Los datos financieros son un tipo de datos de series temporales históricos que proporcionan una gran cantidad de información que se emplea con frecuencia en tareas de análisis de datos. La pregunta de cómo pronosticar los precios de las acciones sigue siendo un tema de interés tanto para los inversores como para los profesionales financieros. El pronóstico de precios de acciones es bastante desafiante debido al ruido significativo, la no linealidad y la volatilidad de los datos de series temporales sobre los precios de las acciones. Los estudios anteriores se centran en un solo parámetro de acciones como el precio de cierre. Se propone un modelo de pronóstico híbrido de aprendizaje profundo. El modelo toma los datos de acciones de entrada y pronostica dos parámetros de acciones, el precio de cierre y el precio máximo para el día siguiente. Los experimentos se realizan en el Índice Compuesto de Shanghai (000001), y las comparaciones se han realizado con métodos existentes. Estos métodos existentes son CNN, RNN, LSTM, CNN-RNN y CNN-LSTM. El resultado generado muestra que CNN tiene el peor rendimiento, LSTM supera a CNN-LSTM, CNN-RNN supera a CNN-LSTM, CNN-RNN supera a LSTM, y el modelo RNN de una sola capa sugerido supera a todos los demás modelos. El modelo RNN de una sola capa propuesto mejora en un 2,2%, 0,4%, 0,3%, 0,2% y 0,1%. Los resultados experimentales validan la efectividad del modelo propuesto, que ayudará a los inversores a aumentar sus ganancias tomando buenas decisiones.