Predecir los movimientos del mercado de valores es una tarea crítica pero desafiante debido a la no linealidad inherente, el comportamiento caótico y la naturaleza dinámica de los mercados financieros. Este estudio propone el Modelo de Máquina de Aumento de Gradiente Ligero Recurrente Integrado Autoregresivo (AR-ERLM), un modelo innovador diseñado para mejorar la precisión y fiabilidad de las predicciones de movimientos de acciones. El AR-ERLM integra ARIMA para identificar dependencias lineales, RNN para capturar dinámicas temporales y LightGBM para gestionar conjuntos de datos a gran escala y relaciones no lineales. Utilizando conjuntos de datos de Netflix, Amazon y plataformas Meta, el modelo incorpora indicadores técnicos y datos de Google Trends para construir un espacio de características integral. Los resultados experimentales revelan que el AR-ERLM supera a modelos de referencia como GA-XGBoost, Conv-LSTM y ANN. Para el conjunto de datos de Netflix, el AR-ERLM logró un RMSE de 2.35, un MSE de 5.54 y un MAE de 1.58, superando a otros modelos en la minimización de errores de predicción. Además, el modelo demuestra una robusta adaptabilidad a datos en tiempo real y un rendimiento consistentemente superior en múltiples métricas. Los hallazgos enfatizan el potencial del AR-ERLM para mejorar la precisión predictiva, mitigando el sobreajuste y reduciendo la carga computacional. Estas implicaciones son cruciales para las instituciones financieras y los inversores que buscan herramientas fiables para la evaluación de riesgos y la toma de decisiones. El estudio sienta las bases para integrar modelos avanzados de IA en la previsión financiera, fomentando la exploración futura de técnicas de optimización híbrida para refinar aún más las capacidades predictivas.