Este estudio evalúa modelos de aprendizaje automático para la predicción del mercado de valores en el mercado de valores europeo EU50, con énfasis en la integración de indicadores técnicos clave. Se aplican técnicas avanzadas, como ANNs, CNNs y LSTMs, para analizar un gran conjunto de datos de EU50. Se emplearon indicadores clave, como el promedio móvil simple (SMA), el promedio móvil exponencial (EMA), la convergencia/divergencia del promedio móvil (MACD), el oscilador estocástico, el índice de fuerza relativa (RSI) y la acumulación/distribución (A/D), para mejorar la capacidad de respuesta del modelo a las tendencias del mercado y los cambios de momentum. Los resultados muestran que los modelos CNN pueden capturar eficazmente patrones de precios localizados, mientras que los modelos LSTM sobresalen en la identificación de dependencias a largo plazo, lo que es beneficioso para comprender la volatilidad del mercado. Los modelos ANN proporcionan predicciones de referencia confiables. Entre los modelos, CNN con RSI obtuvo los mejores resultados, con un RMSE de 0.0263, un MAE de 0.0186 y una R de 0.9825, demostrando una alta precisión en la predicción de precios. La integración de indicadores como SMA y EMA mejora la detección de tendencias, mientras que MACD y RSI aumentan la sensibilidad al momentum, lo cual es esencial para identificar señales de compra y venta. Esta investigación demuestra el potencial de los modelos de aprendizaje automático para la predicción refinada de acciones e informa sobre estrategias de inversión basadas en datos, siendo los modelos CNN y LSTM particularmente adecuados para la predicción dinámica de precios.