La optimización de carteras y la gestión cuantitativa del riesgo se han estudiado extensamente desde la década de 1990 y comenzaron a atraer aún más atención después de la crisis financiera de 2008. Este desastre llevó a los gestores de carteras a reevaluar y mitigar la compensación entre riesgo y retorno al construir las carteras de sus clientes. El avance de los algoritmos de aprendizaje automático y los recursos informáticos ayuda a los gestores de carteras a explorar información rica al incorporar condiciones macroeconómicas en sus estrategias de inversión y optimizar el rendimiento de sus carteras de manera oportuna. En este documento, presentamos un enfoque basado en simulaciones al fusionar una serie de factores macroeconómicos utilizando Redes Neuronales (NN) para construir un Modelo Predictivo Basado en Factores Económicos (EFPM). Luego, lo combinamos con el modelo de simulación Copula-GARCH y el marco de Valor en Riesgo Condicional Medio (Mean-CVaR) para derivar una cartera óptima compuesta por seis fondos indexados. Se realizan pruebas empíricas sobre la cartera resultante en un conjunto de datos fuera de muestra utilizando un enfoque de horizonte rodante. Finalmente, comparamos su rendimiento con respecto a tres carteras de referencia durante un período de casi doce años (01/2007-11/2019). Los resultados indican que la estrategia de asignación de activos basada en EFPM supera a las tres alternativas en muchas métricas comunes, incluyendo retorno anualizado, volatilidad, ratio de Sharpe, máxima caída y CVaR al 99%.