En este trabajo, investigamos la aplicación del Aprendizaje Profundo en la selección de cartera en un marco de media-varianza de Markowitz. Nos referimos a un modelo regularizado de múltiples períodos; la elección de la norma tiene como objetivo producir soluciones dispersas. Un problema crucial es la elección del parámetro de regularización, que debe lograr un equilibrio entre la fidelidad a los datos y la regularización. Proponemos un algoritmo basado en redes neuronales para la selección automática del parámetro de regularización. Una vez completado el entrenamiento de la red neuronal, se puede calcular una estimación del parámetro de regularización a través de la propagación hacia adelante. Experimentos numéricos y comparaciones realizadas en datos reales validan el enfoque.