Un sistema de pronóstico y comercio de acciones es un sistema de información complejo porque un sistema de comercio de acciones necesita ser analizado y modelado utilizando ciencia de datos, aprendizaje automático e inteligencia artificial. Los modelos de series temporales anteriores se han utilizado ampliamente para pronosticar precios de acciones, pero debido a varias limitaciones, estos modelos no pueden aplicar toda la información disponible para hacer un pronóstico. La relación entre los precios de las acciones y los factores relacionados es no lineal e involucra fluctuaciones no estacionarias, y pronosticar con precisión los precios de las acciones no es una tarea fácil. Por lo tanto, este estudio utilizó máquinas de soporte vectorial (funciones lineales y de base radial), programación de expresión genética, regresión de perceptrones multicapa y redes neuronales de regresión generalizada para calcular la importancia de los indicadores. Luego, integramos los cinco métodos de selección de indicadores para encontrar los indicadores clave. A continuación, utilizamos memoria a largo y corto plazo (LSTM) y unidades recurrentes con compuertas (GRU) para construir modelos de series temporales para pronosticar precios de acciones y compararlos con los modelos de referencia. Para evaluar la efectividad del modelo propuesto, recopilamos seis datos diferentes del mercado de valores desde 2011 hasta 2019 para evaluar su rendimiento de pronóstico basado en las métricas RMSE y MAPE. Vale la pena mencionar que este estudio propone dos políticas de comercio para evaluar las ganancias comerciales y compararlas con los métodos de referencia, y sus ganancias son bastante buenas para los inversores. Después de los experimentos, el modelo de series temporales propuesto (GRU/LSTM combinado con los indicadores clave seleccionados) exhibe una mejor capacidad de pronóstico en entornos fluctuantes y no fluctuantes que los modelos de referencia, presentando así una referencia efectiva para las partes interesadas.