Las características de alta complejidad, alta recompensa y alto riesgo de los mercados financieros los convierten en un área de estudio importante e interesante. La teoría de ondas de Elliott describe los modelos cambiantes de los mercados financieros de forma categórica en términos de modelos de ondas y es una representación avanzada de series temporales financieras. Mientras tanto, el aprendizaje profundo es una técnica innovadora para modelos inteligentes no lineales, que tiene como objetivo descubrir representaciones avanzadas de datos y así obtener las leyes intrínsecas subyacentes a los datos. Este estudio propone una combinación innovadora de estos dos conceptos para crear un modelo de aprendizaje profundo + principio de ondas de Elliott (DL-EWP). Este modelo logra predecir los movimientos futuros del mercado extrayendo y clasificando modelos de ondas de Elliott de series temporales financieras. La eficacia del modelo se valida empíricamente ejecutándolo en datos financieros de tres mercados principales y comparando los resultados con los de los modelos SAE, MLP, red BP, PCA-BP y SVD-BP. Curiosamente, el modelo DL-EWP basado en redes de confianza profundas supera a otros modelos en términos de estabilidad, velocidad de convergencia y precisión, y tiene un rendimiento de pronóstico más alto. Por lo tanto, el modelo DL-EWP puede mejorar la precisión de los modelos de pronóstico financiero que incorporan la teoría de ondas de Elliott.