Las redes neuronales son muy adecuadas para predecir resultados futuros de series temporales para varios tipos de datos. Este artículo propone un modelo híbrido de red neuronal para describir los resultados de la base de datos de la Bolsa de Valores de Nueva York (NYSE). Este modelo híbrido combina un mapa autoorganizado (SOM) con un perceptrón multicapa con algoritmo de retropropagación (MLP-BP). El SOM tiene como objetivo segmentar la base de datos en diferentes clústeres, donde se destacan las diferencias entre ellos. El MLP-BP se utiliza para construir un modelo matemático descriptivo que describe la relación entre los indicadores y el valor de cierre de cada clúster. El modelo se desarrolló a partir de una base de datos que consiste en el Índice Compuesto US 100 de la NYSE durante el período del 2 de abril de 2004 al 31 de diciembre de 2015. Como variables de entrada para las redes neuronales, se utilizaron diez indicadores financieros técnicos. Los resultados del modelo fueron bastante precisos, con un error porcentual absoluto medio que varía entre el 0.16% y el 0.38%.