En el presente trabajo se implementan dos modelos híbridos los cuales combinan algoritmos de machine learning con los modelos econométricos clásicos para pronosticar la volatilidad del Ethereum. El primero utiliza estructuras de redes neuronales recurrentes junto con pronósticos de un GARCH(1,1), el segundo modelo aplica SVM para la estimación de los modelos GARCH. Se encuentra que ambos modelos se desempeñan mejor en el pronostico de la volatilidad que sus modelos base, adicionalmente se evalúa la eficiencia en la medición del riesgo mediante el Value at Risk en el cual solo el segundo modelo tuvo una mayor efectividad en la gestión del riesgo frente al modelo base.
