一个明智的比特币矿工应该通过这个模型来理解收入的变化

这可能并不全面，但通过该模来模拟比特币矿工挖矿收入的变化是有用的。

本文是智能比特币矿工系列文章的第二篇。**一篇是“智能比特币矿工应该像管理投资一样操作算力”，这篇文章是由Anica research和新加坡算力和衍生品投资与交易机构general mining research（GMR）共同撰写的。

“当然，任何试图用确定性产生随机数的人都活在罪恶中。”

约翰·冯·诺依曼（约翰·冯·诺依曼）

总结

当假设难以通过实验验证时，可以通过模来模拟收入的变化。比特币挖矿行业不透明，资金密集，但如果以数值模拟为主，定性分析为辅，研究该行业将更加容易。不判断市场变化，投资矿业成本很高，但在实际操作前建立模成本很低。

在本系列的第一部分，我们建立了一个蒙特卡罗模来模拟挖矿机械的公允价值及其对不同市场参数的敏感性。我们证明：由于矿机流动性差，计算力的市场价格往往偏离其理论公允价值。

在上一篇文章中，我们使用了跳跃扩散（jump diffusion）；该过程对未来的价格轨迹进行建模，并使用线性函数来描述全球算力对价格变化的反应。但正如我们在几篇文章中所讨论的，算力和价格之间的动态关系已经超越了简单的线性关系。为了提高框架的代表性，我们必须以整个网络的算力为单位，从自下而上的角度来提高模的精度和模。

参考读数：

《比特币挖矿的三体问题》

https://www.aniccaresearch.tech/blog/bitcoin-minings-three-body-problem

本文根据采煤机的类、总运行成本和采煤策略，将采煤机分为几种样机。每一个矿机原都有不同的利润率和风险考虑。随着挖矿收入的波动，每个矿工都会有一个盈亏，盈亏将使他们决定增加或减少挖矿机械的数量。

在此框架下，网络算力的变化不仅是价格变化的函数，而且是具有不同经济和风险特征的所有矿工产量决策的总和。

模的代码库是完全开源的，可以在这里找到（https://github.com/khelmy/intelligent-bitcoin-miner )得到。

用户可以插入自己的假设，看看他们的挖矿业务从那时起的表现。在本文中，我们将详细介绍该模，解释如何使用该模，并通过对五个场景的分析给出一些有趣的发现。

康威的人生游戏

我们将网络算力建模为单个矿工的输出之和。该方法基于一种称为基于agent的仿真技术。基于Agent的建模起源于20世纪50年代的John von Neumann（John von Neumann）；细胞自动机的早期研究随着约翰·康威的《生命游戏》而流行。

图像源：Teb实验室

参考读数：

《基于Agent的建模》

https://en.***.org/wiki/Agent-based_ 模

《我如何优化康威的人生游戏》

https://medium.com/tebs-lab/optimizing-conways-game-of-life-12f1b7f2f54c

《玩约翰·康威的人生游戏》

https://playgameoflife.com/

这是一个圆形模拟，在二维细胞网格上进行。一个预定的和决定性的规则负责相邻细胞之间的相互作用。每转一圈，细胞的状态都会根据其邻居的状态而改变：如果一个细胞碰巧有三个活着的邻居，他们就会复活；如果有两三个活着的邻居，他们可以生存，否则他们会死。

生命博弈是基于agent的模的一个原始例子，它是一种模拟类，在这种类中，共享全局状态的参与者做出决策。在生命的游戏中，细胞是**人，他们的决定中心化于生存或死亡。结果完全取决于棋盘的初始状态，它可能以非直观的方式演化。

与康威的生活游戏相比，基于Agent的建模有了很大的发展。目前，基于agent的仿真已广泛应用于生态学、经济学、定量金融和智能合约分析等领域。

参考读数：

《动物种群生态学和进化复杂系统研究的启示》

https://academic.oup.com/cz/article/66/1/1/5477426

比特币挖矿的盈利能力取决于比特币的价格、网络总功率，在较小程度上取决于交易成本（目前为止）。计算盈利能力的第二个因素是网络算力，这取决于其他矿工是否计划运行或关闭这台机器。因此，矿工盈利能力的预测必须是迭代的，这一问题非常适合基于agent的建模。

假设比特币的价格完全独立于网络算力，我们可以将其建模为一个独立的几何布朗运动。时间序列中的每一天都可视为一轮；在每轮开始时，价格和全局算力被输入到矿工**的决策过程中。

参考读数：

《几何布朗运动》

https://en.***.org/wiki/Geometric_ 布朗运动

每个矿主根据自己的利润率，通过改变运行的机器数量来扩大或缩小作业规模，并公布作业的算力。每个矿工的力量输出之和成为一个新的全球力量。

作为**人的矿工

将矿工建模为**人的实质是将矿业经济学中的输入变量参数化。权力Alchemy（权力Alchemy）；本文提出了自反性的概念：每个挖矿作业都会受到自然条件和经营者对市场的主观感知的严重影响。

参考读数：

《权力的Alchemy》；

https://www.aniccaresearch.tech/blog/the-alchemy-of-hashpower-part-i

虽然不可能涵盖所有的决策因素，但我们认为，矿工类、成本基础和战略应该是决定矿工行为的主要因素。在矿工类别中，我们将这些因素设置为参数。

机器类

在现实世界中，挖矿作业通常涉及许多不同类的挖矿机。为了简单起见，我们让每个miner原在整个分析过程中使用一个miner类。在此版本的模拟中，我们支持以下矿工类：

成本基础：总电价能耗

在整个模拟过程中，每个矿工被分配一个平均总功率。能源消耗是矿工的：挖矿机数量*挖矿机类消耗。

每天，矿工的运营成本等于：能耗/1000*总电费*24。

我们还指定了总费率分配，它决定了初始化时相关矿工原的挖矿机数量。

在此版本中，我们提供以下默认分层。用户可以在运行模拟之前自定义它。

基于尽力而为的预测

策略

长比特币

每日结算

在初始化时为每个矿工分配一个策略。实际上，矿工们可以使用多种策略。只要他们对市场状况的看法改变，他们就可以在这些策略之间进行转换。

为了简单起见，我们在整个模拟过程中根据相同的策略对每个矿工进行建模。在“智能比特币矿工，第一部分”（智能比特币矿工，第一部分）；我们介绍了这两种策略，并评估了它们在不同市场周期中的表现。

参考读数：

智能比特币矿工应该像管理投资一样操作算力

长比特币意味着矿工每天只能卖出足够的比特币来支付运营费用，并将剩余收入留在比特币中。

每日清算意味着矿工立即将所有资产转换成美元。

矿工的策略决定了其美元和比特币头寸的分配方式。在使用多比特币策略计算矿工利润时，需要考虑未实现收益。未实现收入按比特币头寸*比特币价格计算。

基于这三个变量的组合，我们将矿工的世界划分为11种挖矿机械、7种电力成本水平和2种策略，总共；154个原。

在初始化过程中，我们使用；哈希率索引；以及；一般挖矿研究；除了其他来源的数据外，它还提供了市场上挖矿机的默认分层和价格数据。用户可以在模拟前自定义以下内容：

价格数据：hashrate指数，通用矿业研究。功率百分比：基于各种来源的估计

参考读数：

《比特币在互联网上运行》；“税率”

https://hashrateindex.com/

https://www.gmr.xyz/

电价分配和挖矿机械分层是每个矿工挖矿机械数量的输入。这代表矿工操作的挖矿机器的数量。应该注意的是，在实践中，这两种分布并不像模中假设的那样在统计上是独立的——例如，像S9这样的老式挖矿机更有可能由能够获得更便宜电力的矿工操作。

在模拟开始时，所有矿工的挖矿机数量*计算力之和被缩放到大约等于当前网络计算力水平，即；硬币指标；收进。

参考读数：

https://charts.coinmetrics.io/network-data/

为了跟踪矿工的表现，我们在矿工类别中添加了一个简单的账户余额和历史利润计算器。

账户余额

美元头寸

比特币头寸

计算位置

初始计算位置是矿工人数*矿工类算力。

盈利能力

每日利润

最近30天的利润

全部利润

随着市场的发展，盈利能力决定了矿工的行为。我们将在下一节介绍这种机制。最近30天的利润和所有利润是延期利润的总和。

下面是miner类的所有数据项的示例。Miner类代码可在中找到；**.py；文件。

参考读数：

https://github.com/khelmy/intelligent-bitcoin-miner/blob/main/agents.py

矿工效用函数

当预期盈利能力较高时，矿工们可能会想购买更多的挖矿机。当预期未来盈利能力为负时，他们可能会关闭一些挖矿机以降低运营成本。我们需要准确地定义矿工如何增加或减少他们的算力。

现实中，会有很多外部因素促使矿工决定购买或关闭矿机，比如能否获得外部融资，甚至是否太累。为了简单起见，我们将矿工的历史利润建模为矿工决策过程中的主要输入。

决策过程将过去30天的利润作为输入，并计算用于生成操作的结果。计算过程如下：

如果最近30天的利润为零或负，矿工将减少X台挖矿机，直到收支平衡。计算很简单：损失（过去30天的利润）除以每个矿工的能源消耗成本。

如果最近30天的利润为正，超过一定的临界值，矿工们将增加挖矿机的数量。阈值为：最近30天的利润nbspgt；所有（支出）；总数。

增加的矿机数量计算如下：（过去30天利润的全部（费用）之和）矿机价格*矿机增长系数。

每种类的矿工都有一个增长率，这反映了他们的相对增长。由于厂家没有继续生产的意愿，老一代矿机的增长速度很小。我们还为添加新矿工设置了反应延迟。新订单的生产和交付通常需要一段时间。

在我们的模中，这意味着在触发添加x个矿工的操作之后，不会立即将矿工添加到矿工的帐户中。我们为每种机器类设置了一个常量列表作为反应时间。响应延迟是一个静态近似值，应该定期更新以反映供应链能力的变化。

基于**努力估计

总之，触发器功能输出矿工购买或出售的挖矿机数量。

用户可以用他们认为合适的常数更新生长因子和反应日。调整后的代码可以在；模拟器.py；在中找到。

参考读数：

https://github.com/khelmy/intelligent-bitcoin-miner/blob/main/Simulator.py

设置模拟

在第一部分中，我们使用随机过程来预测比特币在模拟生命周期中的价格。几何布朗运动模的基本支撑来自于从硬币度量中提取的历史价格数据。

综上所述，我们使用下表来说明流程的工作原理：

参考读数：

智能比特币矿工应该像管理投资一样操作算力

场景分析

为了验证模，我们模拟了不同的市场条件，并分析了由此产生的矿工行为。我们评估了一个用户矿工的盈利能力，他收到了100万美元的预付款，用于购买挖矿机，但无法进一步扩大经营规模。模拟手术持续100天，平均25次。

根据不同类的挖矿机械和几种不同的电力成本来衡量用户的盈利能力。亮点如下。

使用的参数绝不是确定性的，用户可以根据自己的假设自由地重新运行分析。情景分析代码见；主.py；在中找到。

参考读数：

https://github.com/khelmy/intelligent-bitcoin-miner/blob/main/main.py

牛市景象

我们的第一次测试模拟了牛市。考虑到本文撰写时牛市的持续性，我们简单地用历史数据拟合几何布朗运动模。在这种情况下，价格逐渐涨到10万元以上，并经历了几次修改。

网络算力稳步提升。随着价格的下降，它经历了一些小的滞后修正。

在这种情况下，即使电价非常高，保持比特币头寸的利润也远高于每天卖出比特币。鉴于比特币价格的快速上涨，这是有道理的。

按照每千瓦时4美分的价格计算，只有使用S9挖矿机并以比特币持仓的矿工才能在100天的模拟期内实现盈亏平衡。

市场波动

在第二个情景分析中，我们模拟了一个高度波动的市场，并对历史进行了拟合；GBM模中的波动项增加了25%，漂移设置为0。最初的价格涨到了近8万美元，后来暴跌到4万多美元。

算力开始迅速增长，但随着价格下跌，它开始稳定下来。由于响应延迟，算力将继续增加，但速度较慢。

最初，这两种策略表现平平，比特币多头的表现略好于每日清算卖家。随着价格下跌，持有比特币风险敞口的矿工将因承担额外风险而受到惩罚，持有比特币的市值将下降。

熊市

第三种模拟是通过；GBM公司；拟合历史数据，翻转漂移项符号模拟熊市。价格已从目前的水平急剧下降到近3万美元。

为应对价格下跌，网络算力进入回调后初步上升。这是从库存刷新到权力Alchemy中引入的周期冲击的转变。

参考读数：

《法力的Alchemy，第二部分》

https://www.aniccaresearch.tech/blog/the-alchemy-of-hashpower-part-ii

在熊市中，每个人都会遭殃。对于比特币看涨者来说尤其如此：以每千瓦时4美分的价格计算，如果面临比特币风险敞口，即使是很高效的运营也无法在模拟期收回其初始投资的一半。

每日结算卖家的表现明显更好，但他们的收益仍取决于比特币的价格，因此他们的表现仍不如牛市中的表现。

在牛市中，使用旧的还是新的挖矿机更好？

场景4使用与场景1相同的历史参数来比较运行新硬件和旧硬件的矿工的性能以及具有竞争力的电价。

这一次，价格飙升至14万多美元，一路加速。算力也迅速提高。

场景1与场景4

考虑到牛市的强度，在S9 miner的操作下，即使是每天清算比利币的矿工也可以在100天的模拟期内实现盈亏平衡。S19采煤机虽然利润较低，但在每天销售的同时仍能收回大部分的初期投资。

在这种情况下，做多比特币的矿工利润惊人。在模拟期间，运行S9的矿工的投资基本翻了一番，S19矿工也能获得可观的利润。

在熊市中降低运营成本有多重要？

第五次也是**一次模拟是回到熊市。这一次的目标是分析电力成本对盈利能力的影响。为此，我们评估了；第9部分；以及；S19矿机在熊市条件下的表现，电费分别为每千瓦时3分、4分和5分。

情况类似于情景3：价格大幅下跌，算力有一个浅而长期的修正。

场景3与场景5

对于；对S9矿工来说，电力成本带来了实质性的变化。尽管在这种情况下矿工的表现不佳，但无论电费是多少，当电费为每千瓦时3美分时，持有比特币多头的矿工的回报率接近其初始投资的40%。如果电费是每千瓦时5分钱，回报率略低于32%。

这种对电价的敏感性有助于解释为什么S9矿工倾向于在电价较低的地区开展业务。

对于；对于S19矿工来说，这种差异不太明显。尽管电价较低的矿工收入仍高于电价较高的矿工，但这一变量对盈利能力的影响要小得多。

结论

维度是统计学家的天敌，而比特币挖矿是一个很难建模的问题。即使我们的模，只做了一些简化的假设，也比我们最初的想法复杂得多。与所有基于蒙特卡罗的工具一样，它的预测能力基本上受到用户偏见的限制，这些偏见从初始种子条件扩散到所有结果。

参考读数：

https://en.***.org/wiki/All_ 模错误

我们的模明确假设价格和算力之间的关系是单向的，并且假设挖矿机械模和电力成本分布之间是独立的。所有的模都是不完整的，但有些是有用的。

我们认为这个模是有用的。在聪明的比特币矿工的工具箱里，它应该找到自己的位置。