論文の概要: Smart Timing for Mining: A Deep Learning Framework for Bitcoin Hardware ROI Prediction
- arxiv url: http://arxiv.org/abs/2512.05402v1
- Date: Fri, 05 Dec 2025 03:47:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-13 22:40:56.887074
- Title: Smart Timing for Mining: A Deep Learning Framework for Bitcoin Hardware ROI Prediction
- Title（参考訳）: マイニングのためのスマートタイミング: BitcoinハードウェアROI予測のためのディープラーニングフレームワーク
- Authors: Sithumi Wickramasinghe, Bikramjit Das, Dorien Herremans,
- Abstract要約: Bitcoinマイニングハードウェアの買収には、不安定な市場、急速な技術的不透明感、およびプロトコル駆動の収益サイクルによる戦略的タイミングが必要である。
我々は,マイニングにおけるマルチスケールの時間パターンを捉えるために,オープンソースのトランスフォーマーベースのアーキテクチャであるMineROI-Netを提案する。
- 参考スコア（独自算出の注目度）: 8.891286570734836
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bitcoin mining hardware acquisition requires strategic timing due to volatile markets, rapid technological obsolescence, and protocol-driven revenue cycles. Despite mining's evolution into a capital-intensive industry, there is little guidance on when to purchase new Application-Specific Integrated Circuit (ASIC) hardware, and no prior computational frameworks address this decision problem. We address this gap by formulating hardware acquisition as a time series classification task, predicting whether purchasing ASIC machines yields profitable (Return on Investment (ROI) >= 1), marginal (0 < ROI < 1), or unprofitable (ROI <= 0) returns within one year. We propose MineROI-Net, an open source Transformer-based architecture designed to capture multi-scale temporal patterns in mining profitability. Evaluated on data from 20 ASIC miners released between 2015 and 2024 across diverse market regimes, MineROI-Net outperforms LSTM-based and TSLANet baselines, achieving 83.7% accuracy and 83.1% macro F1-score. The model demonstrates strong economic relevance, achieving 93.6% precision in detecting unprofitable periods and 98.5% precision for profitable ones, while avoiding misclassification of profitable scenarios as unprofitable and vice versa. These results indicate that MineROI-Net offers a practical, data-driven tool for timing mining hardware acquisitions, potentially reducing financial risk in capital-intensive mining operations. The model is available through: https://github.com/AMAAI-Lab/MineROI-Net.
- Abstract（参考訳）: Bitcoinマイニングハードウェアの買収には、不安定な市場、急速な技術的不透明感、およびプロトコル駆動の収益サイクルによる戦略的タイミングが必要である。
鉱業が資本集約型産業へと進化したにもかかわらず、新しいアプリケーション特化集積回路(ASIC)ハードウェアをいつ購入するかについてのガイダンスはほとんどなく、この決定問題に対処する以前の計算フレームワークは存在しない。
本稿では,ハードウェア買収を時系列分類タスクとして定式化し,ASICマシンの購入が収益性(投資収益率(ROI) >= 1),限界(ROI<1),収益性(ROI<=0)を1年以内に回復するかどうかを予測する。
我々は,マイニングにおけるマルチスケールの時間パターンを捉えるために,オープンソースのトランスフォーマーベースのアーキテクチャであるMineROI-Netを提案する。
2015年から2024年にかけてリリースされた20のASIC鉱夫のデータに基づいて、MineROI-NetはLSTMベースとTSLANetベースラインを上回り、83.7%の精度と83.1%のマクロF1スコアを達成した。
このモデルは強い経済関係を示し、収益性のない期間を9.6%の精度で検出し、利益性のある期間を98.5%の精度で検出する一方で、利益性のあるシナリオを非収益性かつその逆として誤分類することを避けている。
これらの結果は、MineROI-Netが、ハードウェア買収のタイミング決定のための実用的なデータ駆動ツールを提供し、資本集約的なマイニングオペレーションの経済的リスクを低減していることを示している。
モデルは、https://github.com/AMAAI-Lab/MineROI-Net.comから入手できる。
関連論文リスト
- Incentive Attacks in BTC: Short-Term Revenue Changes and Long-Term Efficiencies [45.776687601070705]
BitcoinのDifficulty Adjustment Algorithm(DAA)は、利己的なマイニング、ブロックの保持、コインホッピング戦略などのインセンティブ攻撃の脆弱性の1つだ。
我々は、これらのインセンティブ攻撃に対する敵的かつ正直な鉱山労働者のハッシュパワー当たりの短期的な収益変化について検討する。
ブロック・アンホールディング・ストラテジーでは、プールの外の正直な鉱山労働者が攻撃から利益を得ており、通常は短期と長期の両方で攻撃者よりも多いことが判明した。
論文 参考訳（メタデータ） (2025-11-14T18:18:17Z) - Trade in Minutes! Rationality-Driven Agentic System for Quantitative Financial Trading [57.28635022507172]
TiMiは、アーキテクチャ上、戦略開発を分単位のデプロイメントから切り離す合理性駆動型マルチエージェントシステムである。
本稿では,マクロパターンからマイクロカスタマイズ,トレーディングボット実装のための階層型プログラミング設計,数学的リフレクションによって駆動されるクローズドループ最適化までの2層解析パラダイムを提案する。
論文 参考訳（メタデータ） (2025-10-06T13:08:55Z) - Building crypto portfolios with agentic AI [46.348283638884425]
暗号通貨市場の急速な成長は投資家に新たな機会を与えたが、同時に高いボラティリティがもたらされた。
本稿では,暗号アロケーションを自律的に構築し,評価するためのマルチエージェントシステムの実用化について述べる。
論文 参考訳（メタデータ） (2025-07-11T18:03:51Z) - A Comparative Study of Machine Learning Algorithms for Stock Price Prediction Using Insider Trading Data [0.0]
本研究は、インサイダー取引情報による株価の予測を行う機械学習アルゴリズムを実験的に検討する。
本研究では、決定木、ランダムフォレスト、異なるカーネルを持つサポートベクターマシン(SVM)、K平均クラスタリングなどのアルゴリズムの有効性について検討する。
本研究の目的は、金融アナリストや投資家が投資戦略を最適化する強力なアルゴリズムを選択するのを支援することである。
論文 参考訳（メタデータ） (2025-02-12T19:03:09Z) - Reinforcement Learning with Maskable Stock Representation for Portfolio
Management in Customizable Stock Pools [34.97636568457075]
ポートフォリオ・マネジメント(PM)は、長期的利益を追求するために、資本を異なる株式に最適な定期的な再配置を探求する基本的な金融取引課題である。
既存のReinforcement Learning (RL) 法では,ストックプールを少し変更してもRLエージェントを再訓練する必要があるため,高い計算コストと不安定な性能が得られる。
我々は,グローバルストックプールにおけるワンショットトレーニングを通じて,PMをCSPで扱うためのEarnMoreを提案する。
論文 参考訳（メタデータ） (2023-11-17T09:16:59Z) - Bi-LSTM Price Prediction based on Attention Mechanism [2.455751370157653]
我々は,金とビットコインという2つの一般的な資産をベースとした,注目機構に基づく双方向LSTMニューラルネットワークを提案する。
予測結果から2年間で1089.34%のリターンを得た。
また,本論文で提案したBi-LSTMモデルと従来のモデルとの比較を行い,本モデルが本データセットで最高の性能を示すことを示す。
論文 参考訳（メタデータ） (2022-12-07T03:56:11Z) - Profitability Analysis in Stock Investment Using an LSTM-Based Deep
Learning Model [1.2891210250935146]
長期記憶ネットワーク(LSTM)ネットワーク上に構築した深層学習に基づく回帰モデルを提案する。
特定の開始日と終了日について、株式のティッカー名に基づいて過去の株価を抽出し、将来の株価を予測する。
インド株式市場の15の重要セクターから選ばれた75の重要銘柄にモデルを配置する。
論文 参考訳（メタデータ） (2021-04-06T11:09:51Z) - GA-MSSR: Genetic Algorithm Maximizing Sharpe and Sterling Ratio Method
for RoboTrading [0.4568777157687961]
外国為替は世界最大の金融市場である。
ほとんどの文献は、歴史的価格情報と技術指標を訓練に用いた。
この問題に対処するため,我々は,技術指標と取引規則から派生した取引規則の特徴を設計した。
論文 参考訳（メタデータ） (2020-08-16T05:33:35Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。