Este documento propone un método de aproximación para crear una estrategia de cartera óptima en tiempo continuo basada en una combinación de redes neuronales y Monte Carlo, denominado NNMC. Este trabajo está motivado por la creciente complejidad de los modelos en tiempo continuo y los hechos estilizados reportados en la literatura. Trabajamos dentro de la teoría de la utilidad esperada para la selección de carteras con utilidad de aversión al riesgo relativa constante. El método extiende un marco de aproximación exponencial polinómica recursiva al adoptar redes neuronales para ajustar la función de valor de la cartera. Desarrollamos dos arquitecturas de red y exploramos varias funciones de activación. La metodología se aplicó en cuatro configuraciones: un modelo de volatilidad estocástica (SV) 4/2 con dos tipos de precio de riesgo de mercado, un modelo 4/2 con saltos y un modelo Ornstein-Uhlenbeck 4/2. En solo un caso, la solución en forma cerrada estaba disponible, lo que ayuda en las comparaciones. Informamos sobre la precisión de las diversas configuraciones en términos de estrategia óptima, rendimiento de la cartera y eficiencia computacional, destacando el potencial de NNMC para abordar modelos dinámicos complejos.