Timing Inteligente para Mineração: Uma Estrutura de Aprendizado Profundo para Previsão do ROI de Hardware de Bitcoin
Smart Timing for Mining: A Deep Learning Framework for Bitcoin Hardware ROI Prediction
December 5, 2025
Autores: Sithumi Wickramasinghe, Bikramjit Das, Dorien Herremans
cs.AI
Resumo
A aquisição de hardware para mineração de Bitcoin requer um timing estratégico devido à volatilidade dos mercados, à rápida obsolescência tecnológica e aos ciclos de receita determinados pelo protocolo. Apesar da evolução da mineração para uma indústria intensiva em capital, existe pouca orientação sobre quando adquirir novos hardwares de Circuito Integrado de Aplicação Específica (ASIC), e nenhum framework computacional anterior aborda este problema de decisão. Nós colmatamos esta lacuna ao formular a aquisição de hardware como uma tarefa de classificação de séries temporais, prevendo se a compra de máquinas ASIC gera retornos lucrativos (Retorno sobre o Investimento (ROI) >= 1), marginais (0 < ROI < 1) ou não lucrativos (ROI <= 0) no prazo de um ano. Propomos a MineROI-Net, uma arquitetura de código aberto baseada em Transformer, projetada para capturar padrões temporais multiescala na rentabilidade da mineração. Avaliada com dados de 20 mineradores ASIC lançados entre 2015 e 2024 em diversos regimes de mercado, a MineROI-Net supera as baselines baseadas em LSTM e TSLANet, alcançando 83,7% de precisão e 83,1% de macro F1-score. O modelo demonstra forte relevância económica, alcançando 93,6% de precisão na deteção de períodos não lucrativos e 98,5% de precisão para os lucrativos, evitando a classificação incorreta de cenários lucrativos como não lucrativos e vice-versa. Estes resultados indicam que a MineROI-Net oferece uma ferramenta prática e baseada em dados para o timing de aquisições de hardware de mineração, podendo reduzir o risco financeiro em operações de mineração intensivas em capital. O modelo está disponível em: 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.