El paisaje financiero global ha presenciado un cambio significativo hacia los Fondos Cotizados en Bolsa (ETFs), con su capitalización de mercado superando los 10 billones de dólares en 2023, debido a ventajas como bajos honorarios de gestión, alta liquidez y amplia exposición al mercado. A medida que los ETFs se vuelven cada vez más centrales para las estrategias de inversión, predecir con precisión su rendimiento se ha vuelto crucial. Este estudio aborda esta necesidad al comparar la eficacia de los modelos de aprendizaje profundo con el tradicional modelo de tres factores de Fama-French en la predicción de los rendimientos diarios de los ETFs. La metodología emplea ocho arquitecturas de redes neuronales artificiales, incluyendo ANN, LSTM, GRU, CNN y sus variantes, implementadas en Python y aplicadas a datos que van desde 2010 hasta 2020, mientras también se explora el impacto de factores adicionales en la precisión de las predicciones. Los resultados empíricos revelan que LSTM y el modelo de tres factores de Fama-French muestran un rendimiento superior en la predicción de los rendimientos de los ETFs. Este estudio contribuye a la literatura sobre pronósticos financieros y ofrece ideas prácticas para la toma de decisiones de inversión. Al aprovechar técnicas avanzadas de inteligencia artificial, este estudio tiene como objetivo mejorar el conjunto de herramientas disponibles para el análisis del rendimiento de los ETFs, potencialmente mejorando las estrategias de inversión en este dinámico segmento de mercado.