SignalPlus波动率专栏(20240305)：BTC在历史高点前遭遇回调，ETH稳步上行追赶

Odaily星球日报Publicado a 2024-03-05Actualizado a 2024-03-05

Resumen

数字货币方面，BTC 一度扩大涨幅至历史最高点附近后遭遇阻力回调 3% 左右，收报 66638.05 （+ 4% ）；ETH 上行势能不减，继续挑战近期新高，收报 3682.71 （+ 6.1% ）。

SignalPlus波动率专栏(20240305)：BTC在历史高点前遭遇回调，ETH稳步上行追赶

SignalPlus波动率专栏(20240305)：BTC在历史高点前遭遇回调，ETH稳步上行追赶

昨日（6 MAR）亚特兰大联储主席博斯蒂克在文章中表达了对过快降息可能会加剧价格压力的担忧，并在问答中进一步提到预计首次降息后将暂时按兵不动以评估其影响的看法。美国三大股指轻微收跌。美债方面，对利率政策较为敏感的两年期美债收益率上涨至 4.583% ，十年期下行现报 4.188% 。

SignalPlus波动率专栏(20240305)：BTC在历史高点前遭遇回调，ETH稳步上行追赶

Source: SignalPlus, Economic Calendar

数字货币方面，BTC 一度扩大涨幅至历史最高点附近后遭遇阻力回调 3% 左右，收报 66638.05 （+ 4% ）；ETH 上行势能不减，继续挑战近期新高，收报 3682.71 （+ 6.1% ）。期权方面，两币种隐含波动率均在高位大幅震荡，BTC 70000-C 成为市场成交热点，市场的 FOMO 情绪推动短期（8 MAR/15 MAR）持续涌现买涨建仓， 29 MAR 则多为看空的卖单，整体买卖较为均衡，形成了日历组合。ETH 的成交集中体现在三月 4000-C 的买单，其稳步增长的行情为买涨交易提供了信心，且相比 BTC 来说，ETH 离他的历史最高点（4800）也还有不少的上行空间。

SignalPlus波动率专栏(20240305)：BTC在历史高点前遭遇回调，ETH稳步上行追赶

Source: Binance & TradingView，BTC 在接近 ATH 的位置受到阻力

SignalPlus波动率专栏(20240305)：BTC在历史高点前遭遇回调，ETH稳步上行追赶

Source: Deribit （截至 5 MAR 16: 00 UTC+ 8）

SignalPlus波动率专栏(20240305)：BTC在历史高点前遭遇回调，ETH稳步上行追赶

Source: SignalPlus, ATM Vol 变化

SignalPlus波动率专栏(20240305)：BTC在历史高点前遭遇回调，ETH稳步上行追赶

SignalPlus波动率专栏(20240305)：BTC在历史高点前遭遇回调，ETH稳步上行追赶

Data Source: Deribit，BTC 成交分布；70000-C 成为交易热点

SignalPlus波动率专栏(20240305)：BTC在历史高点前遭遇回调，ETH稳步上行追赶

SignalPlus波动率专栏(20240305)：BTC在历史高点前遭遇回调，ETH稳步上行追赶

Data Source: Deribit，ETH 成交分布；三月份的 4000-C 被大量买入

SignalPlus波动率专栏(20240305)：BTC在历史高点前遭遇回调，ETH稳步上行追赶

Source: Deribit Block Trade

SignalPlus波动率专栏(20240305)：BTC在历史高点前遭遇回调，ETH稳步上行追赶

Source: Deribit Block Trade

SignalPlus波动率专栏(20240305)：BTC在历史高点前遭遇回调，ETH稳步上行追赶

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

Los sistemas abiertos al final ganarán: ¿Por qué Ethereum es el próximo Linux?

**El sistema abierto prevalece: por qué Ethereum es el próximo Linux** Históricamente, la infraestructura abierta y descentralizada tiende a superar a los sistemas cerrados y propietarios a largo plazo. Esto lo demuestran casos como Internet frente a las redes privadas corporativas, y Linux frente a los sistemas Unix patentados. El ensayo "La catedral y el bazar" de Eric Raymond explica la lógica: los sistemas de "bazar" sin permisos fomentan una innovación más rápida y una colaboración masiva, superando a las "catedrales" centralizadas. Ethereum encarna este modelo. Su naturaleza abierta y su **neutralidad creíble** (reglas transparentes, iguales, difíciles de cambiar y accesibles) atraen a desarrolladores e innovadores globales. Ejemplos como los estándares ERC-20, ERC-721 o Uniswap surgieron sin necesidad de permiso central. Esto contrasta con las cadenas privadas o de consorcio (como Canton, Tempo), que carecen de esta neutralidad y, a menudo, fracasan debido a conflictos de intereses y la falta de efectos de red abiertos. La **independencia soberana** de Ethereum, lograda a través de una descentralización profunda y un historial sin interrupciones, es su ventaja fundamental. Instituciones como BlackRock, JPMorgan, Coinbase y Robinhood están construyendo sobre su ecosistema, que ya alberga la mayor parte de la actividad DeFi, de stablecoins y de activos tokenizados. Aunque los sistemas cerrados pueden parecer inicialmente más controlados, la capa de aplicación en Ethereum puede integrar cumplimiento normativo (como el estándar ERC-3643 para KYC) y privacidad. La evolución de Internet, desde ser considerado inseguro hasta la base del comercio global, sirve como precedente. La estrategia ganadora no es competir con la infraestructura abierta, sino construir sobre ella.

Foresight NewsHace 6 min(s)

Los sistemas abiertos al final ganarán: ¿Por qué Ethereum es el próximo Linux?

Foresight NewsHace 6 min(s)

El desafío de la potencia de cálculo en el ajedrez de la IA entre China y Estados Unidos

La carrera por la inteligencia artificial entre China y EE.UU. enfrenta un desafío fundamental: la enorme brecha en capacidad de computación (computing power). Mientras empresas estadounidenses como Meta, Google y xAI despliegan cientos de miles de GPUs de alta gama (como las de Nvidia) para entrenar modelos con billones de parámetros, China depende en gran medida de chips de inferencia nacionales para tareas menos exigentes. El artículo destaca que la escasez de chips de entrenamiento de última generación, debido a las restricciones de exportación estadounidenses, es la raíz de la diferencia entre los modelos de IA de ambos países. Según estimaciones, EE.UU. posee el doble de capacidad de computación que China, y un solo gigante tecnológico estadounidense puede superar la suma de todas las empresas chinas. Esto permite a EE.UU. iterar modelos mucho más rápido y entrenar sistemas con parámetros significativamente mayores. Aunque líderes tecnológicos como Huang Jen-hsun (Nvidia) o Elon Musk elogian el progreso chino, la realidad muestra un rezago. El modelo chino más avanzado, DeepSeek V4 Pro, tiene 1.6 billones de parámetros, muy por detrás de los 10 billones de modelos estadounidenses como Mythos de Anthropic. Además, se estima que China está entre 8 y 15 meses atrás en la frontera de la IA. El ascenso de fabricantes nacionales chinos como Huawei (Ascend 910B), Moore Thread o Cambricon representa un camino esperanzador. Aunque su rendimiento absoluto y ecosistema de software (similar al CUDA de Nvidia) aún están en desarrollo, ya logran avances en inferencia y comienzan a adaptarse para entrenamiento básico. El éxito a largo plazo requerirá paciencia, inversión sostenida y un esfuerzo colectivo similar al que llevó a Corea del Sur a dominar la industria de chips de memoria. En este duelo geopolítico por la IA, China avanza con determinación, pero el camino por recorrer es extenso.

marsbitHace 12 min(s)

El desafío de la potencia de cálculo en el ajedrez de la IA entre China y Estados Unidos

marsbitHace 12 min(s)

Se agotan las ventajas del canal: ¿En qué pueden confiar los protocolos DeFi para resistir la recolección de los gigantes?

"La ventaja de los canales se agota: ¿Cómo pueden los protocolos DeFi resistir la cosecha de los gigantes? Cuando los gigantes tecnológicos como Coinbase, Stripe y Kraken consolidan su control sobre los canales de distribución y la infraestructura, los protocolos DeFi abiertos enfrentan una presión extrema. Coinbase gana millones en tarifas de secuenciación de su blockchain Base, donde Morpho opera, mientras que Stripe adquirió Bridge para capturar los ingresos por intereses de sus stablecoins, y Kraken compró NinjaTrader por sus licencias. Estos movimientos exponen una batalla fría por las ganancias. La supervivencia de los protocolos abiertos depende de dos estrategias clave: la expansión multichain y la integración profunda. Proyectos como Morpho y Uniswap no dependen de una sola cadena; al diversificarse, mitigan el riesgo de que un gigante los desplace en su propio ecosistema. Además, cuando su tecnología se integra tan profundamente en los productos de una empresa (como el producto de préstamo de Bitcoin de Coinbase en Morpho), el costo y el riesgo de reemplazarlos se vuelven prohibitivamente altos. El futuro del sector podría inclinarse hacia un oligopolio de grandes empresas que controlen toda la pila tecnológica, relegando el código abierto a nichos. Sin embargo, la agilidad de los protocolos para desplegarse en múltiples cadenas y la complejidad técnica que ofrecen crean una interdependencia. La carrera entre la velocidad de expansión de las instituciones y la de los protocolos abiertos decidirá el panorama final. Por ahora, la infraestructura crítica de estos gigantes aún se basa en código abierto."

marsbitHace 12 min(s)

Se agotan las ventajas del canal: ¿En qué pueden confiar los protocolos DeFi para resistir la recolección de los gigantes?

marsbitHace 12 min(s)

Nuevo trabajo del equipo de Kaiming He: Eliminando VAE y datos privados, la generación de texto a imagen resulta ser más potente

El equipo de investigación de He Kaiming presenta MiniT2I, un modelo de generación de imagen a partir de texto (text-to-image, T2I) minimalista y directo en el espacio de píxeles, que desafía la complejidad de los enfoques dominantes. El modelo elimina componentes estándar como el VAE para codificación, mecanismos de inyección condicional complejos (AdaLN), funciones de pérdida auxiliares, datos privados y etapas de alineación RL/DPO. Utiliza un objetivo de "flow matching" entrenado directamente sobre píxeles RGB. Con solo 258M de parámetros (versión B/16), supera a modelos de espacio de píxeles mucho más grandes en benchmarks como GenEval (0.87) y DPG-Bench (84.2). Su arquitectura, MM-JiT, simplifica el Transformer estándar: añade dos adaptadores ligeros para las características de texto de T5 (congelado) y elimina la rama AdaLN, confiando en que la imagen ruidosa ya contiene información temporal. Esto reduce parámetros y permite más capas, mejorando el FID a 13.7. El entrenamiento, de bajo costo (~3 días en 8 H100 para el modelo de ablación), se realiza en dos fases con datos completamente públicos: preentrenamiento en CC12M reetiquetado y ajuste fino en ~120K pares de alta calidad. Esto demuestra que un modelo pequeño puede igualar o superar en ciertos aspectos a gigantes como SD3-Medium en escenas imaginativas, aunque muestra limitaciones en renderizado de texto y entidades nombradas debido a los datos públicos. MiniT2I señala un cambio de paradigma hacia la simplificación y eficiencia en la generación de imágenes, haciendo que la tecnología T2I sea más accesible fuera de los laboratorios industriales líderes.

marsbitHace 18 min(s)

Nuevo trabajo del equipo de Kaiming He: Eliminando VAE y datos privados, la generación de texto a imagen resulta ser más potente

marsbitHace 18 min(s)

¿La industria de los seguros se enfrenta a su mayor competidor? ¿Son los mercados de predicción los "bárbaros a las puertas"?

El sector asegurador, tradicionalmente un pilar estable de la economía, podría enfrentar un cambio disruptivo con el auge de los mercados de predicción. Plataformas como Kalshi y Polymarket están demostrando su utilidad para la cobertura de riesgos, invadiendo progresivamente dominios tradicionales de las aseguradoras. Ejemplos concretos ilustran esta tendencia: Kalshi se asoció con Game Point Capital para ofrecer cobertura más barata y transparente sobre bonos por desempeño deportivo en la NBA. Polymarket, en colaboración con Parcl, permite apostar sobre índices de precios de la vivienda, funcionando como una herramienta de cobertura para propietarios o compradores. Un bar de Nueva York usó Kalshi para cubrir el costo de una promoción de bebidas gratuitas vinculada al resultado de un partido de baloncesto, mostrando el potencial para pequeñas empresas. El valor de estos mercados reside en su transparencia, liquidez y el rol neutral de la plataforma, a diferencia de las apuestas deportivas tradicionales. Transforman la información en un activo negociable y permiten una gestión de riesgos más flexible y accesible. Aunque enfrentan desafíos como la liquidez insuficiente y la incertidumbre regulatoria, estos ejemplos marcan un primer paso significativo. Los mercados de predicción se presentan no solo como una alternativa a las casas de apuestas, sino como un competidor emergente para segmentos clave del negocio tradicional de seguros.

marsbitHace 19 min(s)

¿La industria de los seguros se enfrenta a su mayor competidor? ¿Son los mercados de predicción los "bárbaros a las puertas"?

marsbitHace 19 min(s)

Trading

Spot
Futuros
活动图片

Categorías popularesright-arrow

Etiquetas Popularesright-arrow