聪明的比特币矿工应该使用模型来了解收入变化
参考阅读：
(资料图片)
“基于代理”
我是怎样的人生游戏
玩约翰的人生游戏
这是一个基于回合的模拟，发生在二维单元格上。预先指定的确定性规则管理相邻单元之间的交互。每一轮，一个细胞的状态会根据其邻居的状态而改变：如果一个细胞恰好有三个活着的邻居，它们就会复活；如果有两三个活着的邻居，他们就会生存，否则就会死亡。
生命游戏是基于代理的模型的原始示例，这是一种模拟类型，其中决策由共享全局状态的参与者做出。在“生命游戏”中，细胞是其决定围绕着生死攸关的代理人。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变。
基于代理的建模从康威的生命游戏中有了很大的发展。今天，基于代理的模拟被广泛用于生态学、经济学、量化金融和智能合约分析。
参考阅读：
“从为和的研究”
比特币挖矿的盈利能力取决于比特币的价格、网络总算力，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是网络哈希率，取决于其他矿工是否打算运行或关闭机器。因此，矿工盈利能力的预测必须是迭代的，这个问题非常适合基于代理的建模。
假设 比特币price 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被认为是一个回合；在每一轮开始时，价格和全球哈希率都被输入到矿工代理的决策过程中。
参考阅读：
" "
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规模，并宣布他们运营的哈希率。每个矿工的算力输出之和由此成为新的全球算力。
矿工作为代理人
将采矿建模为代理本质上参数化了采矿经济学中的输入变量。在《算力炼金术》（The of Power）中，我们提出算力自反性的概念：每一次挖矿操作都受到物理条件和运营商对市场的主观感知的影响很大。
参考阅读：
“的”
虽然不可能涵盖所有的决策因素，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。我们在矿工类别中参数化这些因素。
机器的种类
在现实世界中，采矿作业通常涉及许多不同类型的矿工。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：总电费能源消耗
在整个模拟过程中，每个矿工都被分配了一个平均总功率。能源消耗是针对矿工的：矿工数量 * 矿工类型的消耗。
每天，矿工产生的运营费用等于：能耗/1000*总电费*24。
我们还指定了一个总电费分布，它决定了初始化时相关矿工原型的矿工数量。
在此版本中，我们提供了以下默认层。用户可以在运行之前自定义模拟。
尽力而为的预测
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 The Miner, Part I 中，我们描述了这两种策略并评估它们在不同市场周期中的表现。
参考阅读：
《》
做多 比特币 意味着矿工每天只卖出足够的 比特币 来支付运营费用，其余的留在 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。在使用看涨的 比特币 策略计算矿工的利润时，需要考虑未实现的收益。未实现收益按比特币仓位*比特币的价格计算。
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 种电力成本层和 2 种策略，总共 154 个原型。
在初始化时，我们根据指数和其他几个来源的数据为市场上的矿工提供默认等级和价格数据。用户可以在模拟前自定义：
价格数据：指数，. 哈希率百分比：基于各种来源的估计
参考阅读：
《奔跑》
电费分配和矿工分层是每个矿工的矿工数量的输入。这代表了采矿业的矿工数量。请注意，在实践中，这两种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操作。
在模拟开始时，所有矿工的矿工数量 * 算力之和被缩放到大致等于从 Coin 收集的当前网络算力水平。
参考阅读：
为了跟踪矿工的表现，我们在矿工类别中加入了一个简单的账户余额和历史利润计算器。
美元头寸
比特币位置
算力位置
初始算力位置为矿工的矿机数量* ng power。
每日利润
过去 30 天盈利
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种机制。最近 30 天的利润和总利润是延长利润的总和。
以下是示例矿工类的所有数据条目。矿工类的代码可以在 .py 文件中找到。
参考阅读：
矿工效用函数
当预期盈利能力较高时，矿工可能想购买更多的矿机，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计算能力。
现实中，也有很多外部因素促使矿工决定购买或关闭矿机，比如是否能从外部获得融资，甚至是否太累。为简单起见，我们将矿工的历史利润建模为矿工决策过程的主要输入。
决策过程将过去 30 天的收入作为输入，并计算用于生成操作的结果。计算过程如下：
如果最近 30 天的利润为零或负数，矿工将矿工数量减少 x 直到盈亏平衡。计算很简单：损失（过去 30 天的利润）除以每个矿工的能源成本。
如果最近 30 天的利润为正且超过一定阈值，矿工将增加矿工数量。阈值是：最近 30 天的利润 > 所有（支出）的总和。
添加的矿工数量计算如下：（过去 30 天所有（支出）利润的总和）/矿工价格 * 矿工增长因子。
每种矿工类型都有一个反映其相对增长的增长率。由于厂商持续生产意愿不足，老一代矿机的增长幅度较小。我们还为添加新矿工设置了响应延迟。新订单的生产和交付通常需要一段时间。
在我们的模型中，这意味着在触发添加 x 个矿工的操作后，不会立即将矿工添加到矿工的帐户中。我们设置了一个常量列表作为每种机器类型的反应时间。响应延迟是一个静态近似值，应定期更新以反映供应链能力的变化。
基于尽力而为的估计
总而言之，触发函数输出矿工买卖的矿工数量。
用户可以使用他们认为合适的常量更新增长因子和响应天数。调整后的代码可以在 .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模拟生命周期内的 比特币 价格。几何布朗运动模型的基本支持来自从 Coin 中提取的历史价格数据。
将所有内容放在一起，我们使用下图来说明此过程的工作原理：
参考阅读：
《》
情景分析
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，该矿工获得了 100 万美元的前期资金来购买矿机，但无法进一步扩大运营规模。模拟运行了 100 天，结果平均超过 25 次试验。
用户盈利能力是通过不同的矿工类型和几种不同的电费来衡量的。亮点如下所示。
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。场景分析的代码可以在 main.py 中找到。
参考阅读：
牛市场景
我们的第一个测试模拟了牛市情景。鉴于撰写本文时正在进行的牛市，我们只需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，随着价格的降低比特币如何收益，经历了一些小的滞后修正。
在这种情况下，保持 比特币 头寸比每天卖出 比特币 的利润要高得多，即使电价很高。考虑到 比特币 的快速升值，这是有道理的。
在每千瓦时 4 美分的情况下，只有使用 S9 钻机并持有 比特币 头寸的矿工才能在 100 天的模拟期间实现收支平衡。
市场波动
在第二个场景分析中，我们模拟了一个极度波动的市场，将历史拟合 GBM 模型中的波动项增加 25% 并将漂移设置为 0。价格最初上涨至近 80,000 美元，然后暴跌至略高于 40,000 美元。
算力开始快速增长，但随着价格下跌开始趋于稳定。由于响应延迟，哈希率将继续增加，但速度较慢。
最初，这两种策略表现同样出色，比特币 的多头表现优于日常卖家。随着价格下跌，拥有比特币 敞口的矿工会因承担额外风险而受到惩罚比特币如何收益，他们所持比特币 的市值也会下降。
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。价格已从目前的水平急剧下跌至近 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。这是从库存刷新到《算力炼金术》中引入的周期冲击阶段的过渡。
参考阅读：
“第二部分。”
在熊市中，每个人都受苦。比特币 对于多头来说尤其如此：在每千瓦时 4 美分的情况下，如果面临 比特币 风险，即使是最有效的操作也无法在模拟期间收回一半的初始投资。
每天进行清算的卖家表现明显好转，但仍不如牛市，因为他们的收益仍然取决于 比特币 的价格。
在牛市中，使用旧矿机还是新矿机更好？
场景 4 使用与场景 1 相同的历史参数，旨在将运行新旧硬件的矿工的性能与具有竞争力的电价进行比较。
这一次，价格飙升至 140,000 美元以上，一路加速。哈希率也迅速增加。
方案 1 与方案 4
考虑到牛市的强度，即使是每天清算其 的矿工也可以在 S9 矿机运行的 100 天模拟期内实现收支平衡。S19 矿工的利润要低得多，但在每天销售时仍能收回大部分初始投资。
在这种情况下，做多 比特币 的矿工获利惊人。在模拟期间，运行S9的矿工投资基本翻了一番，S19矿工也获得了可观的利润。
在熊市中降低运营成本有多重要？
第五个也是最后一个模拟在熊市中重新运行，这次的目标是分析电力成本对盈利能力的影响。为此，我们分别评估了 S9 和 S19 矿机在熊市条件下的表现，电费分别为每千瓦时 3 美分、4 美分和 5 美分。
情况与场景 3 类似：价格暴跌，算力出现轻微但长期的修正。
场景 3 与场景 5
对于 S9 矿工来说，电力成本有很大的不同。尽管无论电力成本如何，矿工在这些条件下的表现都不佳，但如果电费被每千瓦时 5 美分取代，那么长期 比特币 的矿工的回报率接近其初始投资的 3 美分/千瓦时 40%，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 矿工来说，差异不那么明显。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，比特币挖掘是一个难以建模的问题。即使我们的模型只做了一些简化假设，也比我们最初想象的要复杂得多。与所有基于 Monte Carlo 的工具一样，它的预测能力从根本上受到从初始种子条件溢出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计算能力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。所有模型都不完整，但有些模型很有用。
我们认为这个模型很有用。它应该在一个明智的比特币矿工工具箱中找到一个位置。
连锁新闻精选好文| 上市全过程解读及其潜在影响
关键词：