Este documento investiga el impacto de varios hiperparámetros en la detección estática de malware utilizando aprendizaje profundo, incluyendo el número de épocas, tamaño del lote, número de capas y neuronas, método de optimización, tasa de abandono, tipo de función de activación y tasa de aprendizaje. Empleamos la herramienta cAgen y la optimización de búsqueda en cuadrícula de la biblioteca Python scikit-learn para identificar los mejores hiperparámetros para nuestro modelo de aprendizaje profundo Keras. Nuestros experimentos revelan que cAgen es más eficiente que la búsqueda en cuadrícula para encontrar los parámetros óptimos, y encontramos que la selección de valores de hiperparámetros tiene un impacto significativo en la precisión del modelo. Específicamente, nuestro enfoque conduce a mejoras significativas en la precisión del modelo de red neuronal para la detección estática de malware en el conjunto de datos Ember (del 81.2% al 95.7%) y en el conjunto de datos Kaggle (del 94% al 98.6%). Estos resultados demuestran la efectividad de nuestro enfoque propuesto y tienen importantes implicaciones para el campo de la detección estática de malware.