Las personas buscan continuamente una estrategia precisa y productiva para controlar la bolsa de valores porque el mercado financiero es reconocido por su carácter increíblemente diverso e impredecible. Incluso una pequeña ganancia en la predicción del rendimiento puede ser extremadamente rentable y significativa. Nuestro nuevo estudio implementó seis técnicas de impulso, es decir, XGBoost, AdaBoost, Gradient Boosting, LightGBM, CatBoost y Gradient Boosting basado en histogramas, y estas técnicas de impulso fueron hibridadas utilizando un marco de apilamiento para descubrir la dirección del mercado de valores. Se seleccionaron cinco conjuntos de datos de acciones diferentes de cuatro países distintos y se utilizaron para nuestro experimento. Durante nuestro proceso de construcción del modelo, utilizamos protección contra el sobreajuste de dos vías, es decir, técnica de reducción dinámica y técnica de validación cruzada. Para fines de evaluación del modelo, utilizamos métricas de rendimiento, es decir, precisión, curva ROC (AUC), puntuación F, precisión y recuperación. El objetivo de nuestro estudio era proponer y seleccionar un modelo predictivo cuya diferencia de precisión entre el entrenamiento y la prueba fuera mínima en todas las acciones. Los hallazgos revelaron que el meta-clasificador Meta-LightGBM tenía diferencias de precisión entre el entrenamiento y la prueba muy bajas entre todas las acciones. Como resultado, una selección adecuada del modelo podría permitir a los inversores la libertad de invertir en cierta acción para controlar con éxito el riesgo y crear ganancias sostenibles a corto plazo.