Este documento examinó un conjunto de más de dos mil criptomonedas observadas entre 2015 y 2020 para estimar su riesgo crediticio al calcular su probabilidad de muerte. Empleamos diferentes definiciones de monedas muertas, que van desde la literatura académica hasta la práctica profesional; modelos de pronóstico alternativos, que van desde modelos de puntuación crediticia hasta modelos de aprendizaje automático y basados en series temporales; y diferentes horizontes de pronóstico. Encontramos que la elección de la definición de muerte de la moneda afectó el conjunto de los mejores modelos de pronóstico para calcular la probabilidad de muerte. Sin embargo, esta elección no fue crítica, y los mejores modelos resultaron ser los mismos en la mayoría de los casos. En general, encontramos que el modelo de probabilidad de precio cero (ZPP) basado en el paseo aleatorio o el modelo Markov Switching-GARCH(1,1) eran los mejores modelos para monedas recién establecidas, mientras que los modelos de puntuación crediticia y los métodos de aprendizaje automático que utilizan volúmenes de comercio rezagados y búsquedas en línea eran mejores opciones para monedas más antiguas. Estos resultados también se mantuvieron después de un conjunto de pruebas de robustez que consideraron diferentes muestras de tiempo y la capitalización de mercado de las monedas.