Las técnicas de aprendizaje en conjunto continúan mostrando un mayor interés en la previsión de la volatilidad de los activos criptográficos. En particular, XGBoost, una técnica de aprendizaje en conjunto, ha demostrado en estudios recientes proporcionar la previsión más precisa de la volatilidad de Bitcoin. Sin embargo, el rendimiento de XGBoost depende en gran medida de la sintonización de sus hiperparámetros. En este estudio, examinamos la efectividad del método de optimización bayesiana para sintonizar los hiperparámetros de XGBoost para la previsión de la volatilidad de Bitcoin. Elegimos explorar este método en lugar de las elecciones manuales, en cuadrícula y aleatorias de hiperparámetros más comúnmente utilizadas debido a su capacidad para predecir las áreas más prometedoras de los espacios de hiperparámetros a través de la explotación y exploración utilizando funciones de adquisición, así como su capacidad para minimizar el error con una cantidad reducida de tiempo y recursos necesarios para encontrar una configuración óptima. La configuración de XGBoost obtenida mejora la precisión de la previsión de la volatilidad de Bitcoin. Nuestros resultados empíricos, basados en dejar que los datos hablen por sí mismos, podrían ser utilizados para un estudio comparativo sobre la previsión de la volatilidad de Bitcoin. Esto también sería importante para el comercio de volatilidad, la fijación de precios de opciones y la gestión de carteras relacionadas con Bitcoin.