场景分析

为了测试该模型，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。我们评估了一个用户矿工的盈利能力，该矿工获得了 100 万美元的前期资金用于购买矿机，但无法进一步扩大经营规模。模拟运行 100 天，取 25 次试验的平均结果。

用户的盈利能力是根据不同矿机类型和几种不同的电力成本来衡量的。亮点如下所示。

所使用的参数绝不是确定的，用户可以自由地用自己的假设重新运行分析。场景分析的代码可以在 main.py 中找到。

牛市场景

我们的第一个测试是模拟了牛市的情景。考虑到撰写本文时正在进行的牛市，我们简单地将几何布朗运动模型与历史数据进行拟合。在这种条件下，价格逐渐上升到 10 万美元以上，沿途经历了几次修正。

网络算力稳步上升，随着价格下调，经历了一些小型滞后修正。

在这种情况下，相比每天卖出比特币，保留比特币仓位的利润要高得多即使电价很高也是如此。考虑到比特币价格的快速升值，这是有道理的。

以一度电 4 美分的价格来算，只有使用 S9 矿机并在比特币中保持仓位的矿工才能在百日模拟期内实现盈亏平衡。

市场波动

在第二种场景分析中，我们模拟了一个极为波动的市场，将历史拟合 GBM 模型中的波动项增加 25%，并将漂移设置为 0。价格最初上涨到近 8 万美元，然后暴跌到略高于 4 万美元。

算力开始快速增长，但随着价格下降开始趋于稳定。由于响应延迟，算力会继续增加，但速度较慢。

最初，这两种策略的表现相当，比特币多头的表现略好于每天出清的卖家。随着价格下跌，有比特币风险敞口的矿工会因为承担了额外的风险而受到惩罚，持有的比特币市值下降。

熊市

第三种模拟通过将 GBM 与历史数据拟合，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降，跌到近 3 万美元。

(责任编辑：admin)