La predicción del movimiento de acciones es importante en el mundo financiero porque los inversores quieren observar tendencias en los precios de las acciones antes de tomar decisiones de inversión. Sin embargo, dadas las características de series temporales financieras no lineales y no estacionarias de los precios de las acciones, esta sigue siendo una tarea extremadamente desafiante. Una wavelet es una función matemática utilizada para dividir una función dada o una señal de tiempo continuo en diferentes componentes de escala. El análisis wavelet tiene buenas características locales de tiempo-frecuencia y buena capacidad de zoom para señales aleatorias no estacionarias. Sin embargo, la aplicación de la teoría wavelet generalmente está limitada a una pequeña escala. El método de redes neuronales es una herramienta poderosa para abordar problemas a gran escala. Por lo tanto, la combinación de redes neuronales y análisis wavelet se vuelve más aplicable para la predicción del comportamiento de las acciones. Para reconstruir las señales en múltiples escalas y filtrar el ruido de medición, se proporcionó un modelo de pronóstico basado en una serie temporal de precios de acciones, empleando análisis de multiresolución (MRA). Luego, se utilizó el aprendizaje profundo en el método de redes neuronales para entrenar y probar los datos empíricos. Para explicar los conceptos fundamentales, se realizó un análisis conceptual de algoritmos similares. El conjunto de datos para el experimento fue elegido para capturar una amplia gama de movimientos de acciones desde el 1 de enero de 2009 hasta el 31 de diciembre de 2017. Se realizaron análisis comparativos entre los algoritmos y las industrias para mostrar que el método es estable y confiable. Este estudio se centró en predicciones de acciones a medio plazo para predecir el comportamiento futuro de las acciones en horizontes de 11 días. Nuestros resultados de prueba mostraron una tasa de aciertos del 75%, en promedio, para todas las industrias, en términos de acciones estadounidenses en el FORTUNE Global 500. Confirmamos la efectividad de nuestro modelo y método basados en los hallazgos de la investigación empírica. La principal contribución de este estudio es demostrar el modelo de reconstrucción de la serie temporal de acciones y realizar redes neuronales recurrentes utilizando el método de aprendizaje profundo. Nuestros hallazgos llenan un vacío en la investigación académica, al demostrar que el aprendizaje profundo se puede utilizar para predecir el movimiento de acciones.