La tecnología de pronóstico de series temporales y las aplicaciones relacionadas para el pronóstico de precios de acciones están recibiendo gradualmente atención. Estos enfoques pueden ser de gran ayuda para tomar decisiones basadas en información histórica para predecir posibles situaciones futuras. Este estudio tiene como objetivo establecer modelos de pronóstico con tecnología de aprendizaje profundo para la predicción de precios de acciones en la industria logística. Los datos históricos de precios de acciones de cinco empresas de logística en Hong Kong fueron recopilados y entrenados con diversos algoritmos de pronóstico de series temporales. Basándonos en los resultados del Error Porcentual Absoluto Medio (MAPE), adoptamos Long Short-Term Memory (LSTM) como metodología para predecir aún más el precio de las acciones. El modelo LSTM propuesto fue entrenado con diferentes hiperparámetros y validado por el Error Cuadrático Medio (RMSE). En este estudio, encontramos varios parámetros óptimos para el modelo LSTM propuesto para seis acciones de logística diferentes en Hong Kong, y el mejor resultado de RMSE fue del 0,43%. Finalmente, podemos predecir recesiones económicas a través de la predicción de las acciones, utilizando el modelo LSTM.