Debido a la popularidad de activos financieros digitales como son las criptomonedas, y su diferencia respecto a los mercado tradicionales, es atractivo analizar los cambios que presenta en un periodo de tiempo y determinar si es posible predecirlos, así como saber si el volumen de las transacciones realizadas sobre estas es importante en la construcción de portafolios de inversión óptimos. Las criptomonedas están basadas en una red descentralizada lo cual les permite existir fuera del control de los gobiernos, que puede generar una alta volatilidad del tipo de cambio, esto implica que no mantienen una variabilidad constante a lo largo del tiempo, información que puede utilizarse, de igual forma, en la construcción de portafolios. En el presente trabajo se aplican modelos de autocorrelación condicional heterocedásticos EGARCH y GJRGARCH a portafolios igualmente pesados de criptomonedas y modelos multivariados GARCH DCC a portafolios de mínima varianza; se realiza el pronóstico de la volatilidad realizada por medio de un modelo LSTM, y se implementa un modelo híbrido LSTM-GARCH; considerando el volumen como fuente de información externa y los coeficientes de los modelos EGARCH y GJRGARCH de orden (1,1), para datos en alta frecuencia de enero de 2020 a junio de 2020. Se evalúan los distintos pronósticos generados por cada método a través de métricas financieras como la Razón de Sharpe y el Valor en Riesgo, errores heterocedásticos respecto a la volatilidad realizada y la precisión en la predicción a través del test Diebold-Mariano. Se presenta evidencia de que los modelos univariados GJRGARCH y GJRGARCH con volumen presentan menores errores heterocedásticos, los modelos univariados EGARCH presentan mayores valores para la Razón de Sharpe, los modelos multivariados DCC y DCC con volumen, presentan buenos resultados respecto al VaR, y que los modelos LSTM, en sus distintas variantes, recuperan mejor la estructura de la varianza realizada, y mejor precisión dado el test Diebold-Mariano.