初始算力仓位为矿工的矿机数 *矿机类型算力。

随着市场的发展，盈利能力决定了矿工的行为。我们将在下一节中介绍该机制。最近 30 天盈利和全部盈利是延伸盈利的总和。

下面是一个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。

矿工的效用函数

当预期盈利能力较高时，矿工可能会想要购买更多的矿机，当预期未来盈利能力为负时，他们可能会关闭一些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算力。

在现实中，还会有许多外部因素驱使矿工决定购买或关闭矿机，比如是不是能从外部融资，甚至于他们是不是太累了。为了简单起见，我们将矿工的历史利润作为矿工决策过程中的主要输入进行建模。

决策流程将最近 30 天盈利作为输入，并计算用于生成操作的结果。计算过程如下：

如果最近 30 天盈利为零或负数，矿工将矿机数量减少 x，直到盈亏平衡。计算方法很简单：损失（最近 30 天盈利）除以每台矿机的能耗成本。

如果最近 30 天盈利为正并超过 某个阈值，矿工将增加矿机数量。阈值为：最近 30 天盈利 > 所有 (支出) 的总和 。

增加的矿机数量计算如下：(最近 30 天盈利所有 (支出) 的总和)/ 矿机价格*矿机增长系数。

每种矿机类型都有一个增长率，反映的是它的相对增长。由于制造商缺乏继续生产的意愿，老一代的矿机增长率较小。我们还为添加新矿机设置了一个反应延迟。新订单的生产和交付通常需要一段时间。

在我们的模型中，这意味着在增加 x 台矿机的动作被触发后，矿机不会立即被添加到矿工的账户中。我们设置了一个常量列表作为每种机器类型的反应时间。反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。

基于最佳努力估计

总而言之，触发函数会输出矿工买入或卖出的矿机数量。

用户可以用他们认为合适的常量来更新增长因子和反应天数。调整的代码可以在 Simulator.py 中找到。

设置模拟

与《第一部分》一样，我们使用一个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基础支持来自于从 Coin Metrics 中提取的历史价格数据。

将所有内容结合在一起，我们使用下面的图表来说明这个过程是如何运作的： (责任编辑：admin)