Los mercados de futuros ofrecen a los inversores muchas ventajas atractivas, incluida alta apalancamiento, alta liquidez, retornos justos y rápidos. Las posiciones altamente apalancadas y los grandes tamaños de contrato, por otro lado, exponen a los inversores al riesgo de pérdidas masivas incluso por cambios menores en el mercado. Entre las numerosas herramientas de pronóstico del mercado de valores, el aprendizaje profundo ha surgido recientemente como una herramienta favorita en la comunidad de investigación. Este estudio presenta un enfoque para aplicar modelos de aprendizaje profundo para predecir el promedio mensual del Índice de Capitalización Ponderada de Taiwán (TAIEX) para respaldar la toma de decisiones en la negociación de futuros Mini-TAIEX (MTX). Inspeccionamos muchos factores financieros y económicos globales para encontrar las variables predictoras más valiosas para el TAIEX, y examinamos tres arquitecturas de aprendizaje profundo diferentes para construir modelos de predicción. Luego se realizó una simulación en la negociación de MTX con una estrategia comercial simple y dos estrategias de stop-loss diferentes para mostrar la efectividad de los modelos. Descubrimos que la Red Convolucional Temporal (TCN) funcionó mejor que otros modelos, incluidos los dos baselines, es decir, regresión lineal y aumento extremo del gradiente. Además, las estrategias de stop-loss son necesarias, y una simple podría ser suficiente para reducir efectivamente una pérdida grave.