Como tipo de derivado financiero, la fluctuación de precios de los futuros está influenciada por una multitud de factores, incluyendo condiciones macroeconómicas, cambios de políticas y sentimiento de mercado. La interacción de estos factores hace que la tendencia futura se vuelva compleja y difícil de predecir. Sin embargo, para los inversores, la capacidad de predecir con precisión la tendencia futura del precio de los futuros de índices bursátiles está directamente relacionada con la corrección de las decisiones de inversión y los rendimientos de inversión. Por lo tanto, predecir el mercado de futuros de índices bursátiles sigue siendo un tema principal y crítico en el campo de las finanzas. Para mejorar la precisión de la predicción del precio de los futuros de índices bursátiles, este documento introduce un método innovador de pronóstico que combina las fortalezas de las redes de Memoria a Corto y Largo Plazo (LSTM) y varios modelos de la familia Generalized Autoregressive Conditional Heteroskedasticity (GARCH), a saber, MULTI-GARCH-LSTM. Este enfoque integrado está diseñado específicamente para abordar los desafíos planteados por las características no estacionarias y no lineales de las series de precios de futuros de índices bursátiles. Esta sinergia no solo mejora la capacidad del modelo para capturar una amplia gama de comportamientos del mercado, sino que también mejora significativamente la precisión de las predicciones de precios futuros, adaptándose a la naturaleza intrincada de los datos de series temporales financieras. Inicialmente, extraemos información sobre las características de volatilidad, como la agregación de volatilidad en los precios de cierre de futuros, formulando un modelo de la familia GARCH. Posteriormente, el modelo LSTM decodifica las complejas relaciones no lineales inherentes en la serie de precios de futuros e incorpora características de volatilidad asimiladas para predecir precios futuros. La eficacia de este modelo se valida aplicándolo a un conjunto de datos auténtico de futuros de oro. Los hallazgos empíricos demuestran que el rendimiento de nuestro propuesto modelo híbrido MULTI-GARCH-LSTM supera consistentemente el de los modelos individuales, confirmando así la efectividad del modelo y su capacidad predictiva superior.