Es una práctica común emplear retornos, diferencias de precios o retornos logarítmicos para la estimación de riesgos financieros y la previsión de series temporales. En el libro de De Prado de 2018, se argumentó que al usar retornos perdemos la memoria de las series temporales. Para verificar esta afirmación, examinamos las diferencias entre la diferenciación fraccionaria y las transformaciones logarítmicas y su impacto en la memoria de los datos. Empleamos redes neuronales recurrentes LSTM (memoria a largo y corto plazo) y un regresor XGBoost en los datos utilizando esas transformaciones. Pronosticamos el riesgo (volatilidad) y el valor del precio y comparamos los resultados de todos los modelos utilizando precios originales, no modificados. Según los resultados, los modelos mostraron que, en promedio, una transformación logarítmica logró mejores predicciones de volatilidad en términos de error cuadrático medio y precisión. La transformación logarítmica fue la transformación más prometedora en términos de rentabilidad. Nuestros resultados fueron controvertidos con respecto a la sugerencia de Marco López de Prado, ya que logramos obtener las predicciones de volatilidad más precisas en términos de error cuadrático medio y precisión utilizando la transformación logarítmica en lugar de la diferenciación fraccionaria. Esta transformación también fue la más prometedora en términos de rentabilidad.