Este estudio ha obtenido hallazgos significativos en el procesamiento de datos del mercado de acciones A y la gestión de carteras. En primer lugar, al adoptar el método Lasso y el marco CPCA, abordamos de manera efectiva el problema de la multicolinealidad entre los indicadores de características, siendo el método Lasso el que demostró un rendimiento superior en la gestión de este problema, proporcionando así un nuevo método para el procesamiento de datos financieros. En segundo lugar, las Redes Neuronales Feedforward Profundas (DFN) mostraron un rendimiento excepcional en la gestión de carteras, superando significativamente a otros métodos de aprendizaje automático evaluados y logrando altos niveles de rendimiento fuera de muestra y ratios de Sharpe. Además, identificamos de manera consistente los cambios de precios, las ganancias por acción, los activos netos por acción y los rendimientos excesivos como factores clave que influyen en las señales predictivas. Finalmente, este estudio combinó el método Lasso con DFN, proporcionando una nueva perspectiva y apoyo metodológico para la medición del precio de activos en el campo financiero.