En este documento, comparamos las predicciones sobre la liquidez del mercado en criptomonedas y monedas fiduciarias entre dos métodos tradicionales de series temporales, el autoregresivo de media móvil (ARMA) y la heterocedasticidad condicional autorregresiva generalizada (GARCH), y el algoritmo de aprendizaje automático llamado enfoque de vecino más cercano (KNN). Medimos la liquidez del mercado como las tasas logarítmicas de los márgenes de oferta y demanda en una muestra de tres criptomonedas (Bitcoin, Ethereum y Ripple) y 16 monedas fiduciarias principales desde el 9 de febrero de 2018 hasta el 8 de febrero de 2019. Descubrimos que el enfoque de KNN es más adecuado para capturar la liquidez del mercado en una criptomoneda a corto plazo que los modelos ARMA y GARCH, quizás debido a la complejidad de la microestructura del mercado. Considerando los modelos tradicionales de series temporales, encontramos que los modelos ARMA funcionan bien al estimar la liquidez de las monedas fiduciarias en mercados desarrollados, mientras que los modelos GARCH hacen lo mismo para las monedas fiduciarias en mercados emergentes. Sin embargo, nuestros resultados muestran que el enfoque de KNN puede predecir mejor las tasas logarítmicas de los márgenes de oferta y demanda de criptomonedas y monedas fiduciarias que los modelos ARMA y GARCH.