Este documento investiga la estimación del valor en riesgo (VaR) a través de varios niveles de probabilidad para los log-retornos de un conjunto de datos integral que comprende cuatro mil criptoactivos. Empleando cuatro algoritmos de inferencia conformal adaptativa (ACI) recientemente introducidos, nuestro objetivo es proporcionar estimaciones de incertidumbre robustas, cruciales para una gestión efectiva del riesgo en los mercados financieros. Contrastamos el rendimiento de estos algoritmos ACI con el de modelos de referencia tradicionales, incluidos los modelos GARCH y los modelos de rango diario. A pesar de la volatilidad sustancial observada en la mayoría de los criptoactivos, nuestros hallazgos indican que los algoritmos ACI exhiben una notable eficacia. En contraste, los modelos de rango diario, y en menor medida, los modelos GARCH, enfrentan desafíos relacionados con problemas de convergencia numérica y rupturas estructurales. Entre los algoritmos ACI, la Inferencia Conformal Totalmente Adaptativa (FACI) y el Descenso de Gradiente en Línea Sin Escala (SF-OGD) se destacan por su capacidad para proporcionar estimaciones precisas de VaR en todos los cuantiles examinados. Por el contrario, la Inferencia Conformal Adaptativa Agregada (AgACI) y la Predicción Conformal en Línea Fuertemente Adaptativa (SAOCP) demuestran competencia en la estimación de VaR para cuantiles extremos, pero tienden a ser excesivamente conservadoras para niveles de probabilidad más altos. Estas conclusiones resisten pruebas de robustez que abarcan la capitalización de mercado de los criptoactivos, el tamaño de las series temporales y diferentes métodos de pronóstico para los log-retornos de los activos. Este estudio subraya la promesa de los algoritmos ACI para mejorar las prácticas de evaluación de riesgos en el contexto de mercados de criptoactivos volátiles y dinámicos.