Con el continuo avance del aprendizaje automático y la creciente disponibilidad de información basada en internet, existe la creencia de que estos enfoques y conjuntos de datos mejoran la precisión de la predicción de precios. Sin embargo, este estudio tiene como objetivo investigar la validez de esta afirmación. El estudio examina la efectividad de un gran conjunto de datos y metodologías sofisticadas en la previsión de tasas de cambio (FX) y precios de commodities. Específicamente, empleamos análisis de sentimientos para construir un índice de sentimientos robusto y exploramos si combinar el análisis de sentimientos con el aprendizaje automático supera el rendimiento de un gran conjunto de datos al predecir precios de FX y commodities. Además, aplicamos metodologías de aprendizaje automático como el bosque aleatorio (RF), el aumento de gradiente extremo (XGB) y la memoria a largo y corto plazo (LSTM), junto con el modelo estadístico clásico de media móvil integrada autorregresiva (ARIMA), para prever estos precios y comparar el rendimiento de los modelos. Basándonos en los resultados, proponemos metodologías novedosas que integran la transformación wavelet con ARIMA clásico y técnicas de aprendizaje automático (ARIMA-LSTM-descomposición estacional, wavelet-ARIMA-LSTM, wavelet-ARIMA-RF, wavelet-ARIMA-XGB). Aplicamos este procedimiento de análisis a los precios de futuros de oro y a las tasas de cambio del euro frente al dólar estadounidense.