Predecir las tendencias del mercado de valores es un problema intrigante y complejo, que ha atraído considerable atención de la comunidad investigadora. En los últimos años, los investigadores han empleado técnicas de aprendizaje automático para desarrollar modelos de predicción utilizando datos de mercado numéricos y mensajes textuales en redes sociales como sus fuentes principales de información. En este artículo, proponemos User2Vec, un enfoque novedoso para mejorar la precisión de la predicción del mercado de valores, lo cual contribuye a una toma de decisiones de inversión más informada. User2Vec es un método único que reconoce el impacto desigual de las diferentes opiniones de los usuarios sobre acciones específicas, y asigna pesos a estas opiniones en función de la precisión de sus métricas sociales asociadas. El modelo User2Vec comienza codificando cada mensaje como un vector. Estos vectores luego se introducen en una red neuronal convolucional (CNN) para generar un vector de características agregadas. A continuación, un modelo apilado de memoria a corto y largo plazo bidireccional (LSTM) proporciona la representación final de los datos de entrada durante un período. Los modelos basados en LSTM han mostrado resultados prometedores al capturar eficazmente los patrones temporales en los datos del mercado en series temporales. Finalmente, la salida se introduce en un clasificador que predice la tendencia del precio de la acción objetivo para el día siguiente. A diferencia de intentos anteriores, User2Vec considera no solo el sentimiento de los mensajes, sino también la información social asociada con los usuarios y el contenido textual de los mensajes. Se ha demostrado empíricamente que esta inclusión proporciona información valiosa para predecir la dirección del mercado de valores, mejorando significativamente la precisión de la predicción. El modelo propuesto fue evaluado rigurosamente utilizando diversas combinaciones de datos de mercado, mensajes codificados y características sociales. Los estudios empíricos realizados en el mercado de valores Dow Jones 30 mostraron la superioridad del modelo sobre los modelos existentes de vanguardia. Los hallazgos de estos experimentos revelan que incluir información social sobre los usuarios y sus tweets, además del sentimiento y contenido textual de sus mensajes, mejora significativamente la precisión de la predicción del mercado de valores.