Predecir los precios del mercado de valores es un área de conocimiento emocionante para inversores y comerciantes. Las predicciones exitosas conducen a altos ingresos financieros y evitan a los inversores los riesgos del mercado. Este documento propone un nuevo modelo híbrido de predicción de acciones que mejora la precisión de la predicción. El método propuesto consta de tres componentes principales, una técnica de filtrado de ruido, características novedosas y predicción basada en aprendizaje automático. Usamos un filtro de Hodrick-Prescott completamente modificado para suavizar los datos históricos de precios de acciones eliminando el componente cíclico de la serie temporal. Proponemos varias nuevas características para la predicción de precios de acciones, incluido el retorno de la empresa, el precio de apertura de retorno, el precio de cierre de retorno, el cambio en el precio de apertura de retorno, el cambio en el precio de cierre de retorno y el volumen por total. Investigamos enfoques tradicionales y de aprendizaje profundo para la predicción. Se utilizan regresión de vectores de soporte, medias móviles integradas autorregresivas y bosques aleatorios para el aprendizaje automático convencional. Las técnicas de aprendizaje profundo incluyen memoria a corto y largo plazo y unidades recurrentes con compuertas. Realizamos varios experimentos con estos algoritmos de aprendizaje automático. Nuestro mejor modelo logró una precisión de predicción del 70.88%, un error cuadrático medio de 0.04 y una tasa de error del 0.1.