El trabajo reportado tiene como objetivo mejorar el rendimiento de los algoritmos de pronóstico basados en LSTM (Memoria a Corto y Largo Plazo) en casos de modelos NARX (Autoregresivo No Lineal con entrada Exógena) mediante el uso de búsqueda evolutiva. El enfoque propuesto, ES-LSTM, combina un procedimiento de búsqueda local de dos miembros de ES (2MES) con un optimizador ADAM para entrenar LSTMs más precisos. La precisión se mide desde los puntos de vista de error y predicción de tendencias. El método primero calcula los parámetros aprendibles de un LSTM, utilizando un subconjunto de los datos de entrenamiento, y aplica una versión modificada de la optimización 2MES para ajustarlos. En la segunda etapa, se utilizan todos los datos de entrenamiento disponibles para actualizar los parámetros de peso del LSTM. El rendimiento del algoritmo resultante se evalúa frente a la precisión de un LSTM entrenado estándar en el caso de múltiples series temporales financieras. Las pruebas se realizan respectivamente en los datos de entrenamiento y prueba. Los resultados experimentales muestran una mejora significativa en el pronóstico de la dirección del cambio sin dañar las mediciones de error. Todas las medidas de calidad son mejores que en el caso del algoritmo estándar, mientras que las medidas de error son insignificativamente más altas o, en algunos casos, incluso mejores. Junto con la consideración teórica, esto demuestra que el nuevo método supera al estándar.