Este documento tiene como objetivo enriquecer la comprensión y las estrategias de modelado para los mercados de criptomonedas al investigar los determinantes de los rendimientos de las principales criptomonedas y pronosticar sus rendimientos. Para manejar la incertidumbre del modelo al modelar criptomonedas, realizamos una selección de modelos para un modelo autorregresivo de rezagos distribuidos (ARDL) utilizando varios estimadores de mínimos cuadrados penalizados populares para explicar los rendimientos de las criptomonedas. Además, introducimos un nuevo enfoque de promediado de modelos o el estimador de promediado de modelos de Mallows con reducción (SMMA) para la predicción. Primero, encontramos que los rendimientos de la mayoría de las criptomonedas son sensibles a las volatilidades de los principales mercados financieros. Los rendimientos también son propensos a los cambios en los precios del oro y a la información actual y rezagada del mercado de divisas. Luego, al pronosticar los rendimientos de las criptomonedas, encontramos que un modelo ARDL(,) estimado por el estimador SMMA supera a los estimadores y modelos competidores fuera de la muestra.