Los métodos bayesianos no paramétricos, particularmente el proceso de Dirichlet (DP), han ganado una creciente popularidad tanto en la investigación teórica como aplicada, impulsados por los avances en la potencia de cálculo. La estimación bayesiana tradicional, que a menudo se basa en priors gaussianos, tiene dificultades para integrar dinámicamente las creencias previas en evolución en la distribución posterior para la toma de decisiones en finanzas. Este estudio aborda esa limitación modelando las fluctuaciones diarias de los precios de los valores utilizando un modelo de mezcla de proceso de Dirichlet (DPM). Nuestros resultados demuestran la efectividad del DPM para identificar el número óptimo de clústeres dentro de los datos de series temporales, lo que conduce a una estimación de densidad más precisa. A diferencia de los métodos de kernel, el DPM actualiza continuamente la densidad previa en función de los datos observados, lo que le permite capturar mejor la naturaleza dinámica de los precios de los valores. Esta característica adaptativa posiciona al DPM como una técnica de estimación superior para datos de series temporales con distribuciones complejas y multimodales.