La minería de datos en flujo (DSM) representa un proceso prometedor para predecir series temporales financieras de tipos de cambio. Los datos históricos financieros generan varios tipos de patrones cíclicos que evolucionan, crecen, disminuyen y terminan muriendo. Dentro de los datos históricos, podemos notar tendencias a largo plazo, estacionales e irregulares. Todos estos cambios hacen que los modelos tradicionales de aprendizaje automático estático no sean relevantes para esos casos de estudio. La evolución estadísticamente inestable del comportamiento del mercado financiero produce un deterioro progresivo en cualquier modelo estático entrenado. Esos modelos no proporcionan las características requeridas para evolucionar continuamente y mantener un buen rendimiento de pronóstico a medida que cambia la distribución de los datos. El aprendizaje en línea sin mecanismos de DSM también puede perder cambios repentinos o rápidos. En este documento, proponemos una metodología de DSM posible, intentando hacer frente a esa inestabilidad implementando una estrategia incremental y adaptativa. El algoritmo propuesto incluye el algoritmo de Descenso de Gradiente Estocástico en línea (SGD), cuyos pesos se optimizan utilizando la Metaheurística de Optimización de Enjambre de Partículas (PSO) para identificar patrones de gráficos repetitivos en los datos históricos de FOREX al predecir los valores futuros del par EUR/USD. El cambio de tendencia de los datos se detecta utilizando una técnica estadística que estudia si las instancias de la serie temporal recibidas son estacionarias o no. Por lo tanto, el tamaño de la ventana deslizante se minimiza a medida que se detectan cambios y se maximiza a medida que la distribución se vuelve más estable. Los resultados, aunque preliminares, muestran que la predicción del modelo es mejor utilizando ventanas deslizantes flexibles que se adaptan según los cambios de distribución detectados utilizando la estacionariedad en comparación con el aprendizaje utilizando un tamaño de ventana fijo que no incorpora técnicas para detectar y responder a cambios de patrón.