Este documento tiene como objetivo evaluar la capacidad de pronóstico de los mercados eléctricos, categorizados por numerosas características principales como no estacionariedad, no linealidad, alta volatilidad, alta frecuencia, reversión a la media y múltiples estacionalidades, que ofrecen pronósticos diversos. Para mejorarlo, esta investigación propone un nuevo enfoque híbrido que vincula un proceso dual de memoria larga (promedio móvil autorregresivo de Gegenbauer (GARMA) y GARCH de memoria larga generalizada (G-GARCH)) y los enfoques de transformación de wavelet empírica (EWT) y red neuronal wavelet lineal local (LLWNN), formando el modelo GARMA-EWLLWNN de k-factores. El modelo híbrido futuro logrado se evalúa a través de datos de los mercados eléctricos polacos, y se compara con el proceso GARMA-G-GARCH de k-factores de memoria larga generalizada y el híbrido EWLLWNN, para demostrar la robustez de nuestro enfoque. Los resultados obtenidos muestran que el modelo sugerido presenta resultados importantes para definir la relevancia del enfoque de modelado que ofrece un marco notable para reproducir las características inherentes de los precios de la electricidad. Finalmente, se presenta que la metodología adoptada es la más apropiada para la predicción, ya que realiza un mejor rendimiento de predicción y puede ser una respuesta para pronosticar los precios de la electricidad.