Este estudo avalia o desempenho preditivo fora da amostra de modelos híbridos ARMA–LSTM aplicados aos retornos diários de ações de empresas do setor de tecnologia, a saber, NVIDIA, Intel e AMD. A abordagem proposta combina modelos lineares ARMA com redes neurais do tipo Long Short Term Memory (LSTM) aplicadas aos resíduos, com o objetivo de capturar possíveis dinâmicas não lineares. A acurácia das previsões é avaliada exclusivamente por meio de métricas fora da amostra, incluindo RMSE, MAE, MAPE, coeficiente U de Theil, taxa de acerto e o teste de Diebold–Mariano. Os resultados indicam que o modelo híbrido ARMA LSTM apresenta melhorias modestas em relação aos modelos ARMA isolado e LSTM puro em determinados ativos e períodos, especialmente durante episódios de maior volatilidade. Esses achados sugerem que a decomposição entre componentes lineares e não lineares pode oferecer ganhos incrementais na previsão de retornos de curto prazo, ao mesmo tempo em que reforçam a previsibilidade limitada e instável dos retornos financeiros.