Las predicciones de acciones y divisas (Forex) siempre han sido un área de estudio candente y rentable. Las aplicaciones de aprendizaje profundo han demostrado ofrecer una mayor precisión y retorno en el campo de la predicción financiera y pronóstico. En esta encuesta, seleccionamos artículos de la base de datos del Proyecto de Bibliografía y Biblioteca Digital (DBLP) para su comparación y análisis. Clasificamos los artículos según diferentes métodos de aprendizaje profundo, que incluyeron Redes Neuronales Convolucionales (CNN); Memoria a Corto Plazo de Largo Plazo (LSTM); Red Neuronal Profunda (DNN); Redes Neuronales Recurrentes (RNN); Aprendizaje por Refuerzo; y otros métodos de aprendizaje profundo como Redes de Atención Híbridas (HAN), mecanismo de aprendizaje a ritmo propio (NLP) y Wavenet. Además, este artículo revisa el conjunto de datos, las variables, el modelo y los resultados de cada artículo. La encuesta presenta los resultados a través de las métricas de rendimiento más utilizadas: Error Cuadrático Medio (RMSE), Error Porcentual Absoluto Medio (MAPE), Error Absoluto Medio (MAE), Error Cuadrático Medio (MSE), precisión, ratio de Sharpe y tasa de retorno. Identificamos que los modelos recientes que combinan LSTM con otros métodos, por ejemplo, DNN, son ampliamente investigados. El aprendizaje por refuerzo y otros métodos de aprendizaje profundo han dado grandes retornos y rendimientos. Concluimos que, en los últimos años, la tendencia de utilizar métodos basados en aprendizaje profundo para la modelización financiera está aumentando exponencialmente.