在看跌趋势中 Polygon (MATIC) 活跃地址激增 200%

金色财经Publicado a 2024-07-08Actualizado a 2024-07-08

图片

用户活动激增

Polygon 报告称,每日活跃地址数量大幅增加,自今年年初以来增长了 200%。这一增长表明用户对该网络的兴趣日益浓厚。

然而,尽管活动有所增加,MATIC 的价格却没有反映出这种增长。事实上,MATIC 的价值在同一时期下降了 19%。

价格趋势和技术分析

在价格下跌之前,MATIC 的走势波动不定,没有明确的趋势。在调整后,加密货币形成了看跌模式,高点和低点都较低。要想逆转,MATIC 必须测试并超越 0.6346 美元的水平,目标是 0.6886 美元。RSI 为 52.65,表明存在一些看涨势头,尽管 Awesome Oscillator 指示负面前景,反映出与长期趋势相比短期表现较弱。

链上指标显示积极指标

尽管价格走势不佳,但 MATIC 的链上指标显示出令人鼓舞的迹象。网络增长显著,新地址积极积累 MATIC。这表明人们对以当前较低价格购买 MATIC 的兴趣日益浓厚。

MATIC 的交易速度也有所提高,表明交易活动更加频繁。然而,数据显示,虽然较小的散户投资者正在购买 MATIC,但持有超过 10,000 枚代币的较大持有者一直在抛售。

期货和期权市场情绪

与零售市场相反,期货和期权交易者对 MATIC 的兴趣有所减弱。数据显示,自 4 月以来,MATIC 的未平仓合约数量显着下降,反映出衍生品市场的参与度下降。

结论

总而言之,尽管 Polygon 的用户群和网络活动大幅增长,但这尚未转化为 MATIC 的积极价格走势。散户投资者表现出兴趣,但大额持有者和衍生品交易者仍保持谨慎。要扭转其下行趋势,MATIC 需要突破关键阻力位并保持看涨势头。

Lecturas Relacionadas

Tras tres años de retraso, el último artículo de la exalumna de la Universidad de Pekín, Lilian Weng, se viraliza

"Tras tres años sin actualizar su blog, la ex vicepresidenta de OpenAI y cofundadora de Thinking Machines, Lilian Weng, publica un extenso análisis que cuestiona la fiabilidad de las 'Scaling Laws', las leyes de escalamiento que han guiado inversiones billonarias en IA. El artículo desmonta que la mejora del rendimiento de los modelos de lenguaje (LLM) al aumentar parámetros, datos y computación sea tan predecible como se creía. Expone divergencias clave: en 2020, OpenAI concluyó que el tamaño del modelo debía crecer más rápido que los datos, mientras que DeepMind (2022) defendió un crecimiento proporcional, un desacuerdo atribuido a diferencias metodológicas y al tamaño limitado de los experimentos iniciales. Más críticamente, Weng revela que la metodología del influyente estudio 'Chinchilla' de DeepMind contenía errores, como una función de pérdida que no convergía correctamente, lo que significa que la 'fórmula óptima' utilizada durante años por la industria podría no serlo. El análisis subraya un problema fundamental: las leyes clásicas asumen datos únicos e infinitos, pero los textos de alta calidad se agotan. La repetición de datos en el entrenamiento degrada el rendimiento, especialmente en modelos grandes. Esto explica el cambio de la industria hacia el aprendizaje por refuerzo, el cómputo en tiempo de prueba y los datos sintéticos. En resumen, el artículo argumenta que la era de la escalabilidad simple ('scale is all you need') toca a su fin, y que el progreso futuro de la IA dependerá de refinamientos metodológicos precisos y de nuevas vías para superar la limitación de datos."

marsbitHace 51 min(s)

Tras tres años de retraso, el último artículo de la exalumna de la Universidad de Pekín, Lilian Weng, se viraliza

marsbitHace 51 min(s)

Trading

Spot
Futuros
活动图片