La predicción del rendimiento de las acciones es una tarea fundamental pero intrincada en los mercados financieros, desafiada por la volatilidad y las dependencias multifacéticas. Este estudio propone un modelo híbrido que integra redes neuronales de memoria a largo plazo (LSTM) y redes convolucionales de grafos (GCNs) para mejorar la precisión al capturar tanto la dinámica temporal como las relaciones inter-acciones espaciales. Probado en el Promedio Industrial Dow Jones (DJIA), el Índice de la Bolsa de Valores de Shanghái 50 (SSE50) y el Índice de Valores de China 100 (CSI 100), nuestro modelo LSTM-GCN supera a las líneas de base -LSTM, GCN, RNN, GRU, BP, árbol de decisiones y SVM- logrando el error cuadrático medio más bajo (por ejemplo, 0.0055 en DJIA), el error absoluto medio y los valores de R más altos. Este rendimiento superior proviene de la interacción sinérgica de las características espacio-temporales, ofreciendo una herramienta robusta para inversores y responsables de políticas. Mejoras futuras podrían incorporar análisis de sentimientos y estructuras de gráficos dinámicos.