Este estudio tiene como objetivo combinar el uso de modelos de heterocedasticidad condicional autorregresiva generalizada dinámica (DCC-GARCH) y técnicas de aprendizaje profundo en el análisis de la correlación dinámica entre los mercados de valores. Primero, examinamos el efecto de contagio de la crisis financiera de alto riesgo durante el COVID-19 en los Estados Unidos sobre el mercado de valores latinoamericano utilizando un enfoque de correlación condicional dinámica. El estudio abarca el período de 2014 a 2020, dividido en el período previo al COVID-19 (enero de 2014-febrero de 2020) y el período del COVID-19 (marzo de 2020-noviembre de 2020), para examinar el cambio repentino en la correlación condicional promedio de un período a otro e identificar el efecto de contagio. La prueba de contagio mostró un contagio significativo entre el S&P 500 y los índices latinoamericanos, excepto para el MERVAL de Argentina. Además, aplicamos modelos de aprendizaje profundo, específicamente LSTM, para predecir la dinámica del mercado y los cambios en la volatilidad como un sistema de alerta temprana. Los resultados indican que la incorporación de LSTM mejoró la precisión de la predicción de correlaciones dinámicas y proporcionó señales tempranas de riesgo durante la crisis. Esto sugiere que combinar DCC-GARCH con técnicas de aprendizaje profundo es una herramienta poderosa para predecir y gestionar el riesgo financiero en mercados altamente inciertos.