El aprendizaje automático (ML) ha transformado la industria financiera al permitir aplicaciones avanzadas como la calificación crediticia, detección de fraudes y pronósticos de mercado. En el núcleo de esta transformación se encuentra el aprendizaje profundo (DL), un subconjunto de ML que es robusto en el procesamiento y análisis de conjuntos de datos complejos y grandes. Este documento proporciona una visión general completa de los principales modelos de aprendizaje profundo, incluidas las Redes Neuronales Convolucionales (CNNs), las redes de memoria a corto y largo plazo (LSTMs), las Redes de Creencias Profundas (DBNs), los Transformadores, las Redes Generativas Adversariales (GANs) y el Aprendizaje por Refuerzo Profundo (Deep RL). Más allá de resumir sus fundamentos matemáticos y procesos de aprendizaje, este estudio ofrece nuevas ideas sobre cómo se aplican estos modelos en contextos financieros del mundo real, resaltando sus ventajas y limitaciones específicas en tareas como el trading algorítmico, la gestión de riesgos y la optimización de carteras. También examina avances recientes y tendencias emergentes en la industria financiera junto con desafíos críticos como la calidad de los datos, la interpretabilidad del modelo y la complejidad computacional. Estas ideas pueden guiar las futuras direcciones de investigación hacia el desarrollo de modelos financieros más eficientes, robustos y explicables que aborden las necesidades en evolución del sector financiero.