Este desarrollo de tesis es tiene como objetivo demostrar que los Modelos Generativos son una buena alternativa para manejar el problema de clases desbalanceadas, además de tener mejores resultados que otras técnicas de remuestreo en términos de desempeño, particularmente en la predicción de caídas severas en el precio de activos financieros. Este trabajo es una aproximación al análisis de modelos con clases desbalanceadas con Modelos Generativos, como el Variational Autoencoders (VAE) y las Generative Adversarial Networks (GAN). Se estudiaron las ventajas de estos modelos en la generación de imágenes y en la generación de texto (NLP), sin embargo, en menor medida se ha estudiado sobre la aplicación en problemas con datos tradicionales o de negocios. En este trabajo se comparan distintas técnicas para el tratamiento de este problema comparando los Modelos Generativos frente a otras técnicas como, SMOTE, “random oversampling” (ROS) y “undersampling” (RUS), en un problema clásico de predicción de caídas severas del precio del Bitcoin. Los resultados encontrados indican que para los clasificadores estimados sobre muestras generadas por los Modelos Generativos, tienen mejor desempeño que otras muestras usadas como de pruebas de rendimientos (benchmark). Los clasificadores elegidos fueron la Regresión Logística, el Random Forest, el Gradient Boosting Classifier y una red neuronal Perceptrón Multicapa.