Este documento proporciona un enfoque metodológico de cuatro pasos computacionalmente eficiente y novedoso para predecir estimadores de volatilidad derivados de los precios de bitcoin. En el primer paso, los precios de apertura, máximo, mínimo y cierre de bitcoin se transforman en estimadores de volatilidad utilizando supuestos de movimiento browniano y transformaciones logarítmicas. El segundo paso determina el número óptimo de rezagos de series temporales requeridos para convertir la serie en un modelo autorregresivo. Este proceso de selección utiliza regresión de bosque aleatorio, evaluando la importancia de cada rezago utilizando el criterio de Disminución Media de Impureza (MDI) y optimizando el número de rezagos considerando un umbral de importancia acumulativa del 85%. El tercer paso del enfoque metodológico desarrollado ajusta la Regresión Elastic Net (ENR) al conjunto de datos del estimador de volatilidad, mientras que el cuarto y último paso evalúa la precisión predictiva de ENR, en comparación con el árbol de decisiones (DTR), el bosque aleatorio (RFR) y la regresión de vectores de soporte (SVR). Los resultados revelan que ENR prevalece en su precisión predictiva para los precios de apertura y cierre, ya que estos precios pueden ser lineales y menos susceptibles a cambios repentinos y no lineales que se ven típicamente durante las horas de negociación. Por otro lado, SVR prevalece para los precios máximos y mínimos, ya que estos precios a menudo experimentan picos y caídas impulsados por noticias transitorias y sentimientos del mercado intradiario, formando patrones complejos que no se alinean bien con la modelización lineal.