La medición del riesgo de mercado de una cartera de trading en bancos, específicamente la implementación práctica de los modelos de valor en riesgo (VaR) y de pérdida esperada (ES), implica llamadas intensivas al motor de precios. Los algoritmos de aprendizaje automático pueden ofrecer una solución a este desafío. En este estudio, investigamos la aplicación de la regresión de proceso Gaussiano (GP) y la técnica de modelado multifidelidad como aproximación para el motor de precios. Específicamente, el modelado multifidelidad combina modelos de diferentes niveles de fidelidad, definidos como el grado de detalle y precisión ofrecido por un modelo predictivo o simulación, para lograr predicciones rápidas pero precisas. Utilizamos los modelos de regresión para predecir los precios de carteras de opciones de acciones mono y multiactivo. En nuestros experimentos numéricos, realizados con limitaciones de datos, observamos que tanto el modelo GP estándar como el modelo GP multifidelidad superan tanto a los enfoques tradicionales utilizados en bancos como al conocido modelo de red neuronal en términos de precisión en los precios, así como en eficiencia en el cálculo del riesgo.