Eventos como la Crisis Financiera de 2007-2008 o la pandemia de COVID-19 causaron pérdidas significativas a bancos y entidades aseguradoras. También demostraron la importancia de utilizar modelos precisos de riesgo patrimonial y contar con una función de gestión de riesgos capaz de implementar estrategias de cobertura efectivas. Las previsiones de volatilidad de acciones juegan un papel clave en la estimación del riesgo patrimonial y, por lo tanto, en las acciones de gestión realizadas por instituciones financieras. Por lo tanto, este documento tiene como objetivo proponer modelos de volatilidad de acciones más precisos basados en técnicas novedosas de aprendizaje automático y profundo. Este documento introduce una arquitectura basada en redes neuronales, llamada Multi-Transformer. Multi-Transformer es una variante de los modelos Transformer, que ya se han aplicado con éxito en el campo del procesamiento del lenguaje natural. De hecho, este documento también adapta capas tradicionales de Transformer para ser utilizadas en modelos de pronóstico de volatilidad. Los resultados empíricos obtenidos en este documento sugieren que los modelos híbridos basados en Multi-Transformer y capas de Transformer son más precisos y, por lo tanto, conducen a medidas de riesgo más apropiadas que otros algoritmos autorregresivos o modelos híbridos basados en capas de alimentación directa o células de memoria a corto plazo.