Proponemos un marco de reequilibrio de cartera que integra modelos de aprendizaje automático en carteras de media-riesgo en entornos de múltiples períodos con ajuste de aversión al riesgo. En cada período, el coeficiente de aversión al riesgo se ajusta automáticamente de acuerdo con los movimientos de tendencia del mercado predichos por los modelos de aprendizaje automático. Empleamos la Diferencia Media de Gini (GMD) para especificar el riesgo de una cartera y utilizamos un conjunto de indicadores técnicos generados a partir de un índice de mercado (por ejemplo, el índice S&P 500) para alimentar los modelos de aprendizaje automático y predecir los movimientos del mercado. Utilizando un enfoque de horizonte rodante, llevamos a cabo una serie de pruebas computacionales con datos financieros reales para evaluar el rendimiento del marco de reequilibrio de cartera integrado con aprendizaje automático. Los resultados empíricos muestran que el modelo XGBoost proporciona la mejor predicción del movimiento del mercado, mientras que la estrategia de reequilibrio de cartera propuesta genera carteras con rendimientos superiores fuera de la muestra en términos de rendimientos promedio, rendimientos acumulativos en series temporales y rendimientos anualizados en comparación con los puntos de referencia.