Una de las características notables de bitcoin es su extrema volatilidad. La modelización y pronóstico de la volatilidad de bitcoin son cruciales para el análisis de toma de decisiones y la gestión de riesgos de los inversores en bitcoin. Sin embargo, la mayoría de los estudios previos sobre la volatilidad de bitcoin se basaron en modelos econométricos. La investigación sobre el pronóstico de la volatilidad de bitcoin utilizando algoritmos de aprendizaje automático sigue siendo escasa. En este estudio, se utilizan tanto modelos econométricos convencionales como un modelo de aprendizaje automático para pronosticar la volatilidad de los retornos de bitcoin y el Valor en Riesgo. El objetivo de este estudio es comparar su rendimiento fuera de muestra en precisión de pronóstico y eficiencia en la gestión de riesgos. Los resultados demuestran que la RNN supera a GARCH y EWMA en rendimiento promedio de pronóstico. Sin embargo, es menos eficiente en capturar los eventos extremos del mercado de bitcoin. Además, la RNN muestra un rendimiento deficiente en el pronóstico del Valor en Riesgo, lo que indica que no puede funcionar tan bien como los modelos econométricos en la explicación de la volatilidad extrema. Este estudio propone un método alternativo de análisis de la volatilidad de bitcoin y proporciona más motivación para que los investigadores económicos apliquen métodos de aprendizaje automático a las condiciones del mercado financiero menos volátiles. Mientras tanto, también muestra que los enfoques de aprendizaje automático no siempre son más avanzados que los modelos econométricos, en contra de la creencia común.