[Paper] 智能挖矿时机：用于比特币硬件 ROI 预测的深度学习框架

Source: arXiv - 2512.05402v1

概览

本文提出了 MineROI‑Net，一种基于 Transformer 的深度学习框架，用于预测在未来 12 个月内购买全新比特币 ASIC 矿机是盈利、边际盈利还是亏损。通过将硬件采购视为时间序列分类问题，作者提供了首个数据驱动工具，帮助矿工在价格波动、技术快速迭代以及比特币协议驱动的收益周期中把握采购时机。

关键贡献

• 问题定义： 将比特币 ASIC 采购时机转化为三类时间序列分类任务（盈利、边际、亏损）。
• 新颖架构： 设计了 MineROI‑Net，一种多尺度 Transformer，能够捕获矿业盈利指标的短期和长期模式。
• 完整数据集： 整理了覆盖 2015‑2024 年间发布的 20 种 ASIC 型号的纵向数据集，涵盖多种市场状态（繁荣、衰退、减半事件）。
• 强劲实证表现： 整体准确率 83.7 %，宏观 F1 分数 83.1 %，对盈利窗口的识别精度 >98 %，对亏损期的识别精度 >93 %。
• 开源发布： 完整代码、预训练权重和数据预处理脚本已在 GitHub 上公开，鼓励可复现性和社区扩展。

方法论

1. 数据收集与标注 – 收集每日市场数据（BTC 价格、网络难度、电费、算力、区块奖励）和硬件规格（算力、功耗、购买价格）。对每种 ASIC 型号计算其随后一年内的 ROI；根据阈值（ROI ≥ 1、0 < ROI < 1、ROI ≤ 0）划分为三类。
2. 特征工程 – 将原始时间序列转换为归一化信号（如价格‑难度比、电费调整后盈利性），并作为多变量序列输入模型。
3. 模型架构 – MineROI‑Net 堆叠了两个具有不同时间感受野的 Transformer 编码器块（短期 7 天窗口、长期 30 天窗口）。位置编码保留顺序信息，轻量分类头输出类别概率。
4. 训练与评估 – 使用分层 5 折交叉验证，并采用类别平衡的损失加权以缓解“边际”结果的自然偏斜。基线模型包括 LSTM、Temporal Convolutional Networks（TCN）和最新的 TSLANet。
5. 可解释性 – 可视化注意力图，展示哪些市场信号（如难度峰值、价格下跌）驱动模型决策，为矿工提供可操作的洞察。

结果与发现

• 模型能够提前持续标记亏损期，降低在市场下跌前购买硬件的风险。
• 注意力分析显示，网络难度激增伴随比特币价格下跌是预测负 ROI 的最强信号。
• 在不同 ASIC 代际间表现保持稳健，表明模型对未来硬件发布具有良好泛化能力。

实际意义

• 矿场决策支持： 运营商可将 MineROI‑Net 集成到采购流程中，在高 ROI 窗口安排购买，从而提升现金流稳定性。
• 投资者风险管理： 风险投资基金和硬件制造商可利用该模型预测需求周期，使生产和库存与市场盈利性保持同步。
• 自动化潜力： 开源实现可封装为简易 API，实现实时提醒（如 Slack、邮件），在出现盈利采购窗口时即时通知。
• 能源成本优化： 将模型与特定地区的电价结合，矿工不仅可以决定何时购买，还能决定在哪里部署新 ASIC，以实现最大 ROI。

局限性与未来工作

• 仅限一年 ROI 范围： 未建模更长期（如 2‑3 年）盈利性及硬件折旧。
• 假设电费固定： 实际矿工常协商可变费率，加入动态定价可能提升精度。
• 未考虑地理因素： 监管变化、税收激励和气候相关的冷却成本未纳入特征。
• 模型可解释性： 虽然注意力图提供了一定洞察，但更严格的可解释框架（如针对时间序列的 SHAP）将有助于提升用户对预测的信任。

未来研究可将框架扩展至多年度视角，整合地区特定成本结构，并探索强化学习方法，以实现端到端的采购与部署策略。

作者

• Sithumi Wickramasinghe
• Bikramjit Das
• Dorien Herremans

论文信息

• arXiv ID: 2512.05402v1
• 分类: cs.LG, cs.AI, cs.CE, cs.NE
• 发布日期: 2025 年 12 月 5 日
• PDF: Download PDF