Este documento propone un nuevo modelo de combinación lineal para predecir los precios de cierre en conjuntos de datos financieros multivariados. El nuevo enfoque integra dos retrasos de métodos de aprendizaje profundo llamado el modelo de combinación de dos retrasos. Las previsiones se derivan de tres modelos diferentes de aprendizaje profundo: el perceptrón multicapa (MLP), la red neuronal convolucional (CNN) y la red de memoria a corto y largo plazo (LSTM). Además, la combinación de pesos de nuestro modelo propuesto se estima utilizando el algoritmo de evolución diferencial (DE). El modelo propuesto se construye y se prueba para tres datos de acciones de alta frecuencia en los mercados financieros: Microsoft Corporation (MSFT), Johnson & Johnson (JNJ) y Pfizer Inc. (PFE). Los métodos de pronóstico individuales y de combinación se comparan utilizando el error cuadrático medio (RMSE) y el error porcentual absoluto medio (MAPE). Los modelos de combinación de vanguardia utilizados en este documento son el peso igual (EW), el inverso del RMSE (INV-RMSE) y los métodos de varianza-sin-covarianza (VAR-NO-CORR). Estas comparaciones demuestran que nuestro enfoque propuesto utilizando la optimización de pesos DE tiene errores de pronóstico significativamente más bajos que el modelo individual y los procedimientos de combinación de pesos de vanguardia para todos los experimentos. En consecuencia, combinar dos modelos de aprendizaje profundo con retraso utilizando pesos de evolución diferencial puede mejorar efectivamente la predicción del precio de las acciones.