Las predicciones precisas del rendimiento posterior a la oferta pública inicial (OPI) son esenciales para tomar decisiones de inversión informadas en el sector financiero. Este documento intenta predecir el bajo rendimiento a corto plazo de las OPI durante un mes después de la cotización. El panorama actual de investigación carece de modelos modernos que aborden las necesidades de conjuntos de datos pequeños y desbalanceados relevantes para los mercados emergentes, así como las preferencias de riesgo de los inversores. Para llenar este vacío, presentamos un marco práctico que utiliza el aprendizaje en conjunto basado en árboles, incluyendo Bagging Classifier (BC), Random Forest (RF), AdaBoost (Ada), Gradient Boosting (GB), XGBoost (XG), Stacking Classifier (SC) y Extra Trees (ET), con Decision Tree (DT) como estimador base. El marco aprovecha metodologías basadas en datos para optimizar la toma de decisiones en sistemas financieros complejos, integrando el valor F de ANOVA para la selección de características, Búsqueda Aleatoria para la optimización de hiperparámetros y SMOTE para el equilibrio de clases. La efectividad del marco se evalúa utilizando un conjunto de datos recopilado a mano que incluye características tanto del prospecto previo a la OPI como de datos financieros específicos de la empresa. Evaluamos minuciosamente los resultados utilizando evaluación de división única y análisis de validación cruzada de 10 pliegues. Para la validación de división única, ET logra la mayor precisión del 86%, mientras que para la validación de 10 pliegues, BC alcanza la mayor precisión del 70%. Además, comparamos los resultados del marco propuesto con modelos de aprendizaje profundo como MLP, TabNet y ANN para evaluar su efectividad en el manejo de predicciones de bajo rendimiento de OPI. Estos resultados demuestran la capacidad del marco para permitir procesos de toma de decisiones robustos basados en datos en entornos financieros complejos y dinámicos, incluso con conjuntos de datos limitados y desbalanceados. El marco también propone una metodología dinámica llamada Marco de Predicción de Preferencias del Inversor (IPPF) para ajustar modelos de conjunto basados en árboles a las preferencias de riesgo de los inversores al predecir el bajo rendimiento de las OPI. Concluye que diferentes modelos pueden ser adecuados para varios perfiles de riesgo. Para el conjunto de datos en cuestión, ET y Ada son más apropiados para inversores aversos al riesgo, mientras que BC es adecuado para inversores tolerantes al riesgo. Los resultados subrayan la importancia del marco en la mejora de las predicciones de bajo rendimiento de las OPI, lo que puede informar mejor las estrategias de inversión y los procesos de toma de decisiones.