En el ámbito de las predicciones del mercado de divisas (Forex), las Redes Neuronales Convolucionales (CNN) y las Redes Neuronales Recurrentes (RNN) han sido comúnmente empleadas. Sin embargo, estos modelos a menudo muestran inestabilidad debido a la vulnerabilidad a las perturbaciones de datos atribuidas a su arquitectura monolítica. Por lo tanto, este estudio propone una novedosa red modular informada por la neurociencia que aprovecha los precios de cierre y los sentimientos de las APIs de Yahoo Finance y Twitter. En comparación con los métodos monolíticos, el objetivo es avanzar en la efectividad de predecir las fluctuaciones de precios de Euro a Libra Esterlina (EUR/GBP). El modelo propuesto ofrece una metodología única basada en una CNN modular revitalizada, reemplazando las capas de agrupación con RNN de inicialización de núcleo ortogonal acopladas con Monte Carlo Dropout (MCoRNNMCD). Integra dos módulos fundamentales: una RNN simple convolucional y una Unidad Recurrente Convolucional con compuertas (GRU). Estos módulos incorporan técnicas de inicialización de núcleo ortogonal y Monte Carlo Dropout para mitigar el sobreajuste, evaluando la incertidumbre de cada módulo. La síntesis de estos módulos de extracción de características paralelos culmina en un módulo de toma de decisiones de Red Neuronal Artificial (ANN) de tres capas. Establecido en métricas objetivas como el Error Cuadrático Medio (MSE), una evaluación rigurosa destaca el rendimiento excepcional del MCoRNNMCD-ANN propuesto. MCoRNNMCD-ANN supera a las CNN individuales, LSTMs, GRUs y al híbrido de vanguardia BiCuDNNLSTM, CLSTM, CNN-LSTM y LSTM-GRU en la predicción de las fluctuaciones horarias de los precios de cierre de EUR/GBP.