Ha habido muchos estudios basados en aprendizaje automático para pronosticar tendencias de precios de acciones. Estos estudios intentaron extraer características de entrada principalmente de la información de precios con poco enfoque en la información del volumen de negociación. Además, los parámetros de modelado para especificar un problema de aprendizaje no han sido investigados de manera intensiva. Aquí desarrollamos un método mejorado al abordar esas limitaciones. Específicamente, generamos variables de entrada considerando tanto la información de precios como la de volumen con un peso equitativo. También definimos tres parámetros de modelado: los tamaños de las ventanas de entrada y objetivo y el umbral de beneficio. Estos especifican las variables de entrada y objetivo, entre las cuales las funciones subyacentes son aprendidas por perceptrones multicapa y máquinas de soporte vectorial. Probamos nuestro enfoque en seis acciones y 15 años y lo comparamos con el rendimiento esperado en todas las especificaciones de parámetros consideradas. Nuestro enfoque mejoró drásticamente la precisión de la predicción en comparación con el rendimiento esperado. Además, se demostró que nuestro enfoque era significativamente más rentable que tanto el rendimiento esperado como la estrategia de comprar y mantener. Por otro lado, el rendimiento se degradó cuando se excluyeron las variables de entrada generadas a partir del volumen de negociación del aprendizaje. Todos estos resultados validan la importancia del volumen y los parámetros de modelado en la predicción del comercio de acciones.