La popularidad de los intercambios de criptomonedas ha aumentado en los últimos años, acompañada por la proliferación de nuevas plataformas digitales y tokens. Sin embargo, el problema del riesgo crediticio y la fiabilidad de los intercambios de criptomonedas siguen siendo críticos, lo que resalta la necesidad de indicadores para evaluar la seguridad de invertir a través de estas plataformas. Este estudio examina un conjunto de datos único, recopilado a mano, de 228 intercambios de criptomonedas que operan entre abril de 2011 y mayo de 2024. Utilizando varios algoritmos de aprendizaje automático, identificamos los factores clave que contribuyen al cierre de intercambios, siendo el volumen de operaciones, la duración del intercambio y las puntuaciones de ciberseguridad los predictores más significativos. Dado que los modelos de aprendizaje automático individuales a menudo capturan características de datos distintas y exhiben patrones de error variables, empleamos un enfoque de combinación de pronósticos al agregar múltiples distribuciones predictivas. Específicamente, evaluamos varias especificaciones del grupo lineal generalizado (GLP), el grupo lineal transformado por beta (BLP) y la combinación de mezcla beta (BMC). Nuestros hallazgos revelan que el grupo lineal transformado por beta y la combinación de mezcla beta logran los mejores rendimientos, mejorando la precisión del pronóstico en aproximadamente un 4.1% basado en una medida H robusta, que aborda eficazmente los desafíos de la mala clasificación en conjuntos de datos desbalanceados.