Intelligente Timing-Strategien im Mining: Ein Deep-Learning-Framework zur Prognose der Kapitalrendite von Bitcoin-Hardware

Smart Timing for Mining: A Deep Learning Framework for Bitcoin Hardware ROI Prediction

December 5, 2025

papers.authors: Sithumi Wickramasinghe, Bikramjit Das, Dorien Herremans

cs.AI

papers.abstract

Die Beschaffung von Bitcoin-Mining-Hardware erfordert strategisches Timing aufgrund volatiler Märkte, rascher technologischer Obsoleszenz und protokollgesteuerter Ertragszyklen. Obwohl sich das Mining zu einer kapitalintensiven Industrie entwickelt hat, gibt es wenig Orientierungshilfen für den optimalen Zeitpunkt zum Kauf neuer anwendungsspezifischer integrierter Schaltkreise (ASIC) und bisher keine rechnerischen Frameworks für diese Entscheidungsproblematik. Wir schließen diese Lücke, indem wir die Hardwarebeschaffung als Zeitreihenklassifizierungsaufgabe formulieren, die vorhersagt, ob der Kauf von ASIC-Maschinen innerhalb eines Jahres profitable (Return on Investment (ROI) ≥ 1), marginale (0 < ROI < 1) oder unprofitable (ROI ≤ 0) Erträge erzielt. Wir präsentieren MineROI-Net, eine quelloffene Transformer-basierte Architektur, die entwickelt wurde, um mehrskalige temporale Muster in der Mining-Rentabilität zu erfassen. Ausgewertet an Daten von 20 ASIC-Minern, die zwischen 2015 und 2024 in verschiedenen Marktregimen veröffentlicht wurden, übertrifft MineROI-Net LSTM-basierte und TSLANet-Baselines mit einer Genauigkeit von 83,7 % und einem makro F1-Score von 83,1 %. Das Modell zeigt starke ökonomische Relevanz, erreicht eine Präzision von 93,6 % bei der Erkennung unprofitabler Perioden und 98,5 % für profitable Perioden, während es Fehlklassifikationen profitabler Szenarien als unprofitabel und umgekehrt vermeidet. Diese Ergebnisse deuten darauf hin, dass MineROI-Net ein praktisches, datengestütztes Werkzeug für das Timing von Mining-Hardware-Beschaffungen bietet und potenziell das finanzielle Risiko in kapitalintensiven Mining-Operationen reduziert. Das Modell ist verfügbar unter: https://github.com/AMAAI-Lab/MineROI-Net.

English

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.