Este estudio desafía la creencia predominante en la necesidad de modelos complejos para una predicción precisa al demostrar la efectividad de modelos econométricos parsimoniosos, a saber, ARCH(1) y GARCH(1,1), sobre enfoques robustos de aprendizaje profundo, como las redes neuronales LSTM y 1D-CNN, en la modelización de la volatilidad histórica dentro de los mercados de valores pre-emergentes, específicamente los mercados de valores marroquí y bahreiní. Los hallazgos sugieren reevaluar el equilibrio entre la complejidad del modelo y la precisión predictiva. Las direcciones futuras de investigación incluyen investigar la posible existencia de efectos umbral en la capitalización de mercado para un rendimiento óptimo del modelo. Esta investigación contribuye a una comprensión más profunda de la dinámica de la volatilidad y mejora la efectividad de los modelos de predicción en diversas condiciones de mercado.