Pronosticar el precio de las criptomonedas es un problema notoriamente difícil y significativo, debido al rápido crecimiento del mercado y a la alta volatilidad. En este artículo, proponemos una metodología para predecir los valores futuros de los tipos de cambio de las criptomonedas mediante el desarrollo de un modelo de predicción No lineal Autorregresivo con Entradas Exógenas (NARX) que utiliza la información externa más adecuada. Las variables exógenas consideradas son los valores históricos del tipo de cambio y una serie de indicadores técnicos. La selección de las entradas externas más relevantes se basa en el cálculo del indicador de información mutua y se estima utilizando el método de los k-vecinos más cercanos. La metodología emplea una red neuronal Long Short-Term Memory (LSTM) afinada como regresor. Hemos utilizado medidas de precisión cuantitativas y de tendencia para comparar el método propuesto con otros modelos basados en LSTM de última generación. Además, en cuanto al proceso de selección de entradas, el enfoque propuesto se comparó con el más comúnmente utilizado, que se basa en el coeficiente de correlación cruzada. Una larga serie de experimentos y análisis estadísticos demostraron que la metodología propuesta es altamente precisa y que el modelo resultante supera a los modelos basados en LSTM de última generación.