Este documento explora la aplicación de la Teoría de Matrices Aleatorias (RMT) como un complemento metodológico para la selección de carteras dentro de los mercados financieros. Los enfoques tradicionales para la optimización de carteras a menudo se basan en estimaciones históricas de matrices de correlación, que son particularmente susceptibles a inestabilidades. Para abordar este desafío, combinamos una técnica de preprocesamiento de datos basada en la transformación de Hilbert de rendimientos con RMT para refinar la precisión y robustez de la estimación de la matriz de correlación. Al comparar las correlaciones empíricas con las generadas a través de RMT, revelamos propiedades no aleatorias y descubrimos relaciones subyacentes dentro de los datos financieros. Luego utilizamos esta metodología para construir la estructura de dependencia de la red de correlación utilizada en la optimización de carteras. El análisis empírico presentado en este documento valida la efectividad de RMT en mejorar la diversificación de carteras y estrategias de gestión de riesgos. Esta investigación contribuye al ofrecer a inversores y gestores de carteras ideas metodológicas para construir carteras que sean más estables, robustas y diversificadas. Al mismo tiempo, avanza en nuestra comprensión de los intrincados principios estadísticos subyacentes a los datos financieros multivariados.