Navegar la complejidad de los mercados de futuros de petróleo, marcados por una volatilidad extrema, incertidumbre geopolítica y choques macroeconómicos, exige estrategias adaptativas y sensibles al riesgo. Este documento explora un marco de Aprendizaje por Refuerzo Profundo Sensible al Riesgo y Adaptativo (ART-DRL) para mejorar la optimización de carteras en el comercio de futuros de materias primas. Si bien el aprendizaje por refuerzo profundo (DRL) se ha aplicado en acciones y divisas, su uso en materias primas sigue siendo poco explorado. Evaluamos modelos de DRL, incluyendo Redes Neuronales Profundas Q (DQN), Optimización de Políticas Proximales (PPO), Actor-Crítico Ventajoso (A2C) y Gradiente de Política Determinista Profunda (DDPG), integrando funciones de recompensa dinámicas y optimización específica de activos. Los resultados empíricos muestran mejoras en el rendimiento ajustado al riesgo, con un retorno anualizado de 1.353, un Ratio de Sharpe de 4.340 y un Ratio de Sortino de 57.766. Aunque el retorno está por debajo de DQN (1.476), el modelo propuesto logra una mejor estabilidad y control del riesgo. Notablemente, los modelos demuestran resiliencia al aprender de períodos históricos de volatilidad extrema, incluyendo la pandemia de COVID-19 (2020-2021) y choques geopolíticos como el conflicto Rusia-Ucrania (2022), a pesar de que las pruebas comenzaron en enero de 2023. Esta investigación ofrece un marco práctico y basado en datos para la toma de decisiones sensibles al riesgo en materias primas, mostrando cómo el aprendizaje automático puede apoyar la gestión de carteras en condiciones de mercado volátiles.