La previsión financiera es un desafío de investigación y práctico, que proporciona información económica y estratégica significativa. Si bien se emplean modelos de Aprendizaje Automático (ML) en varios estudios para examinar el impacto de factores técnicos y de sentimiento en la previsión de los mercados financieros, en este trabajo, también se combinan indicadores macroeconómicos para prever el índice Standard & Poor"s (S&P) 500. Inicialmente, los datos contextuales se puntúan utilizando modelos preentrenados de TextBlob y DistilBERT-base-uncased, y luego se forma un conjunto de datos combinado. Después de la preprocesamiento, la ingeniería de características y las técnicas de selección, se generan tres conjuntos de datos correspondientes y se examina su impacto en los precios futuros, empleando modelos de ML, como Regresión Lineal (LR), Bosque Aleatorio (RF), Aumento de Gradiente (GB), XGBoost y Perceptrón Multicapa (MLP). LR y MLP muestran resultados robustos con altos puntajes R2, cercanos a 0.998, y bajas tasas de error MSE y MAE, promediando 350 y 13 puntos, respectivamente, en ambos conjuntos de datos de entrenamiento y prueba, siendo los indicadores técnicos los que más contribuyen a la predicción. Si bien otros modelos también funcionan muy bien bajo diferentes combinaciones de conjuntos de datos, los desafíos de sobreajuste son evidentes en los resultados, incluso después de un ajuste adicional de hiperparámetros. Se destacan limitaciones potenciales, motivando una mayor exploración y técnicas de adaptación en la modelización financiera que mejoren las capacidades predictivas.