En este trabajo, exploramos la aplicación del aprendizaje por refuerzo profundo (DRL) al trading algorítmico. Mientras que el trading algorítmico se centra en utilizar algoritmos informáticos para automatizar una estrategia de trading predefinida, en este trabajo, entrenamos a un agente de Red Q Doble Profunda (DDQN) para aprender su propia política de trading óptima, con el objetivo de maximizar los retornos mientras se gestiona el riesgo. En este estudio, ampliamos nuestro enfoque al aumentar los estados del Proceso de Decisión de Markov (MDP) con análisis de sentimiento de los estados financieros, a través del cual el agente logró hasta un 70% de aumento en la recompensa acumulativa durante el período de prueba y un aumento en la relación Calmar de 0.9 a 1.3. Los resultados experimentales también mostraron que la estrategia de trading del agente DDQN fue capaz de superar consistentemente el punto de referencia establecido por la estrategia de comprar y mantener. Además, investigamos más a fondo el impacto de la longitud de la ventana de datos del mercado pasado que el agente considera al decidir la mejor acción de trading a tomar. Los resultados de este estudio han validado la capacidad del DRL para encontrar soluciones efectivas y su importancia en el estudio del comportamiento de los agentes en los mercados. Este trabajo sirve para proporcionar a futuros investigadores una base para desarrollar sistemas de trading más avanzados y adaptativos basados en DRL.