Al analizar un activo financiero, es esencial estudiar la tendencia de su serie temporal. También es necesario examinar su evolución y actividad a lo largo del tiempo para analizar estadísticamente su posible comportamiento futuro. Tanto los inversores minoristas como los institucionales basan sus estrategias de trading en estos análisis. Una de las técnicas más utilizadas para estudiar series temporales financieras es analizar su estructura dinámica utilizando modelos autorregresivos, modelos de media móvil simple (SMA) y modelos de media móvil autorregresiva mixta (ARMA). Estas técnicas, desafortunadamente, no siempre proporcionan resultados apreciables tanto a nivel estadístico como en la relación riesgo-recompensa (RRR); sobre todo, cada sistema tiene sus pros y sus contras. En este documento, presentamos CryptoNet; este sistema se basa en la extracción de series temporales aprovechando el vasto potencial de la inteligencia artificial (IA) y el aprendizaje automático (ML). Específicamente, nos centramos en la extracción de tendencias de series temporales desarrollando una red neuronal artificial, entrenada y probada en dos criptomonedas famosas: Bitcoin y Ether. El algoritmo de aprendizaje de CryptoNet mejoró el modelo clásico de regresión lineal hasta un 31% de MAE (error absoluto medio). Los resultados de este trabajo deberían alentar las técnicas de aprendizaje automático en sectores clásicamente reacios a adoptar enfoques no estándar.