Este documento desarrolla modelos de aprendizaje automático en conjunto (XGBoost, Gradient Boosting y AdaBoost además de Random Forest) para predecir los rendimientos de las acciones de los bancos indios utilizando indicadores técnicos. Estos indicadores se basan en tres amplias categorías de análisis técnico: Precio, Volumen y Rotación. Se han utilizado varias métricas de error como el Error Absoluto Medio (MAE), el Error Cuadrático Medio (MSE), el Error Porcentual Absoluto Medio (MAPE) y el Error Cuadrático Medio de la Raíz (RMSE) para verificar el rendimiento de los modelos. Los resultados muestran que el algoritmo XGBoost tiene el mejor rendimiento entre los cuatro modelos en conjunto. La media del error absoluto y el error cuadrático medio varían alrededor del 3-5%. Los gráficos de importancia de características generados por los modelos representan la importancia de las variables en la predicción del resultado. Los modelos de aprendizaje automático propuestos ayudan a los comerciantes, inversores y gerentes de cartera a predecir mejor las tendencias del mercado de valores y, a su vez, los rendimientos, particularmente en acciones bancarias, minimizando su dependencia exclusiva de factores macroeconómicos. Las técnicas también ayudan a los participantes del mercado a anticipar cualquier acción de precio-volumen en las acciones, independientemente de su tamaño, liquidez o rotación pasada. Finalmente, las técnicas son increíblemente robustas y muestran una fuerte capacidad para predecir pronósticos de tendencias, particularmente con cualquier gran desviación.