El uso del aprendizaje profundo en conjunto con modelos que extraen información relacionada con las emociones de los textos para predecir series temporales financieras se basa en la suposición de que lo que se dice sobre una acción está correlacionado con la forma en que esa acción fluctúa. Dado lo anterior, en este trabajo se propone una metodología de pronóstico multivariante que incorpora redes neuronales convolucionales temporales en combinación con un procedimiento de clasificación de emociones multietiqueta basado en BERT y selección de características de correlación. Se presentan los resultados de un extenso conjunto de experimentos, que incluyeron predicciones de tres marcos temporales diferentes y varios esquemas de ensamblaje multivariante que capturan 28 tipos diferentes de información relacionada con las emociones. Se demuestra que la metodología propuesta exhibe un predominio universal en cuanto al rendimiento agregado en seis métricas diferentes, superando todos los esquemas comparados, incluyendo una multitud de métodos individuales y de ensamblaje, tanto en términos de puntajes promedio agregados como en clasificaciones de Friedman. Además, los resultados indican fuertemente que el uso de características relacionadas con las emociones tiene efectos beneficiosos en los pronósticos derivados.