El seguro de cartera de costo mínimo (MCPI) es una estrategia de inversión bien conocida que intenta limitar las pérdidas que una cartera puede sufrir a medida que disminuyen los precios de las acciones sin requerir que el administrador de la cartera venda esas acciones. En esta investigación, definimos y estudiamos el problema MCPI variable en el tiempo como un problema de programación lineal variable en el tiempo. Específicamente, utilizando conjuntos de datos del mundo real, se emplean tres redes neuronales de corrección de errores diferentes para abordar este problema de programación lineal financiera variable en el tiempo en tiempo continuo. Estos solucionadores de redes neuronales son la red neuronal de cero (ZNN), la red neuronal primal-dual de desigualdad variacional lineal (LVI-PDNN) y la LVI-PDNN simplificada (S-LVI-PDNN). Los solucionadores de redes neuronales se prueban utilizando datos del mundo real en carteras de hasta 20 acciones, y los resultados muestran que son capaces de resolver eficientemente el problema financiero, en algunos casos más de cinco veces más rápido que los métodos tradicionales, aunque su precisión disminuye a medida que aumenta el tamaño de la cartera. Esto demuestra la rapidez y precisión de los solucionadores de redes neuronales, mostrando su superioridad sobre los métodos tradicionales en carteras de tamaño moderado. Para promover y respaldar los resultados de esta investigación, creamos dos repositorios de MATLAB, para el usuario interesado, que son accesibles públicamente en GitHub.