la oferta/demanda, de manera oportuna. En este sentido, el análisis de las noticias financieras y las publicaciones en Twitter juegan un papel significativo para predecir el comportamiento futuro de los mercados financieros, la estimación del sentimiento público y la estimación del riesgo sistemático/idiosincrático. En este documento, nuestro trabajo propuesto tiene como objetivo analizar las publicaciones en Twitter y los datos de Google Finance para predecir el comportamiento futuro de los mercados de valores (uno de los principales mercados financieros) en un marco temporal particular, es decir, por hora, diario, semanal, etc., a través de un nuevo modelo StockSentiWordNet (SSWN). El modelo SSWN propuesto extiende el léxico de opinión estándar llamado SentiWordNet (SWN) a través de los términos específicamente relacionados con los mercados de valores para entrenar la máquina de aprendizaje extremo (ELM) y la red neuronal recurrente (RNN) para la predicción de precios de las acciones. Los experimentos se realizan en dos conjuntos de datos, es decir, Sentiment140 y conjuntos de datos de Twitter, y se logra un valor de precisión del 86.06%. Los hallazgos muestran que nuestro trabajo supera a los enfoques de vanguardia en cuanto a precisión general. En el futuro, planeamos mejorar la capacidad de nuestro método agregando otras redes sociales populares, por ejemplo, Facebook y Google News, etc.