Los datos de series temporales financieras se caracterizan por la no linealidad, no estacionariedad y complejidad estocástica, por lo que predecir tales datos presenta un desafío significativo. Este documento propone un modelo híbrido novedoso para la predicción financiera basado en CEEMDAN-SE y ARIMA-CNN-LSTM. Con la ayuda del método CEEMDAN-SE, los datos originales se descomponen en varias IMF y se reconstruyen a través de la entropía de muestra en un componente de alta frecuencia estacionario de baja complejidad y un componente de baja frecuencia. El componente de alta frecuencia es predicho por el modelo de pronóstico estadístico ARIMA, mientras que el componente de baja frecuencia es predicho por un modelo de red neuronal que combina CNN y LSTM. En comparación con algunos modelos de predicción clásicos, nuestro algoritmo muestra un rendimiento superior en términos de tres índices de evaluación, a saber, RMSE, MAE y MAPE, mejorando efectivamente la precisión del modelo mientras se reduce la carga computacional.