En este artículo, incorporamos un modelo GARCH en una red neuronal artificial (ANN) para el modelado de la volatilidad financiera y estimamos los parámetros en Tensorflow. Nuestro objetivo era predecir mejor la volatilidad de las acciones. Evaluamos el rendimiento de los modelos utilizando los errores absolutos medios de las potencias de los rendimientos fuera de muestra entre el 2 de marzo de 2018 y el 28 de febrero de 2020. Nuestros resultados muestran que nuestro procedimiento de modelado con una ANN puede superar al modelo GARCH(1,1) estándar con distribución t de Student estandarizada. Nuestro análisis de importancia de variables muestra que la Deuda Neta/EBITA se encuentra entre las seis variables predictoras más importantes en todos los modelos de red neuronal que hemos examinado. La principal contribución de este artículo es que proponemos un modelo de Memoria a Largo y Corto Plazo (LSTM) con un marco GARCH porque LSTM puede considerar sistemáticamente la posible no linealidad en la estructura de volatilidad en diferentes puntos en el tiempo. Una de las ventajas de nuestra investigación es que los modelos propuestos son fáciles de implementar porque nuestros modelos propuestos pueden ejecutarse en Tensorflow, un paquete de Python que permite una optimización rápida y automática. Otra ventaja es que los modelos propuestos permiten el análisis de importancia de variables.