En este trabajo se evalúa un enfoque para detectar manipulación en mercados bursátiles combinando aprendizaje automático supervisado y, cuando la resolución temporal lo permite, Análisis de Datos Funcionales. Se estudian dos escenarios. En datos reales diarios (caso FLC Group), las observaciones se representan con variables tabulares derivadas de retornos, volumen y volatilidad, y se comparan clasificadores clásicos bajo desbalance severo, usando métricas centradas en la clase minoritaria (principalmente F2-Score, y el área bajo la curva de Precisión-Recall). En paralelo, se generan datos sintéticos intradıa en una grilla fija de 5 segundos con tres modelos (MBG, Heston y Cont-M¨uller), incorporando episodios de manipulación de pump and dump con distinta intensidad y distintos niveles de desbalance, lo que permite aplicar suavizado funcional (B-splines/wavelets), Análisis de Componentes Principales Funcionales y clasificación, además del algoritmo k-Nearest Neighbors funcional. Los resultados muestran que el tratamiento explıcito del desbalance de clases es determinante para evitar el colapso hacia la clase mayoritaria, y que la detectabilidad aumenta cuando la manipulación es más intensa o cuando se dispone de variables con señal directa del mecanismo (como profundidades en Cont-M¨uller). Como limitación central, el contraste funcional en datos reales queda restringido por la falta de información intradıa, por lo que se propone como trabajo futuro incorporar datos de alta frecuencia reales y calibrar las simulaciones para aproximar condiciones de mercado más realistas.