Con el continuo desarrollo de los mercados financieros en todo el mundo para abordar cambios rápidos como el cambio climático y el calentamiento global, se ha reconocido cada vez más la importancia de la predicción de series temporales financieras en la operación y gestión de los mercados financieros. En este documento, proponemos un nuevo modelo de predicción de series temporales financieras basado en el modelo de conjunto de aprendizaje profundo. El modelo se construye aprovechando una red neuronal convolucional (CNN), una red neuronal de memoria a corto plazo (LSTM) y el modelo autorregresivo de media móvil (ARMA). El modelo CNN-LSTM se introduce para modelar la característica de datos espacio-temporales, mientras que el modelo ARMA se utiliza para modelar la característica de datos de autocorrelación. Estos modelos se combinan en el marco de conjunto para modelar la mezcla de características de datos lineales y no lineales en la serie temporal financiera. Los resultados empíricos utilizando datos de series temporales financieras muestran que el modelo de predicción de series temporales financieras basado en el conjunto de aprendizaje profundo propuesto logró un rendimiento superior en términos de precisión y robustez en comparación con los modelos individuales de referencia.