El aprendizaje automático (ML) es un método novedoso que tiene aplicaciones en la fijación de precios de activos y que se adapta bien al problema de la medición en economía. A diferencia de la econometría, los modelos de ML no están diseñados para la estimación de parámetros y la inferencia, pero, al igual que la econometría, abordan, y pueden estar mejor adaptados a, problemas de predicción. Si bien algunos métodos de ML se han aplicado en econometría durante décadas, su éxito en la predicción ha sido limitado, y abundan ejemplos de esto en la literatura sobre fijación de precios de activos. En los últimos años, la literatura de ML ha avanzado en nuevos métodos computacionales más eficientes para la regularización, el modelado de no linealidades y la mejora de la predicción fuera de muestra. Este artículo realizó un análisis bibliométrico integral, objetivo y cuantitativo de esta creciente literatura utilizando datos de Web of Science (WoS). Identificamos tendencias en la literatura durante la última década, la distribución geográfica de artículos, la autoría y las contribuciones institucionales a nivel mundial. El documento también identifica la literatura dominante utilizando citas en WoS y discute algoritmos computacionales que están expandiendo las fronteras econométricas en la fijación de precios de activos. Se revisaron los artículos más citados, destacando su contribución. Las limitaciones de los métodos de aprendizaje de ML y los avances recientes en ML se utilizaron para proporcionar una visión cónica de la futura práctica econométrica de ML.