Este estudio investigó el rendimiento de un agente de trading basado en un modelo de red neuronal convolucional en la gestión de carteras. Los resultados mostraron que con datos del mundo real, el agente pudo producir resultados comerciales relevantes, mientras que el comportamiento del agente correspondía al de un tomador de alto riesgo. Los datos utilizados fueron amplios en comparación con investigaciones previamente reportadas y se basaron en el conjunto completo de datos de acciones del S&P 500 durante veintiún años, complementados con ratios financieros seleccionados. Los resultados presentados son novedosos en términos del tamaño del conjunto de datos utilizado y en cuanto al modelo utilizado. Los resultados proporcionan dirección y ofrecen una visión de cómo los métodos de aprendizaje profundo pueden ser utilizados en la construcción de sistemas de trading automáticos.