Este documento propone un modelo de red neuronal profunda (DNN) para estimar el exponente de Hurst, un parámetro crucial en la modelización de movimientos de precios en el mercado de valores impulsados por el movimiento Browniano geométrico fraccional. Se seleccionaron aleatoriamente 446 índices del S&P 500 y se extrajeron sus movimientos de precios durante los últimos 2010 días de negociación. Utilizando el análisis de rango escalado (R/S) y el análisis de fluctuación desestacionalizada (DFA), calculamos el exponente de Hurst y parámetros relacionados, que sirven como parámetros objetivo en la arquitectura de la DNN. El modelo de DNN demostró notables capacidades de aprendizaje, realizando predicciones precisas incluso con tamaños de muestra pequeños. Esto aborda una limitación del análisis R/S, conocido por estimaciones sesgadas en tales instancias. La importancia de este modelo radica en su capacidad, una vez entrenado, para estimar rápidamente el exponente de Hurst, proporcionando resultados en una pequeña fracción de segundo.