Tempistica Intelligente per il Mining: Un Framework di Deep Learning per la Previsione del ROI dell'Hardware Bitcoin

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

December 5, 2025

Autori: Sithumi Wickramasinghe, Bikramjit Das, Dorien Herremans

cs.AI

Abstract

L'acquisizione di hardware per il mining di Bitcoin richiede un tempismo strategico a causa della volatilità dei mercati, della rapida obsolescenza tecnologica e dei cicli di ricavo determinati dal protocollo. Nonostante l'evoluzione del mining in un'industria ad alta intensità di capitale, esistono poche linee guida su quando acquistare nuovi hardware ASIC (Application-Specific Integrated Circuit), e nessun framework computazionale precedente affronta questo problema decisionale. Colmiamo questa lacuna formulando l'acquisizione dell'hardware come un task di classificazione di serie temporali, prevedendo se l'acquisto di macchine ASIC generi rendimenti redditizi (ROI >= 1), marginali (0 < ROI < 1) o non redditizi (ROI <= 0) entro un anno. Proponiamo MineROI-Net, un'architettura open source basata su Transformer, progettata per catturare pattern temporali multi-scala nella redditività del mining. Valutato su dati di 20 miner ASIC rilasciati tra il 2015 e il 2024 in diversi regimi di mercato, MineROI-Net supera i baseline basati su LSTM e TSLANet, raggiungendo un'accuratezza dell'83.7% e un macro F1-score dell'83.1%. Il modello dimostra una forte rilevanza economica, raggiungendo una precisione del 93.6% nel rilevare periodi non redditizi e del 98.5% per quelli redditizi, evitando al contempo di classificare erroneamente scenari redditizi come non redditizi e viceversa. Questi risultati indicano che MineROI-Net offre uno strumento pratico e basato sui dati per il tempismo delle acquisizioni di hardware per il mining, potenzialmente riducendo il rischio finanziario nelle operazioni di mining ad alta intensità di capitale. Il modello è disponibile all'indirizzo: 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.