La convergencia de la minería de datos y el aprendizaje profundo se ha convertido en una herramienta invaluable para obtener información sobre eventos y tendencias en evolución. Sin embargo, un desafío persistente en la utilización de estas técnicas para la previsión radica en el acceso limitado a datos completos y sin errores. Este desafío es particularmente pronunciado en conjuntos de datos de series temporales financieras, que son conocidos por su volatilidad. Para abordar este problema, se ha introducido un enfoque novedoso de aumento de datos, específicamente diseñado para la previsión de series temporales financieras. Este enfoque aprovecha el poder de las Redes Generativas Antagónicas para generar datos sintéticos que replican la distribución de datos auténticos. Al integrar datos sintéticos con datos reales, el enfoque propuesto mejora significativamente la precisión de la previsión. Las pruebas con conjuntos de datos reales han demostrado que este método ofrece una mejora notable en comparación con modelos que dependen únicamente de datos reales.