Slimme Timing voor Mijnbouw: Een Deep Learning-raamwerk voor ROI-voorspelling van Bitcoin-hardware

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

December 5, 2025

Auteurs: Sithumi Wickramasinghe, Bikramjit Das, Dorien Herremans

cs.AI

Samenvatting

De aanschaf van bitcoin-mininghardware vereist strategische timing vanwege volatiele markten, snelle technologische veroudering en protocolgedreven inkomstencycli. Hoewel mining is geëvolueerd naar een kapitaalintensieve industrie, is er weinig richtlijn over wanneer nieuwe Application-Specific Integrated Circuit (ASIC)-hardware moet worden aangeschaft, en geen bestaande computationele raamwerken behandelen dit beslissingsprobleem. Wij voorzien in deze leemte door hardwareaanschaf te formuleren als een tijdreeksclassificatietaak, waarbij wordt voorspeld of de aankoop van ASIC-machines binnen één jaar rendabel (Return on Investment (ROI) >= 1), marginaal (0 < ROI < 1) of onrendabel (ROI <= 0) oplevert. Wij presenteren MineROI-Net, een open source Transformer-gebaseerde architectuur ontworpen om multi-schaal temporele patronen in miningwinstgevendheid vast te leggen. Geëvalueerd met gegevens van 20 ASIC-miners uitgebracht tussen 2015 en 2024 in diverse marktomstandigheden, presteert MineROI-Net beter dan LSTM-gebaseerde en TSLANet-basislijnen, met een nauwkeurigheid van 83,7% en een macro F1-score van 83,1%. Het model toont sterke economische relevantie, met een precisie van 93,6% bij het detecteren van onrendabele periodes en 98,5% voor rendabele periodes, terwijl het misclassificatie van rendabele scenario's als onrendabel en vice versa vermijdt. Deze resultaten geven aan dat MineROI-Net een praktisch, datagedreven instrument biedt voor het timen van mininghardwareaankopen, wat het financiële risico in kapitaalintensieve miningoperaties kan verminderen. Het model is beschikbaar via: 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.