Este estudio presenta un sistema experto diseñado para generar estrategias de inversión en Bitcoin basadas en indicadores del mercado de criptomonedas. Se procesaron los precios de cierre diarios históricos de BTC desde 2015 hasta 2021 para construir la base predictiva del sistema. Se emplearon redes neuronales de perceptrón multicapa (MLP) con diversas configuraciones para predecir tanto los niveles de precios como los movimientos direccionales en el valor de Bitcoin. Estas redes fueron entrenadas utilizando técnicas de aprendizaje supervisado y evaluadas a través de múltiples métricas de evaluación. La configuración que logró el menor RMSE y la mayor precisión en la predicción de tendencias se utilizó posteriormente para implementar un sistema de gestión de capital capaz de ejecutar posiciones de trading largas, cortas y combinadas en el mercado de Bitcoin. Se aplicó un esquema de inversión de todo o nada y se comparó con una estrategia tradicional de Comprar y Mantener (B&H). El sistema propuesto logró hasta un +68% de rentabilidad en la configuración combinada larga/corta, mientras que redujo el drawdown máximo en más del 40%. Además, se integró una capa de supervisión experta, incorporando indicadores del mercado como reglas de stop-loss, take-profit y retiro del mercado basadas en la excursión adversa máxima (MAE) y la excursión favorable máxima (MFE). Aunque esta capa de supervisión redujo ligeramente la rentabilidad en algunos escenarios, mejoró el control de riesgos y la protección del capital durante períodos de alta volatilidad. En general, el marco propuesto demuestra que las estrategias de trading impulsadas por redes neuronales, cuando se combinan con reglas expertas de supervisión, pueden superar significativamente un enfoque pasivo de Comprar y Mantener, ofreciendo una solución reproducible y completamente automatizada para la gestión de capital en Bitcoin.