Chronométrage Intelligent pour l'Extraction Minière : Un Cadre d'Apprentissage Profonde pour la Prédiction du Retour sur Investissement du Matériel Bitcoin

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

L'acquisition de matériel de minage de Bitcoin nécessite un timing stratégique en raison de la volatilité des marchés, de l'obsolescence technologique rapide et des cycles de revenus dictés par le protocole. Bien que le minage soit devenu une industrie capitalistique, il existe peu de conseils sur le moment opportun pour acheter de nouveaux matériels ASIC (Circuit Intégré Spécifique à une Application), et aucun cadre computationnel antérieur ne traite de ce problème décisionnel. Nous comblons cette lacune en formulant l'acquisition de matériel comme une tâche de classification de séries temporelles, prédisant si l'achat de machines ASIC génère des rendements rentables (Retour sur Investissement (ROI) >= 1), marginaux (0 < ROI < 1) ou non rentables (ROI <= 0) dans un délai d'un an. Nous proposons MineROI-Net, une architecture open source basée sur un Transformer conçue pour capturer les motifs temporels multi-échelles de la rentabilité du minage. Évalué sur des données de 20 mineurs ASIC commercialisés entre 2015 et 2024, couvrant divers régimes de marché, MineROI-Net surpasse les modèles de référence basés sur les LSTM et TSLANet, atteignant une précision de 83,7 % et un score F1 macro de 83,1 %. Le modèle démontre une forte pertinence économique, atteignant une précision de 93,6 % pour détecter les périodes non rentables et de 98,5 % pour les périodes rentables, tout en évitant de classer à tort les scénarios rentables comme non rentables et vice-versa. Ces résultats indiquent que MineROI-Net offre un outil pratique et fondé sur les données pour déterminer le moment d'acquisition du matériel de minage, permettant potentiellement de réduire le risque financier dans les opérations de minage capitalistiques. Le modèle est disponible à l'adresse : 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.