Este artículo presenta métodos computacionales avanzados para la predicción de precios de acciones, integrando Redes Neuronales Recurrentes Rápidas (FastRNN) con algoritmos metaheurísticos como el Algoritmo de Optimización de Manada de Caballos (HOA) y el Optimizador de Hiena Manchada (SHO). Al desafiar la Hipótesis del Mercado Eficiente (EMH) y la Hipótesis del Paseo Aleatorio, nuestra investigación demuestra la efectividad de estos modelos híbridos en mercados semi-fuertes o de forma débil eficientes. El estudio aprovecha datos de cinco empresas iraníes cotizadas (2011-2021) y 25 factores que abarcan consideraciones técnicas, fundamentales y económicas. Nuestros hallazgos destacan la superior precisión del FastRNN optimizado por HOA, SHO y una Red Generativa Antagónica (GAN) en la previsión de precios de acciones en comparación con los modelos convencionales de FastRNN. Esta investigación contribuye al campo multidisciplinario de la economía computacional, enfatizando las capacidades de computación avanzada para abordar problemas económicos complejos a través de enfoques innovadores en econometría, optimización y aprendizaje automático.