Los métodos de inteligencia artificial (IA) son alternativas interesantes a los enfoques clásicos para modelar series temporales financieras, ya que relajan las suposiciones impuestas sobre el proceso generador de datos por los modelos paramétricos y no imponen ninguna restricción sobre la forma funcional del modelo. Aunque muchos estudios han empleado estas técnicas para modelar series temporales financieras, la conexión entre el rendimiento de los modelos y las características estadísticas de las series de datos aún no ha sido investigada. Por lo tanto, esta investigación tiene como objetivo estudiar el rendimiento de la Programación de Expresión Génica (GEP) para modelar series financieras mensuales y semanales que presentan tendencia y/o estacionalidad y después de la eliminación de cada componente. Se muestra que la normalidad y la homocedasticidad de las series no influyen en la calidad de los modelos. La eliminación de la tendencia aumenta el rendimiento de los modelos, mientras que la eliminación de la estacionalidad resulta en disminuir la bondad del ajuste. También se proporcionan comparaciones con los modelos ARIMA construidos.