En este artículo, examinamos si la incorporación de medidas de complejidad como características en algoritmos de aprendizaje profundo (DL) mejora su precisión en la predicción de la volatilidad del mercado de divisas. Nuestro enfoque implicó la integración gradual de medidas de complejidad junto con características tradicionales para determinar si su inclusión proporcionaría información adicional que mejorara la precisión predictiva del modelo. Para nuestros análisis, empleamos redes neuronales recurrentes (RNN), memoria a largo y corto plazo (LSTM) y unidades recurrentes con compuerta (GRU) como arquitecturas de modelos DL, utilizando el exponente de Hurst y la entropía difusa como medidas de complejidad. Todos los análisis se realizaron sobre datos intradía de cuatro pares de divisas altamente líquidos, con la volatilidad estimada utilizando el estimador basado en rangos. Nuestros hallazgos indicaron que la inclusión de medidas de complejidad como características mejoró significativamente la precisión de los modelos DL en la predicción de la volatilidad. Al lograr esto, contribuimos a un área de investigación relativamente inexplorada, ya que esta es la primera vez que se aplica un enfoque de este tipo a la predicción de la volatilidad del mercado de divisas. Además, realizamos un análisis comparativo del rendimiento de los tres modelos, revelando que los modelos LSTM y GRU demostraron consistentemente una precisión superior. Finalmente, nuestros hallazgos también tienen implicaciones prácticas, ya que pueden ayudar a los gestores de riesgos y a los responsables de políticas a pronosticar la volatilidad en el mercado de divisas.