Chaotic time series forecasting is a problem with a wide range of applications. Although several methods have been developed to obtain an accurate prediction, nowadays, forecasting is still an open problem. The chaotic nature of a time series generator system makes difficult a prediction since it is highly sensitive to its initial conditions; a small change may cause future estimations to diverges exponentially. Traditional prediction techniques based on linear approximation methods fail drastically when they are used to forecast this kind of time series. Some nonlinear methods such as neural networks show a better performance in this cases, but an accurate prediction is not possible yet, especially when they estimate many future values. In this work, a new architecture inspired on a recurrent neural network known as Hybrid-Complex Neural Network for short time series forecasting is proposed and its performance compared with another neural models. To achieve a prediction, the proposed model takes advantage of information obtained by frequency decomposition from wavelet transforms and of the oscillatory abilities of recurrent neural networks. The proposed model shows a better performance than a fully recurrent neural network and a feedforward neural network in forecasting 56 values of the Sumsin (Misiti y colaboradores, 2008) time series and 11 of 111 series from the NN5 dataset (Crone, 2008), the latter used as benchmark in several works and in the “Artificial Neural Network & Computational Intelligence Forecasting Competition”. The new model obtained an symmetric mean absolute percentage error (sMAPE) average of 27.217%, compared to 60.755% obtained by fully recurrent neural network and 49.276% obtained by a feedforward neuronal network.La predicción de series de tiempo que presentan características caóticas es un problema con un amplio rango de aplicaciones. Aunque se han desarrollado gran cantidad de métodos para tratar de obtener una predicción precisa, éste continúa siendo un problema abierto al día de hoy. La naturaleza caótica del sistema generador de la serie dificulta la predicción al ser altamente sensible a las condiciones iniciales; una pequeña perturbación puede provocar que los valores subsecuentes diverjan exponencialmente. Los métodos tradicionales de predicción basados en sistemas de aproximación lineales fracasan fuertemente cuando se aplican para la predicción en este tipo de series. Algunos métodos no lineales como las redes neuronales artificiales muestran un mejor desempeño en estos casos; sin embargo, estos métodos aún no consiguen una predicción suficientemente satisfactoria, en especial cuando estiman a la vez varios valores del futuro. En este trabajo se propone una nueva arquitectura inspirada en la red recurrente conocida como red neuronal híbrida compleja (HCNN, del inglés Hybrid- Complex Neural Network) para predicción a corto plazo de series de tiempo caóticas y se analiza su desempeño comparándola con otros modelos neuronales. Para lograr la predicción, el modelo propuesto aprovecha la información resultante de la descomposición de frecuencias de la transformada wavelet y de las capacidades oscilatorias de las redes neuronales recurrentes. El modelo propuesto mostró un mejor desempeño que una red totalmente recurrente y una red de alimentación progresiva, también conocida como red de alimentación hacia adelante (del inglés, feedforward network), en la predicción de 56 valores de la series Sumsin (Misiti y colaboradores, 2008) y 11 series de un conjunto de 111 series temporales llamado NN5 (Crone, 2008) el cual es utilizado en varios trabajos de predicción de series de tiempo a largo plazo y en la “Artificial Neural Network & Computational Intelligence Forecasting Competition”. El nuevo modelo obtuvo un error porcentual absoluto medio simétrico (sMAPE) promedio de 27.217% en la NN5, comparado con 60.755% obtenido por la red neuronal totalmente recurrente y 49.276% por la red de alimentación progresiva.