Este trabajo presenta un análisis de la predicción de precios de acciones en el mercado financiero, con énfasis en enfoques basados en modelos de series temporales y técnicas de aprendizaje profundo. Se exploran conceptos fundamentales del análisis técnico, como promedios exponenciales y simples, y se analizan varios índices globales para ser utilizados como entradas para modelos de aprendizaje automático, incluyendo Redes Neuronales Recurrentes (RNN), Memoria a Corto y Largo Plazo (LSTM), Unidad Recurrente con Compuertas (GRU), Redes Neuronales Convolucionales (CNN) y XGBoost. Los resultados muestran que si bien cada modelo posee características distintas, la selección del enfoque más eficiente depende en gran medida de los datos específicos y los objetivos de predicción. La complejidad de modelos avanzados como XGBoost y GRU se refleja en su rendimiento general, sugiriendo que pueden ser particularmente efectivos para capturar patrones y hacer predicciones precisas en series temporales más complejas, como los precios de las acciones.