En este trabajo se propone un modelo hibrido LSTM-GARCH para el pronostico de la volatilidad de la tasa representativa del mercado (TRM). Este modelo es una red neuronal recurrente LSTM, en la cual se incluyen como variables explicativas los coeficientes de modelos de series de tiempo GARCH, EGARCH y EWMA para la TRM, de acuerdo a la metodologia de Kim y col. 2018. Tanto los modelos GARCH como el modelo LSTM se estiman con datos historicos desde el ano 2008 hasta junio de 2018, y los pronosticos generados se contrastan con datos desde julio 2018 a julio 2019. Los resultados se comparan utilizando varias medidas de error lineales y no-lineales. Se evidencia que la inclusion de los coeficientes de los modelos GARCH y EGARCH mejora la precision de las predicciones del modelo hibrido LSTM comparado con un modelo LSTM estandar.