La precisión en la predicción de series temporales financieras es fundamental para la toma de decisiones efectiva en áreas como la gestión de riesgos, la optimización de carteras y el trading. Dados la complejidad y la volatilidad de los mercados financieros, los métodos de predicción tradicionales a menudo no logran capturar las dinámicas subyacentes. Los avances recientes en la investigación de pronóstico de redes neuronales artificiales (ANN) indican que las ANN representan una valiosa alternativa a los métodos lineales tradicionales, como el modelo autorregresivo integrado de media móvil (ARIMA). Sin embargo, las series temporales suelen estar influenciadas por una combinación de factores que requieren considerar tanto características lineales como no lineales. Este artículo propone un nuevo modelo híbrido que integra modelos ARIMA y ANN, como la red neuronal de memoria a corto y largo plazo y la red neuronal de unidad recurrente con compuertas, para aprovechar las fortalezas distintivas de ambos en modelado lineal y no lineal. Además, la bondad del modelo propuesto se evalúa a través de un análisis comparativo del ARIMA, ANN y el modelo híbrido de Zhang, utilizando tres conjuntos de datos financieros (es decir, el precio de las acciones de Unicredit SpA, el tipo de cambio EUR/USD y el precio de cierre de Bitcoin). Varios métricos de error absoluto y relativo, calculados para evaluar el rendimiento de los modelos, pueden respaldar el uso del enfoque propuesto. También se implementa la prueba de Diebold-Mariano (DM) para evaluar la significancia de las diferencias obtenidas del modelo híbrido con respecto a los otros modelos competidores.