La predicción del precio futuro del índice del mercado de valores es uno de los problemas imperativos de series temporales financieras. Los precios de cierre futuros estimados con precisión pueden desempeñar un papel importante en la toma de decisiones de trading y en la planificación de inversiones. Este trabajo propone un nuevo marco de conjunto de múltiples salidas que integra los sistemas híbridos generados a través de modelos de aprendizaje ponderados por características basados en puntajes de importancia mediante una técnica de optimización de colonia de hormigas de múltiples colonias continua (MACO-LD) para la predicción del precio futuro del índice a varios días. Los puntajes de importancia se obtienen a través de cuatro diferentes estrategias de generación de puntajes de importancia (prueba F, Relief, Bosque Aleatorio y correlación gris). Se introducen variantes de múltiples salidas de tres algoritmos de aprendizaje de referencia para abordar la predicción a varios días. Este estudio utiliza tres algoritmos de aprendizaje, a saber, regresión de soporte vectorial de mínimos cuadrados de múltiples salidas (MO-LSSVR), regresión de soporte vectorial proximal de múltiples salidas (MO-PSVR) y regresión de soporte vectorial de gemelos de múltiples salidas (MO--TSVR) como métodos de referencia para los modelos híbridos ponderados por características. Con el propósito de predecir el precio futuro de un índice, se ha considerado una colección integral de indicadores técnicos como características de entrada. El estudio propuesto se prueba en ocho futuros de índices para explorar el rendimiento de predicción de los predictores híbridos individuales obtenidos después de incorporar puntajes de importancia sobre los métodos de referencia. Finalmente, se emplea un algoritmo de optimización de colonia de hormigas de múltiples colonias para construir los resultados del conjunto a partir de los modelos híbridos ponderados por características junto con los algoritmos de referencia. Los resultados experimentales para los ocho futuros de índices establecieron que el conjunto propuesto de modelos ponderados por características basados en puntajes de importancia exhibe un rendimiento superior en la predicción del precio futuro del índice en comparación con los métodos de referencia y los métodos híbridos basados en puntajes de importancia.