SignalPlus宏观分析特别版:FOMC会议

Odaily星球日报Publicado a 2024-02-01Actualizado a 2024-02-01

Resumen

在加密货币方面,FOMC会议的结果尚未产生明显影响,不过最新的法庭听证会消息指出,FTX预计将全额赔付其客户,且因为难以找到买家,将放弃重启FTX 2.0的计划。

SignalPlus宏观分析特别版:FOMC会议

SignalPlus宏观分析特别版:FOMC会议

简而言之 - “委员会认为,在对通胀能够持续向 2% 迈进更有信心之前,不宜降低利率目标区间” 且 [Powell] “认为美联储不太可能在 3 月份启动降息”。

昨天的 FOMC 会议和市场价格走势可以用一句话来概括 - 先不要指望 3 月份会降息。尽管美联储按预期从官方声明中移除了加息倾向,但市场对于这种明确的鹰派反制评论仍是措手不及,虽然“更大的信心”的具体含义尚不明确;无论如何,这被视为美联储对市场日益增长的宽松政策预期的直接否定,导致 OIS 利率从低点跃升 10 个基点(吐回稍早疲软的 ADP 和劳工成本指数带来的涨幅),市场预期降息的可能性也降至 30% 左右。

SignalPlus宏观分析特别版:FOMC会议

在 2: 30 的记者会上,Powell 最初试图通过以下评论“平衡”鹰派声明:

  • 政策利率“已进入限制性区域”。

  • “今年某个时候放松政策限制”是适当的。

  • FOMC 成员们对于通胀的缓解“越来越有信心,但我们希望获得更大的信心”。

  • “我们不是在寻求更好的数据,而是希望看到更好的数据能持续”。

  • 在通胀方面,Powell 指出,“通胀数据的构成不如总体通胀水平重要”,这是对商品和服务通胀之间持续存在分歧的回应。

然而在记者会问答环节的尾声,主席以下的评论彻底毁灭了鸽派的希望:

  • “本次会议没有降息的提议”。

  • “实现软著陆仍有很长的路要走”。

  • [Powell]“认为美联储不太可能在三月降息”。

最后的评论起到了致命一击的作用, 2 年期美债收益率上升约 8 个基点,股市当天暴跌约 1.5% ,看来真正的 2024 年才刚开始。

SignalPlus宏观分析特别版:FOMC会议

除了美联储会议之外,还有其他值得关注的消息。首先,备受期待的债券发行计划完全符合市场预期,对债券价格起到了缓解作用,尽管财政部连续第三次提高季度发行规模,但官员表示这将是 2024 年最后一次增发,且供应规模(下周 3 年期/10 年期/30 年期共 1, 210 亿美元)完全符合去年 11 月所设定的节奏;此外,财政部还确认将在 5 月的再融资公告中宣布新回购计划的开始日期,该计划旨在协助现金管理和改善非当期国债的流动性。

关于债券发行的期限结构,财政部表示,预计至少将目前的国库券拍卖规模维持到第一季末,然后在下一季小幅减少。无论如何,随著财政部继续牺牲一定程度的融资谨慎性,为长债的供应提供缓解,国库券在总发行量中所占的份额将保持在建议的范围之上。

SignalPlus宏观分析特别版:FOMC会议

在其他消息方面,ADP 疲软(+ 10.7 万 vs 上个月 + 15.8 万)、劳工成本指数(2021 年以来最慢的年化增速)、芝加哥 PMI(46 vs 47.2)以及 New York Community Bancorp (一个纽约区域银行)因大幅贷款减值而宣布削减股息,导致股价暴跌 40% 。

SignalPlus宏观分析特别版:FOMC会议

该银行去年收购了 Signature Bank 的一部分,由于去年第四季度拖欠 30 天以上的贷款猛增 48% ,加上预计商业房地产市场将进一步疲软,因此提高了贷款损失准备金;本季坏帐冲销总额飙升至 1.85 亿美元,超过了过去 10 年减值损失的总和,使得该银行第四季度的净亏损达到了 2.52 亿美元,远低于分析师预期的 2.06 亿美元的收益,并宣布削减约 70% 的股息,以保存现金。

尽管许多信贷分析师认为这是一个独立的、特定股票的事件,但去年 3 月的阴影在许多人的脑海中挥之不去,而即将在 3 月份退场的 BTFP 计划无疑无助于缓解担忧。美国 KBW 银行指数当天一度下跌 5.5% ,最后收盘跌幅收窄至 3% 左右。

SignalPlus宏观分析特别版:FOMC会议

在股市方面,除了鹰派美联储和 NYCB 引发的恐慌之外,各大企业财报普遍令人失望。AMD (-2.6% )、Samsung (-2% )、Google (-7% )、Microsoft (-2.5% ) 和 Disney (-2.5% ) 获利均未达当前高期望值。科技、能源和非必需消费品板块领跌指数,但并没有出现广泛的恐慌,SPX 的实际波动基本上低于 VIX 的隐含波动。

SignalPlus宏观分析特别版:FOMC会议

在加密货币方面,FOMC 会议的结果尚未产生明显影响,不过最新的法庭听证会消息指出,FTX 预计将全额赔付其客户,且因为难以找到买家,将放弃重启 FTX 2.0 的计划。虽然加密货币行业受到主流群体多次的攻击,但最大的破产事件现在将实现等值赔付(基于美元而不是代币),比起许多风险投资、私募股权二级市场、中国房地产债券和美国商业房地产基金“一文不值”的回收情况,加密货币也许并没有那么糟糕?

SignalPlus宏观分析特别版:FOMC会议

SignalPlus宏观分析特别版:FOMC会议

您可在 ChatGPT 4.0 的 Plugin Store 搜索 SignalPlus ,获取实时加密资讯。如果想即时收到我们的更新,欢迎关注我们的推特账号@SignalPlus_Web3 ,或者加入我们的微信群(添加小助手微信:SignalPlus 123)、Telegram 群以及 Discord 社群,和更多朋友一起交流互动。

SignalPlus Official Website:https://www.signalplus.com

Lecturas Relacionadas

Informe de Ethereum del primer trimestre de 2026: caen las tarifas, usuarios y volumen de transacciones alcanzan máximos históricos

Resumen del informe del primer trimestre de 2026 sobre Ethereum, por Token Terminal. El reporte destaca una tendencia clave: la cantidad de usuarios activos mensuales (13.2 millones, +53.5%), las transacciones (200.4 millones, +38%) y el rendimiento de la red (25.78 TPS) alcanzaron máximos históricos, mientras que las tarifas de transacción en la capa principal cayeron un 47.9% intertrimestral. Este fenómeno, denominado la "Paradoja de Jevons", sugiere que Ethereum está priorizando deliberadamente la expansión a corto plazo sobre la captura de ingresos inmediatos. La actualización Fusaka, que aumenta la capacidad de datos y reduce el costo del espacio de bloque, es un factor clave. La narrativa central de Ethereum se está desplazando de una cadena de bloques DeFi a una capa de liquidación financiera global. Ethereum mantiene una posición dominante en activos tokenizados, con una capitalización total de $2 billones (-0.7% intertrimestral). Destacan el crecimiento de los fondos tokenizados ($194 mil millones, +4.9%) y las materias primas tokenizadas ($47 mil millones, +60%), reflejando una mayor adopción institucional por parte de entidades como BlackRock y JPMorgan. A pesar de una caída del 30.3% en su capitalización de mercado totalmente diluida, la base de titulares de ETH creció a 292.8 millones. En resumen, Ethereum está sacrificando ingresos a corto plazo para impulsar la adopción, consolidándose como la infraestructura de liquidación preferida para las finanzas tokenizadas, con el objetivo de que una mayor demanda de red compense las tarifas más bajas a largo plazo.

marsbitHace 30 min(s)

Informe de Ethereum del primer trimestre de 2026: caen las tarifas, usuarios y volumen de transacciones alcanzan máximos históricos

marsbitHace 30 min(s)

Entrevista inaugural en podcast del CEO de Intel, Tan Lip Bu: Nuestro objetivo es '10 veces en 5-10 años', apostamos por empaquetado avanzado, sustratos de vidrio y diamantes artificiales

El CEO de Intel, Chen Lifu, expresó en una entrevista en un podcast su objetivo de multiplicar por diez el valor de la empresa en un plazo de 5 a 10 años. Para lograrlo, está centrando la estrategia en la superación de los límites físicos de la miniaturización de los semiconductores, invirtiendo en tres áreas clave: tecnologías avanzadas de empaquetado como EMIB, nuevos materiales como el nitruro de galio (GaN), carburo de silicio (SiC), fosfuro de indio (InP) y diamante sintético, y sustratos innovadores como el de vidrio. Destacó que la explosión de la IA, especialmente los agentes autónomos y la inferencia, está impulsando una fuerte demanda de CPUs, cambiando la proporción CPU/GPU en servidores. Chen Lifu también defendió la apuesta de Intel por el negocio de fundición (foundry), subrayando que es crucial para la seguridad de la cadena de suministro en EE.UU. y que se basa en generar confianza a través de altos rendimientos y fiabilidad. Reveló detalles de la colaboración Terafab con Elon Musk para construir fábricas de chips y abordar la escasez de capacidad. Reconoció que Intel aún está en una fase de transformación ("gatear"), reconstruyendo equipos y capacidades fundamentales, pero proyecta que su verdadero potencial en mercados como la informática de borde, la IA física y la de agentes comenzará a materializarse hacia 2030-2032. Con una mentalidad de capitalista de riesgo, su meta clara es entregar un retorno de 10x a los accionistas en la próxima década.

marsbitHace 32 min(s)

Entrevista inaugural en podcast del CEO de Intel, Tan Lip Bu: Nuestro objetivo es '10 veces en 5-10 años', apostamos por empaquetado avanzado, sustratos de vidrio y diamantes artificiales

marsbitHace 32 min(s)

Acaba de recaudar 2.700 millones, y Li Feifei también invirtió

En la actualidad, el mercado de inversión está obsesionado con los "Modelos del Mundo". Sin embargo, Pete Florence, ex científico de DeepMind y co-creador de la arquitectura Vision-Language-Action (VLA), fundó Generalist AI y rechaza esta etiqueta. Para él, el objetivo concreto es más importante: crear robots que realicen cualquier tarea con alta tasa de éxito sin datos específicos. Recientemente, Generalist AI recaudó 400 millones de dólares (unos 2.700 millones de RMB) en una ronda de financiación, alcanzando una valoración de 2.000 millones de dólares. Inversores incluyen NVentures de Nvidia, Bezos Expeditions, NFDG, y figuras como el cofundador de Xiaomi Lin Bin, el fundador de Zoom Eric Yuan, y la renombrada científica Fei-Fei Li. Florence, influenciado por su mentor en el MIT Russ Tedrake, prioriza comprender el mundo físico. Su enfoque comienza estableciendo una meta clara, luego diseña la ruta técnica. Tras dejar Google, lanzó Generalist AI en 2025. La compañía presentó su primer modelo de IA incorporada, GEN-0, en noviembre de 2025, demostrando que las leyes de escalado de los LLMs también se aplican al movimiento físico. En abril de 2026, presentaron GEN-1, entrenado con más de 50.000 horas de datos de interacción física recogidos por un dispositivo portátil. GEN-1 logra un 99% de éxito en tareas como plegar cajas y empaquetar teléfonos, siendo tres veces más rápido que GEN-0. Este avance acerca el modelo a un punto de inflexión similar al GPT-3, mostrando un rendimiento apto para despliegues comerciales en ciertas tareas. La inversión récord respalda la visión de Florence: robots universales que sean lo suficientemente expertos en tareas reales como para ser útiles, avanzando hacia la reducción del coste marginal del trabajo físico a cero. La etiqueta "Modelo del Mundo" queda así en segundo plano frente a los resultados tangibles.

marsbitHace 39 min(s)

Acaba de recaudar 2.700 millones, y Li Feifei también invirtió

marsbitHace 39 min(s)

Perdiendo a dos leyendas en tres días: ¿Se está resquebrajando el dique de talento de IA de Google?

En solo tres días, Google ha perdido a dos leyendas de la IA. El 18 de junio, Noam Shazeer, coautor del seminal trabajo "Attention is All You Need" y copresponsable de Gemini, anunció su salida para unirse a OpenAI. Dos días después, John Jumper, ganador del Nobel de Química 2024 y líder de AlphaFold, dejó Google DeepMind para incorporarse a Anthropic. Estas partidas no son incidentes aislados, sino parte de una tendencia clara de fuga de talento de Google hacia OpenAI y Anthropic, como lo confirma también la reciente incorporación a Anthropic del exmiembro fundador de OpenAI, Andrej Karpathy. El trasfondo de este éxodo es fundamentalmente una cuestión de misión y enfoque. El modelo de negocio central de Google, basado en la publicidad, impone una lógica orientada a productos y métricas comerciales que, en última instancia, restringe la investigación pura. En contraste, tanto OpenAI (con su misión de AGI) como Anthropic (centrada en la seguridad y la ciencia) ofrecen un entorno de trabajo enfocado únicamente en empujar los límites de las capacidades de los modelos. A esto se suma la fuerte atracción financiera: OpenAI y Anthropic están en camino a una OPI, lo que promete una recompensa económica masiva a través de capital para sus empleados, algo que la ya gigantesca Google difícilmente puede igualar. La fusión de Google Brain y DeepMind en 2023, destinada a consolidar esfuerzos, ha generado en cambio tensiones culturales y ha hecho más evidente la presión por alinear la investigación con los objetivos de los equipos de productos. El resultado es una reorganización estructural del mapa del talento en IA. Google, a pesar de sus vastos recursos en computación y datos, está perdiendo a las personas que definen el futuro del campo. La verdadera ventaja competitiva en IA reside en retener a las mentes más brillantes, y Google está descubriendo que esa es quizás su batalla más difícil.

marsbitHace 2 hora(s)

Perdiendo a dos leyendas en tres días: ¿Se está resquebrajando el dique de talento de IA de Google?

marsbitHace 2 hora(s)

Tras las notas de la IA, se esconde un "creador de exámenes" chino

Cada vez que se lanza un modelo de IA de vanguardia, la comunidad fija su atención en ciertas "hojas de resultados" familiares: MMLU-Pro, MMMU, MMMU-Pro. Estos puntos de referencia se han convertido en exámenes estándar para evaluar y comparar modelos como GPT, Claude, Gemini, Llama, Qwen y DeepSeek. Detrás de estas influyentes evaluaciones está el investigador chino Wenhu Chen, profesor asistente en la Universidad de Waterloo y fundador del TIGERLab (apodado "虎头帮"). Su trabajo surge de una necesidad crítica: a medida que los modelos avanzaban, las pruebas antiguas como MMLU se saturaban con puntuaciones casi perfectas, dejando de ser útiles para discernir diferencias reales. En 2024, Chen y su equipo presentaron MMLU-Pro, una renovación exhaustiva del original. Con 12,032 preguntas de 14 disciplinas, aumenta las opciones de respuesta de 4 a 10 para reducir las conjeturas e incorpora problemas más complejos que requieren razonamiento. El resultado fue una caída del 16% al 33% en la precisión de los modelos y una evaluación más estable y discriminatoria, rápidamente adoptada por la industria. Su contribución se extiende al ámbito multimodal con MMMU, un conjunto de 11,500 preguntas que combinan imágenes (gráficos, mapas, fórmulas) con conocimientos académicos para probar una comprensión integrada. Incluso los mejores modelos como GPT-4V inicialmente solo alcanzaron un 56% de precisión, revelando un largo camino por recorrer. Su sucesor, MMMU-Pro, cierra aún más las brechas, obligando a los modelos a utilizar la información visual y no solo el texto. La experiencia de Chen, que incluye investigación doctoral en preguntas complejas y una etapa en Google DeepMind trabajando en Gemini, le permite anticipar cómo los modelos pueden "aparentar" competencia. Su laboratorio no solo diseña evaluaciones, sino que también desarrolla modelos (como UniVideo para video o MoCha para avatares), asegurando que sus "exámenes" reflejen desafíos reales y los límites actuales de la tecnología. Actualmente, Chen continúa este trabajo en el laboratorio de superinteligencia de Meta, enfocado en datos y evaluación multimodal. Su historia destaca el papel fundamental, aunque a menudo menos visible, de los investigadores que construyen las herramientas para medir el verdadero progreso de la IA.

marsbitHace 2 hora(s)

Tras las notas de la IA, se esconde un "creador de exámenes" chino

marsbitHace 2 hora(s)

Trading

Spot
Futuros
活动图片