La predicción y modelado de movimientos de precios de acciones han demostrado poseer una considerable importancia económica dentro del sector financiero. Recientemente, se han introducido una variedad de metodologías de inteligencia artificial, que abarcan tanto enfoques tradicionales de aprendizaje automático como de aprendizaje profundo, con el propósito de pronosticar las fluctuaciones de precios de acciones, generando numerosos resultados exitosos. Sin embargo, la identificación de características efectivas para predecir movimientos de acciones se considera un desafío complejo, principalmente debido a las características no lineales, volatilidad y ruido inherente presentes en los datos financieros. Este estudio presenta un innovador modelo de Transformer Convolucional Profundo (DCT) que amalgama redes neuronales convolucionales, Transformers y un mecanismo de atención multi-cabeza. Cuenta con una arquitectura de incrustación de token convolucional de inicio junto con capas completamente conectadas separables. Los experimentos realizados en el NASDAQ, el Índice Hang Seng (HSI) y el Índice Compuesto de la Bolsa de Shanghai (SSEC) utilizan el Error Absoluto Medio (MAE), el Error Cuadrático Medio (MSE), el Error Porcentual Absoluto Medio (MAPE), precisión y el Coeficiente de Correlación de Matthews (MCC) como métricas de evaluación. Los hallazgos revelan que el modelo DCT logra la mayor precisión del 58.85% en el conjunto de datos del NASDAQ con una ventana deslizante de 30 días. En cuanto a las métricas de error, supera a otros modelos, demostrando el menor error de predicción promedio en todos los conjuntos de datos para MAE, MSE y MAPE. Además, el modelo DCT alcanza los valores más altos de MCC en los tres conjuntos de datos. Estos resultados sugieren una capacidad prometedora para clasificar tendencias de precios de acciones y confirmar la superioridad del modelo DCT en la predicción de precios de cierre.