FxWirePro- BTCUSD Daily Outlook

Token PostPublicado a 2024-08-13Actualizado a 2024-08-13

BTCUSD pared some of the gains on profit-booking. It hit a low of $57681 yesterday and is currently trading at around $58327.

According to Ash Crypto, BTC large holders have accumulated 84000 BTC in July. On Aug 9th, 2024, BTC ETF saw outflows of $283 million with iShares alone seeing an inflow of $159.57 million.

According to the CME Fed watch tool, the probability of a 25 bpbs rate cut in Sep decreased to 49.50% from 15% a week ago.

Markets eyes US CPI data on Wednesday for further direction.

US markets -

NASDAQ (negative correlation with BTC) - Bearish (neutral for BTC). The NASDAQ trades higher on rate cut hopes. Any close above 18600 will take the index to 19000.

Technicals-

BTCUSD trades below the short-term moving average of 21 EMA and below 55 EMA and the long-term moving average (200 EMA) in the 4-hour chart.

Minor support- $54500. Any break below will take it to the next level at $53000/$50000/$46000.

Bull case-

Primary supply zone -$63000. Any break above confirms a bullish continuation. A jump to $65000/$67000/$70000 is possible.

Secondary barrier- $70000. A close above that barrier targets $750000/$80000.

It is good to buy on dips around $55000 with SL around $52000 for TP of $63000/$67000.

TokenPost | [email protected]

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 52 min(s)

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

marsbitHace 52 min(s)

Trading

Spot
Futuros
活动图片