En este documento, proponemos modelos híbridos para modelar el precio diario del petróleo durante el período del 2 de enero de 1986 al 5 de abril de 2021. Los modelos en variedades que consideramos, incluidos los de referencia, emplean representaciones matriciales en lugar de representaciones de operadores diferenciales de álgebras de Lie. En primer lugar, se examina el rendimiento del modelo de Lie en comparación con el modelo de Lie-OLS. Luego, ambos modelos de referencia se mejoran integrándolos con un modelo de red neuronal recurrente utilizado en aprendizaje profundo. En tercer lugar, se comparan el rendimiento de pronóstico de estos dos modelos híbridos propuestos en la variedad, a saber, Lie-LSTM y Lie-LSTM, con los de los modelos de referencia de Lie y Lie. Los resultados dentro y fuera de la muestra muestran que nuestros métodos propuestos pueden lograr un rendimiento mejorado sobre los modelos de Lie y Lie en términos de métricas de RMSE y MAE y, por lo tanto, pueden usarse de manera más confiable para evaluar la volatilidad de los datos de series temporales.