Este documento examina la volatilidad de las criptomonedas, prestando especial atención a sus posibles propiedades de memoria larga. Utilizando datos diarios de las tres principales criptomonedas, a saber, Ripple, Ethereum y Bitcoin, probamos la propiedad de memoria larga utilizando Estadísticas de Rango Reescalado (R/S), Semi Paramétrico Gaussiano (GSP) y el Método del Modelo de Geweke y Porter-Hudak (GPH). Nuestros hallazgos muestran que los retornos al cuadrado de las tres criptomonedas tienen una memoria larga significativa, apoyando el uso de extensiones fraccionarias de Heterocedasticidad Condicional Autorregresiva Generalizada (GARCH) como técnica de modelado adecuada. Nuestros hallazgos indican que el modelo GARCH Hiperbólico (HYGARCH) parece ser el modelo mejor ajustado para Bitcoin. Por otro lado, el modelo GARCH Integrado Fraccionario (FIGARCH) con distribución de Student sesgada produce mejores estimaciones para Ethereum. Finalmente, el modelo FIGARCH con distribución de Student parece ofrecer un buen ajuste para el retorno de Ripple. Basándonos en las pruebas de Kupieck para el Valor en Riesgo (VaR) y las pérdidas esperadas, podemos concluir que nuestros modelos funcionan correctamente en la mayoría de los casos tanto para los retornos negativos como positivos.