La investigación en aprendizaje automático ha ganado impulso, también en finanzas. En consecuencia, han surgido estrategias iniciales de arbitraje estadístico basadas en aprendizaje automático en los mercados de acciones de EE. UU. en la literatura académica. Con nuestro artículo, planteamos la pregunta de cómo se comportaría un enfoque de arbitraje estadístico en el espacio de las criptomonedas con datos agrupados por minutos. Específicamente, entrenamos un bosque aleatorio con los rendimientos rezagados de 40 monedas de criptomonedas, con el objetivo de predecir si una moneda supera la mediana transversal de las 40 monedas en los siguientes 120 minutos. Compramos las monedas con las 3 mejores predicciones y vendemos en corto las monedas con las 3 peores predicciones, solo para revertir las posiciones después de 120 minutos. Durante el período fuera de muestra de nuestra prueba retrospectiva, que abarca desde el 18 de junio de 2018 hasta el 17 de septiembre de 2018, y después de más de 100,000 operaciones, encontramos rendimientos estadísticamente y económicamente significativos de 7.1 puntos básicos por día, después de costos de transacción de 15 puntos básicos por medio giro. Si bien este hallazgo plantea un desafío a la forma semi-fuerte de la eficiencia del mercado, lo discutimos críticamente a la luz de los límites al arbitraje, centrándonos en las restricciones de volumen total de la estrategia intradía presentada.