La contribución de este artículo es doble. En primer lugar, presentamos ProbCast, un nuevo modelo probabilístico para la predicción de series temporales multivariadas. Empleamos un marco de trabajo GAN condicional para entrenar nuestro modelo con entrenamiento adversarial. En segundo lugar, proponemos un marco de trabajo que nos permite transformar un modelo determinista en uno probabilístico con un rendimiento mejorado. La motivación del marco de trabajo es transformar modelos de pronóstico de punto existentes altamente precisos en sus contrapartes probabilísticas o entrenar GAN de manera estable seleccionando cuidadosa y eficientemente la arquitectura de los componentes de GAN. Realizamos experimentos con dos conjuntos de datos disponibles públicamente: un conjunto de datos de consumo de electricidad y un conjunto de datos de tipo de cambio. Los resultados de los experimentos demuestran el rendimiento notable de nuestro modelo, así como la aplicación exitosa de nuestro marco propuesto.