Las criptomonedas son activos de inversión altamente volátiles y difíciles de predecir. En este estudio, se utilizan varios datos de criptomonedas como características para predecir el precio del logaritmo del retorno de las principales criptomonedas. La contribución original de este estudio es la selección de las características principales más influyentes para cada criptomoneda utilizando las características de volatilidad de las criptomonedas, derivadas de los modelos de heterocedasticidad condicional autorregresiva (ARCH) y heterocedasticidad condicional autorregresiva generalizada (GARCH), junto con el precio de cierre de la criptomoneda. Además, se buscó predecir el precio del logaritmo del retorno de las criptomonedas mediante la implementación de varios tipos de modelos de series temporales. Basándose en las características principales seleccionadas, el precio del logaritmo del retorno de la criptomoneda fue predicho a través del modelo de predicción de series temporales autorregresivas integradas de media móvil (ARIMA) y el modelo de predicción de series temporales basado en redes neuronales artificiales. Como resultado de la predicción del precio del logaritmo del retorno, los modelos de predicción de series temporales basados en redes neuronales mostraron una mayor capacidad predictiva en comparación con el modelo de predicción de series temporales tradicional.