Muchas aplicaciones de pronóstico de series temporales utilizan rangos en lugar de pronósticos puntuales. Producir pronósticos en forma de Intervalos de Predicción (PIs) es natural, ya que los intervalos son un componente importante de muchos modelos matemáticos. El método LUBE (Estimación de Límite Inferior y Superior) tiene como objetivo encontrar rangos basados en la resolución de problemas de optimización teniendo en cuenta el ancho y la cobertura del intervalo. Usando el Entrenamiento de Enjambre de Partículas de una red neuronal simple, buscamos una solución al problema de optimización del Criterio Basado en el Ancho de Cobertura (CWC), que es la convolución exponencial de criterios conflictivos PICP (Probabilidad de Cobertura del Intervalo de Predicción) y PINRW (Ancho Normalizado de la Raíz Media del Intervalo de Predicción). Basado en el concepto del compromiso de Pareto, se introduce como una frontera de Pareto en el espacio de criterios especificados. El compromiso de Pareto se construye como una relación entre criterios conflictivos basada en la solución encontrada al problema de optimización. Los datos considerados son series temporales financieras de los precios de cierre de MOEX. Nuestros hallazgos revelan que una red neuronal relativamente simple, compuesta por ocho neuronas y sus correspondientes 26 parámetros (pesos de conexiones de neuronas y sesgos de señal de neuronas), es suficiente para producir PIs confiables para las series temporales financieras investigadas. La novedad de nuestro enfoque radica en el uso de una estructura de red simple (que contiene menos de 100 parámetros) para construir PIs para una serie temporal financiera. Además, ofrecemos una construcción experimental de la frontera de Pareto, formada por los criterios PICP y PINRW.