Predecir la volatilidad del rendimiento de activos es uno de los problemas centrales en finanzas cuantitativas. Estas predicciones se utilizan para la construcción de carteras, el cálculo del valor en riesgo (VaR) y la fijación de precios de derivados como opciones. Los métodos clásicos de predicción de volatilidad utilizan datos históricos de rendimientos e incluyen el promedio móvil ponderado exponencialmente (EWMA) y la heterocedasticidad condicional autorregresiva generalizada (GARCH). Estos enfoques han mostrado tasas significativamente más altas de precisión predictiva que los métodos correspondientes de pronóstico de rendimiento, pero aún tienen un amplio margen de mejora. En este documento, proponemos y evaluamos varios métodos de pronóstico de volatilidad en el Índice S&P 500 utilizando conjuntos de árboles de aprendizaje automático, a saber, bosques aleatorios y aumento de gradiente. Mostramos que estos métodos generalmente superan a los enfoques clásicos en una variedad de métricas en datos fuera de muestra. Finalmente, utilizamos las propiedades únicas de los conjuntos de árboles para evaluar qué datos pueden ser particularmente útiles en la predicción de la volatilidad del rendimiento de activos.