Este estudio explora técnicas de suavizado para refinar los datos de tolerancia al riesgo financiero (TRF) con el fin de mejorar la predicción de indicadores del mercado financiero, incluido el Índice de Volatilidad y el ETF S&P 500. Los datos crudos de TRF a menudo contienen ruido y volatilidad, lo que oscurece su relación con la dinámica del mercado. Se aplicaron siete métodos de suavizado para obtener valores suavizados de la media y la desviación estándar, que incluyen suavizado exponencial, ARIMA y filtro de Kalman. Se utilizaron modelos de aprendizaje automático, incluidas máquinas de vectores de soporte y redes neuronales, para evaluar el rendimiento predictivo. Los resultados demuestran que los datos de TRF suavizados mejoran significativamente la precisión de la predicción, siendo la desviación estándar suavizada una representación más explícita de las fluctuaciones en la tolerancia al riesgo del inversor. Estos hallazgos resaltan el valor de las técnicas de suavizado en la finanzas conductuales, proporcionando ideas más confiables sobre la volatilidad del mercado y el comportamiento del inversor. Los datos de TRF suavizados tienen potencial para la optimización de carteras, evaluación de riesgos y toma de decisiones financieras, allanando el camino para aplicaciones más sólidas en modelado financiero.