El trading algorítmico es un tema común investigado en la red neuronal debido a la abundancia de datos disponibles. Es un fenómeno donde existe una relación aproximadamente lineal entre dos o más variables independientes. Es especialmente prevalente en datos financieros debido a la naturaleza interrelacionada de los datos. Los métodos de selección de características existentes no son lo suficientemente eficientes para resolver este problema debido a la posible pérdida de información esencial y relevante. Estos métodos tampoco pueden considerar la interacción entre características. Por lo tanto, propusimos dos mejoras para aplicar a la red neuronal de Memoria a Corto y Largo Plazo (LSTM) en este estudio. Es el Módulo de Reducción de Multicolinealidad (MRM) basado en atención incrustada de correlación para mitigar la multicolinealidad sin eliminar características. La motivación de las mejoras es permitir que el modelo prediga utilizando la relevancia y redundancia dentro de los datos. La primera contribución del artículo es permitir que una red neuronal mitigue los efectos de la multicolinealidad sin eliminar ninguna variable. La segunda contribución es mejorar los retornos comerciales cuando se aplican nuestros mecanismos propuestos a un LSTM. Este estudio comparó el rendimiento de clasificación entre los modelos LSTM con y sin el módulo de atención incrustada de correlación. El resultado experimental revela que una red neuronal puede aprender la relevancia y redundancia de los datos financieros para mejorar el rendimiento de clasificación deseado. Además, los retornos comerciales de nuestro módulo propuesto son un 46.82% más altos sin sacrificar el tiempo de entrenamiento. Además, el MRM está diseñado para ser un módulo independiente e interoperable con modelos existentes.