La predicción de los tipos de cambio es un problema complejo que ha sido beneficiado por los avances recientes y la investigación en aprendizaje automático. El objetivo principal de este estudio es diseñar e implementar un método para mejorar el rendimiento de aprendizaje de redes neuronales artificiales con grandes volúmenes de datos utilizando metaheurísticas basadas en población. El algoritmo de entrenamiento micro-genético es analizado exhaustivamente utilizando herramientas de perfilado para encontrar cuellos de botella. Comparamos el uso de un algoritmo micro-genético para predecir cambios en los tipos de cambio de divisas en un conjunto de datos que contiene más de 500,000 valores. Para encontrar los mejores parámetros de las redes neuronales, proponemos un algoritmo de entrenamiento micro-genético mejorado dividiendo los datos de entrenamiento en mini lotes. En este caso, el algoritmo micro-genético mejorado resultó ser mucho más rápido en comparación con el algoritmo genético estándar, logrando la misma precisión de predicción. Esto permite el uso de este algoritmo para predicciones just-in-time de datos de alta frecuencia. Aquí, los modelos de redes neuronales primero se crean y validan en un conjunto de datos existente. Luego, los nuevos valores de datos pueden ser agregados a los modelos de redes neuronales y reentrenados en poco tiempo.