Proporcionamos un marco de clasificación de predicción de tendencias llamado método de muestreo aleatorio (RSM) para series temporales de criptomonedas que son no estacionarias. Este marco se basa en el aprendizaje profundo (DL). Comparamos el rendimiento de nuestro enfoque con dos métodos de referencia clásicos en el caso de la predicción de precios inestables de Bitcoin en el mercado de OkCoin y mostramos que los enfoques de referencia son fácilmente sesgados por el desequilibrio de clases, mientras que nuestro modelo mitiga este problema. También mostramos que el rendimiento de clasificación de nuestro método, expresado como la medida F, supera sustancialmente las probabilidades de un proceso aleatorio uniforme con tres resultados, demostrando que la extracción de patrones deterministas para la clasificación de tendencias, y por lo tanto la predicción del mercado, es posible hasta cierto punto. Las tasas de beneficio basadas en RSM superaron a las basadas en LSTM, aunque no excedieron a las de la estrategia de comprar y mantener durante el período de datos de prueba, y por lo tanto no proporcionan una base para el comercio algorítmico.