La predicción financiera implica predecir los estados financieros futuros y el rendimiento de las empresas e inversores. Los avances tecnológicos recientes han demostrado que los modelos basados en aprendizaje automático pueden superar a las técnicas tradicionales de pronóstico financiero. En particular, enfoques híbridos que integran diversos métodos para aprovechar sus fortalezas han dado como resultado resultados superiores en la predicción financiera. Este estudio presenta un nuevo modelo híbrido, titulado EMD-TI-LSTM, que consiste en descomposición modal empírica (EMD), indicadores técnicos (TI) y memoria a corto y largo plazo (LSTM). El modelo propuesto ofreció predicciones más precisas que las generadas por el enfoque LSTM convencional en los mismos conjuntos de datos financieros conocidos, logrando mejoras promedio del 39.56%, 36.86% y 39.90% basadas en las métricas MAPE, RMSE y MAE, respectivamente. Además, los resultados muestran que el modelo propuesto tiene una tasa de MAPE promedio más baja del 42.91% en comparación con sus contrapartes de última generación. Estos hallazgos resaltan el potencial de los modelos híbridos y las innovaciones matemáticas para avanzar en el campo de la predicción financiera.