Este estudio explora la aplicación de series temporales, modelos de aprendizaje automático (ML) y aprendizaje profundo (DL) para predecir los precios y el rendimiento de los ETFs de opciones cubiertas. Utilizando datos históricos de importantes ETFs de opciones cubiertas como QYLD, XYLD, JEPI, JEPQ y RYLD, la investigación evalúa la precisión predictiva y la fiabilidad de diferentes enfoques de pronóstico. Compara métodos tradicionales de series temporales, incluyendo ARIMA y el Modelo Autorregresivo Heterogéneo (HAR), con técnicas avanzadas de ML como Bosques Aleatorios (RF) y Regresión de Vectores de Soporte (SVR), así como modelos de DL como Redes Neuronales Recurrentes (RNN) y Redes Neuronales Convolucionales (CNN). El rendimiento del modelo se evalúa utilizando métricas como el Error Absoluto Medio (MAE), el Error Cuadrático Medio (RMSE), el Error Porcentual Absoluto Medio (MAPE), el Criterio de Información de Akaike (AIC) y el Criterio de Información Bayesiano (BIC). Los resultados indican que los modelos de DL son efectivos para identificar los patrones no lineales y las dependencias temporales en los movimientos de precios de los ETFs de opciones cubiertas, superando tanto a los métodos tradicionales de series temporales como a las técnicas de ML. Estos hallazgos enriquecen la literatura existente sobre pronósticos financieros y ofrecen valiosos conocimientos para inversores y gestores de carteras que buscan mejorar sus estrategias utilizando ETFs de opciones cubiertas.