Valorar con precisión grandes carteras de Anualidades Variables (VAs) supone un desafío significativo debido a la alta carga computacional de las simulaciones de Monte Carlo y a las limitaciones de los métodos de interpolación espacial que se basan en métricas de distancia definidas manualmente. Presentamos una red de valoración de cartera residual (ResPoNet), una arquitectura novedosa de red neuronal residual mejorada con funciones de pérdida ponderadas, diseñada para mejorar la precisión y escalabilidad de la valoración. ResPoNet tiene en cuenta sistemáticamente el riesgo de mortalidad y las responsabilidades dependientes del camino utilizando capas residuales, mientras que la función de pérdida personalizada garantiza una mejor convergencia e interpretabilidad. Los resultados numéricos en carteras sintéticas de 100,000 contratos muestran que ResPoNet logra errores de valoración significativamente más bajos que los métodos neurales y espaciales de referencia, con una convergencia más rápida y una mejor generalización. El análisis de sensibilidad revela los impulsores clave del rendimiento, incluyendo la complejidad de las garantías y la madurez del contrato, demostrando la robustez y aplicabilidad práctica de ResPoNet en la valoración de VAs a gran escala.