Las series temporales financieras son conocidas por su naturaleza no lineal y no estacionaria. La aplicación de modelos econométricos convencionales en la predicción puede incurrir en errores significativos. El rápido avance de las técnicas de cómputo suave proporciona un enfoque alternativo para estimar y pronosticar los precios volátiles de las acciones. Los enfoques de cómputo suave explotan la tolerancia a la imprecisión, la incertidumbre y la verdad parcial para resolver progresiva y adaptativamente problemas prácticos. En este estudio, se presenta una revisión exhaustiva de las últimas herramientas de cómputo suave. Luego, se realizan ejemplos que incorporan una serie de modelos de aprendizaje automático, incluyendo modelos individuales y híbridos, para predecir los precios de dos índices representativos y una acción en el mercado de Hong Kong. Se evalúan y comparan las actuaciones de predicción de diferentes modelos. También se investigan los efectos del tamaño de la muestra de entrenamiento y los patrones de las acciones (es decir, el momentum y la reversión a la media) en la predicción del modelo. Los resultados indican que los modelos basados en redes neuronales artificiales (ANN) proporcionan la mayor precisión de predicción. También se encontró que la determinación del tamaño óptimo de la muestra de entrenamiento debe tener en cuenta el patrón y la volatilidad de las acciones. Se podrían incurrir grandes errores de predicción cuando las acciones muestran una transición entre la reversión a la media y la tendencia del momentum.