聪明的比特币矿工应该通过模型了解收益的变化

参考阅读：

《基于主体的建模》

我如何优化康威的生命游戏

“玩约翰康威的生命游戏”

这是一个回合制模拟，发生在二维单元格上。 预先指定的确定性规则控制相邻单元格之间的交互。 每一轮，一个细胞的状态都会根据其邻居的状态而变化：如果一个细胞恰好有三个活着的邻居，它们就会复活； 如果它有两个或三个活着的邻居，他们还活着，否则他们就死了。

生命游戏是基于代理模型的原始示例，这是一种模拟，其中由共享全局状态的玩家做出决策。 在生命游戏中，细胞是代理人，其决定围绕着是生还是死。 结果完全取决于棋盘的初始状态，它可能以非直觉的方式演变。

基于代理的建模与康威的生命游戏相距甚远。 如今，基于代理的模拟广泛应用于生态学、经济学、量化金融和智能合约分析。

参考阅读：

“对动物种群生态学和进化的复杂系统研究的见解”

比特币挖矿的盈利能力取决于比特币的价格、整个网络的计算能力，以及较小程度上的交易费用（到目前为止）。 计算盈利能力的第二个因素，网络哈希率，取决于其他矿工是否打算运行或关闭他们的机器。 因此，矿工盈利能力的预测必须是迭代的，这个问题很适合基于代理的建模。

假设比特币价格完全独立于网络计算能力，我们可以将价格建模为独立的几何布朗运动。 时间序列中的每一天都可以看作一个回合； 在每一轮开始时，价格和全局哈希率都会被输入到矿工代理的决策过程中。

参考阅读：

《几何布朗运动》

根据他们的利润率，每个矿工通过改变他们运行的机器数量来扩大或缩小他们的运营，并公布他们运营的哈希率。 因此，每个矿工的哈希率输出之和成为新的全局哈希率。

矿工作为代理人

将矿工建模为代理人实质上参数化了矿业经济学中的输入变量。 在算力炼金术中，我们引入了算力自反性的概念：每次挖矿操作都深受物理条件和运营商对市场主观看法的影响。

参考阅读：

“算力炼金术”

虽然不可能涵盖所有决策因素，但我们认为矿工类型、成本基础和策略应该是决定矿工行为的主要因素。 我们将这些因素定义为矿工类别中的参数。

机器的种类

在现实世界中，一次挖矿作业通常涉及多种不同类型的矿机。 为简单起见，我们让每个矿工原型在整个分析过程中使用单一矿工类型。 在这个版本的模拟中，我们支持以下矿工类型：

成本基础：总电能消耗

在整个模拟过程中，每个矿工都被分配了平均总电量。 矿工能耗：矿机台数*矿机种类消耗。

矿工每天产生的运营费用等于：能耗/1000*总电费*24。

我们还指定了总电力成本分布，它确定了初始化时相关矿工原型的矿工数量。

在此版本中，我们提供以下默认图层。 用户可以在运行模拟之前对其进行自定义。

尽力而为预测

战略

每个矿工在初始化时都被分配了一个策略。 在实践中，矿工可以使用多种策略，只要他们对市场状况的看法发生变化，就会在它们之间切换。

为简单起见，我们在整个模拟过程中按照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中，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。

参考阅读：

“”

做多比特币意味着矿工每天只能出售足够的比特币来支付运营费用，并将其余收入留在比特币中。

每日清算是指矿工立即将所有资产转换为美元。

矿工的策略决定了他们的美元头寸和比特币头寸如何分配。 在使用看涨比特币策略计算矿工的利润时，需要考虑未实现的收益。 未实现利润由比特币持仓量*比特币价格计算。

基于这三个变量的组合，我们将矿工世界分解为 11 种矿工类型、7 种电费等级和 2 种策略，共计 154 种原型。

在初始化时，我们根据 Hashrate Index 和 General Mining Research 以及其他一些来源的数据，为市场上的矿工提供了默认等级和价格数据。 用户可以在模拟之前自定义：

价格数据：哈希率指数，General Mining Research。哈希率百分比：基于各种来源的估计

参考阅读：

“比特币在哈希率上运行”

电费分配和矿工分级是每个矿工的矿工数量的输入。 这代表了挖矿行业的矿工数量。 请注意，在实践中，这两个分布并不像模型中假设的那样在统计上是独立的——例如，像 S9 这样的老矿工更有可能由能够获得更便宜电力的矿工运营。

在模拟开始时，矿工数量*所有矿工的哈希率之和被缩放为大致等于当前网络哈希率水平，这是从 Coin Metrics 收集的。

参考阅读：

为了跟踪矿工绩效比特币交易流程概述，我们在矿工类别中包含了一个简单的账户余额和历史利润计算器。

美元头寸

比特币头寸

算力地位

初始算力位置为矿工矿机数量*矿机_类型_算力。

每日利润

最近 30 天的利润

所有利润

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个机制。 最近 30 天的利润和所有利润是扩展利润的总和。

以下是示例矿工类的所有数据条目。 矿工类的代码可以在 agents.py 文件中找到。

参考阅读：

矿工的效用函数

当预期盈利能力高时，矿工可能希望购买更多的矿机，而当预期未来盈利能力为负时，他们可能会关闭部分矿机以减少运营费用。 我们需要准确定义矿工如何增加或减少他们的哈希率。

在现实中，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，甚至是否太累了。 为简单起见，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。

决策过程将最近 30 天的利润作为输入并计算生成操作的结果。 计算过程如下：

如果最近 30 天的利润为零或负数，矿工将减少 x 台矿机，直到盈亏平衡。 计算方法很简单：损失（最近30天的利润）除以每台矿机的能耗成本。

如果最近30天的收益为正且超过一定阈值，矿工将增加矿机数量。 阈值是：最近 30 天的利润 > 所有（支出）的总和。

增加的矿机数量计算如下：（最近30天所有利润（支出）之和）/矿机价格*矿机增长系数。

每种矿工类型都有一个反映其相对增长的增长率。 老一代矿机由于厂商续产意愿不足，增速较小。 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。

在我们的模型中，这意味着添加 x 个矿工的动作被触发后，矿工不会立即添加到矿工账户中。 我们设置了一个常量列表作为每种机器类型的反应时间。 响应延迟是静态近似值，应定期更新以反映供应链能力的变化。

尽力估计

总而言之，触发函数输出矿工买入或卖出的矿工数量。

用户可以用他们认为合适的常量更新生长因子和反应天数。 调整后的代码可以在 Simulator.py 中找到。

参考阅读：

设置模拟

与第 1 部分一样，我们使用随机过程来预测比特币在模拟生命周期内的价格。 几何布朗运动模型的底层支持来自 Coin Metrics 中提取的历史价格数据。

把所有东西放在一起，我们使用下图来说明这个过程是如何工作的：

参考阅读：

“”

场景分析

为了测试模型，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。 我们评估了一位用户矿工的盈利能力，该矿工预付了 100 万美元用于购买挖矿设备，但无法进一步扩大运营规模。 模拟运行 100 天，取 25 次试验的平均结果。

用户盈利能力是根据不同的矿工类型和几种不同的电力成本来衡量的。 下面列出了要点。

使用的参数绝不是确定的，用户可以根据自己的假设自由地重新运行分析。 场景分析的代码可以在main.py中找到。

参考阅读：

牛市场场景

我们的第一个测试模拟牛市情景。 鉴于在撰写本文时牛市仍在继续，我们只是将几何布朗运动模型拟合到历史数据。 在这种情况下，价格逐渐升至 100,000 美元以上，并在此过程中经历了几次修正。

网络哈希率稳步上升，随着价格的降低进行了一些小的滞后修正。

在这种情况下，即使在高电价的情况下，保持比特币头寸比每天卖出比特币更有利可图。 鉴于比特币价格的快速升值，这是有道理的。

在每千瓦时 4 美分的价格下，只有使用 S9 矿机并保持比特币头寸的矿工才能在 100 天的模拟期内收支平衡。

市场波动

在第二种情景分析中，我们模拟了一个极度波动的市场，将历史拟合的 GBM 模型中的波动项增加了 25%，并将漂移设置为零。 价格最初上涨至近 80,000 美元，然后暴跌至略高于 40,000 美元。

计算能力开始快速增长，但随着价格下降开始趋于稳定。 由于响应延迟，哈希率将继续增加，但速度较慢。

最初，这两种策略表现相同，比特币多头的表现略好于每日清算卖家。 随着价格下跌，拥有比特币敞口的矿工因承担额外风险而受到惩罚，他们持有的比特币的市场价值也会下降。

熊市

第三个模拟通过将 GBM 拟合到历史数据并翻转漂移项的符号来模拟熊市。 价格从目前的水平急剧下跌，跌至近 30,000 美元。

为了应对价格下跌，网络哈希率在最初上涨后进入修正。 这是《算力炼金术》中介绍的从库存刷新到周期性震荡阶段的过渡。

参考阅读：

《哈希算力的炼金术，第二部分。》

在熊市中，每个人都会受苦。 对于比特币多头来说尤其如此：以每千瓦时 4 美分的价格计算，如果使用比特币，即使是最高效的操作也无法在模拟期间收回一半的初始投资。

每日清算卖家的表现要好得多，但在牛市中仍然表现不佳，因为他们的收入仍然取决于比特币的价格。

在牛市中，用旧矿机好还是用新矿机好？

场景 4 使用与场景 1 相同的历史参数，旨在比较矿工在有竞争力的电价下运行新旧硬件的性能。

这一次，价格飙升至14万美元以上，一路加速。 计算能力也迅速增长。

场景 1 与场景 4

考虑到牛市的强度，即使是每天清仓 Billioncoins 的矿工，在运行 S9 矿机的 100 天模拟期内也能实现收支平衡。 S19 矿机的利润要低得多，但在每天出售的同时仍能收回大部分初始投资。

在这种情况下，做多比特币的矿工获得了惊人的利润。 在模拟期间，运行S9的矿工基本翻倍投入，S19矿工也获得了可观的收益。

在熊市中降低运营成本有多重要？

第五次也是最后一次模拟返回熊市运行，这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 S9 和 S19 矿机在熊市条件下的性能，电费成本分别为每千瓦时 3 美分、4 美分和 5 美分。

该场景与场景 3 类似：价格暴跌，哈希率出现小幅但长时间的修正。

场景 3 与场景 5

对于 S9 矿工来说，电力成本有很大的不同。 尽管无论电费如何，矿工在这些条件下表现不佳，以每千瓦时 3 美分计算，如果电费转换为每千瓦时 5 美分，那么做多比特币的矿工将获得接近其初始投资的 40% 的收益回报率略低于32%。

这种对电价的敏感性有助于解释为什么 S9 矿工倾向于在电价便宜的地区运营。

对于 S19 矿工比特币交易流程概述，差异不太明显。 虽然电价较低的矿工仍然比电价较高的矿工赚得更多，但这个变量对盈利能力的影响要小得多。

综上所述

维度是统计学家的天敌，比特币挖矿是一个很难建模的问题。 即使我们的模型只做了一些简化的假设，也比我们最初假设的要复杂得多。 与所有基于蒙特卡罗的工具一样，它的预测能力从根本上受到从初始种子条件到所有结果的用户偏见的限制。

参考阅读：

我们的模型明确假设价格和哈希率之间的关系是单向的，同时假设潜在相关的矿工模型和电力成本分布之间是独立的。 所有模型都不全面，但有些是有用的。

我们认为这个模型很有用。 它应该在明智的比特币矿工的工具箱中找到一席之地。

链闻精选好文｜解读Coinbase上币全过程及其潜在影响