En la era actual de grandes datos, el aprendizaje profundo y la inteligencia artificial han formado la columna vertebral para la optimización de carteras de criptomonedas. Los investigadores han investigado varios modelos de aprendizaje automático de vanguardia para predecir el precio y la volatilidad de Bitcoin. Modelos de aprendizaje automático como la red neuronal recurrente (RNN) y la memoria a corto y largo plazo (LSTM) han demostrado tener un mejor rendimiento que los modelos tradicionales de series temporales en la predicción del precio de criptomonedas. Sin embargo, muy pocos estudios han aplicado modelos de secuencia con ingeniería de características robusta para predecir precios futuros. En este estudio, investigamos un marco con un conjunto de métodos avanzados de pronóstico de aprendizaje automático con un conjunto fijo de factores exógenos y endógenos para predecir los precios diarios de Bitcoin. Estudiamos y comparamos diferentes enfoques utilizando el error cuadrático medio (RMSE). Los resultados experimentales muestran que el modelo de unidad recurrente con compuerta (GRU) con abandono recurrente tiene un mejor rendimiento que los modelos existentes populares. También mostramos que estrategias de trading simples, cuando se implementan con nuestro modelo GRU propuesto y con un aprendizaje adecuado, pueden llevar a ganancias financieras.