Este documento examina la capacidad predictiva de la volatilidad en series temporales e investiga el efecto de los métodos de aprendizaje tradicional combinados con la red generativa adversarial de Wasserstein con penalización de gradiente (WGAN-GP). Utilizando la volatilidad de precios de los retornos del petróleo crudo Brent y la temperatura ambiental de la ciudad de Sídney en Australia, hemos demostrado que las previsiones correspondientes han mejorado cuando se combinan con modelos WGAN-GP (es decir, ANN-(WGAN-GP), LSTM-ANN-(WGAN-GP) y BLSTM-ANN (WGAN-GP)). Como resultado, concluimos que la incorporación de WGAN-GP mejorará significativamente las capacidades de pronóstico de volatilidad en modelos econométricos estándar y técnicas de aprendizaje profundo.