En este trabajo, presentamos un enfoque para la agregación difusa de redes neuronales para pronósticos. El agregador de tipo-3 de intervalo se utiliza para combinar las salidas de las redes y mejorar la calidad de la predicción. Esto se lleva a cabo de tal manera que la salida final sea mejor que las salidas de los módulos individuales. En nuestro enfoque, se utiliza un sistema difuso para estimar los incrementos de predicción que se asignarán a la salida en el proceso de combinarlos con un conjunto de reglas difusas. La incertidumbre en el proceso de agregación se modela con un sistema difuso de tipo-3 de intervalo, que, en teoría, puede superar a los sistemas difusos de tipo-2 y tipo-1. Se utilizaron conjuntos de datos públicos de casos de COVID-19 y del índice Dow Jones para probar el enfoque propuesto, ya que se ha afirmado que una ola pandémica puede tener un efecto en las economías de los países. Los resultados de la simulación muestran que los datos de COVID-19 tienen, de hecho, una influencia en la serie temporal del Dow Jones y su uso en el modelo propuesto mejora el pronóstico de los valores futuros del Dow Jones.