El problema de selección de cartera ha sido un enfoque central en la investigación financiera. Un proceso completo de selección de cartera incluye dos etapas: preselección de acciones y optimización de cartera. Sin embargo, la mayoría de los estudios existentes se centran en la optimización de carteras, a menudo pasando por alto la preselección de acciones. Para abordar este problema, este documento presenta un enfoque novedoso de dos etapas que integra el aprendizaje profundo con la optimización de carteras. En la primera etapa, desarrollamos un modelo de predicción de tendencias de acciones para la preselección de acciones llamado modelo AGC-CNN, que aprovecha una red neuronal convolucional (CNN), un mecanismo de autoatención, una Red de Convolución de Grafos (GCN) y vecinos más cercanos k-recíprocos (k-reciprocal NN). Específicamente, utilizamos una CNN para capturar información individual de las acciones y una GCN para capturar las relaciones entre las acciones. Además, incorporamos el mecanismo de autoatención en la GCN para extraer características de datos más profundas y empleamos k-reciprocal NN para mejorar la precisión y robustez de la estructura del gráfico en la GCN. En la segunda etapa, empleamos el modelo de Varianza Mínima Global (GMV) para la optimización de carteras, culminando en el enfoque de dos etapas AGC-CNN+GMV. Validamos empíricamente el enfoque de dos etapas propuesto utilizando datos del mundo real a través de estudios numéricos, logrando un aumento de aproximadamente el 35% en los Retornos Acumulativos en comparación con los modelos de optimización de carteras sin preselección de acciones, demostrando su sólido desempeño en el Retorno Promedio, Índice de Sharpe, Índice de Sharpe ajustado por rotación y Índice de Sortino.