Los mercados financieros han sido influenciados por la propagación emergente de la enfermedad del Coronavirus, COVID-19. El petróleo y el oro también han experimentado una tendencia a la baja debido al aumento en la tasa de casos confirmados de COVID-19. Últimamente, los datos publicados de COVID incluyen nuevas variables que pueden influir en la precisión de los modelos de pronóstico de precios del petróleo/oro, incluyendo el índice de Rigidez, Tasa de Reproducción, Tasa Positiva y Vacunaciones. En este estudio, se presentan los Autoencoders Profundos combinados con el enfoque conocido: Coeficiente de Correlación de Pearson, , en el análisis para seleccionar las características clave que afectan la precisión de los modelos de pronóstico de precios del oro y petróleo con respecto a la pandemia de COVID-19. Hemos utilizado un enfoque híbrido junto con un Autoencoder Apilado de 2 Etapas, SA, para extraer las características latentes que luego se someten al modelo de regresión de Red Neuronal, NN. El regresor de NN ha sido entrenado utilizando el algoritmo de Regularización bayesiana-backpropagation que proporciona una buena generalización para conjuntos de datos pequeños y ruidosos. El enfoque híbrido ha dado como resultado valores mínimos de MSE de 8.97 x 10 y 5.356 x 10 en el conjunto de validación de petróleo/oro, respectivamente. En comparación con los enfoques existentes, el enfoque propuesto ha superado a los modelos de regresión basados en ARIMA y ML en el pronóstico de los precios del petróleo/oro. Además, el marco introducido ha dado como resultado un Error Absoluto Medio, MAE, más bajo que la Red Neuronal Recurrente, RNN, y el Análisis de Componentes Principales, PCA, para la reducción de dimensiones. Los resultados obtenidos mostraron que el método híbrido produjo características más robustas al considerar la relación entre las características de entrada.