Este estudio utiliza ilustraciones del mundo real para explorar la aplicación de enfoques de aprendizaje profundo para predecir información económica. En esto, investigamos el efecto de la arquitectura del modelo de aprendizaje profundo y las propiedades de los datos de series temporales en la precisión de la predicción. Nuestro objetivo es evaluar el poder predictivo de varios modelos de redes neuronales utilizando un conjunto de datos de series temporales financieras. Estos modelos incluyen RNNs convolucionales, LSTMs convolucionales, GRUs convolucionales, RNNs bidireccionales convolucionales, LSTMs bidireccionales convolucionales y GRUs bidireccionales convolucionales. Nuestro objetivo principal es utilizar técnicas de aprendizaje profundo para predicciones simultáneas en conjuntos de datos de series temporales multivariables. Utilizamos las fluctuaciones diarias de seis índices bursátiles asiáticos del 1 de abril de 2020 al 31 de marzo de 2024. El objetivo principal de este estudio es evaluar modelos de aprendizaje profundo construidos utilizando datos de entrenamiento recopilados durante las primeras etapas de la pandemia de COVID-19 cuando la economía se vio muy afectada. Encontramos que las limitaciones demuestran que ningún algoritmo de aprendizaje profundo único puede predecir de manera confiable los datos financieros para cada estado. Además, las predicciones obtenidas de modelos de aprendizaje profundo solitarios son más precisas al tratar con datos de series temporales consistentes. Sin embargo, el modelo híbrido funciona mejor al analizar datos de series temporales con un caos significativo.