别用简单“牛熊”判断加密市场,关注流动性和供应的变化

深潮Publicado a 2024-08-15Actualizado a 2024-08-15

随着流动性的增加,未来 6-18 个月我们将进入轮动领域。

作者:Rancune

编译:深潮 TechFlow

这可能是我迄今为止最重要的帖子之一。许多人可能会错过"牛市"。你会吗?这里的许多人都非常线性地思考,只考虑熊市或牛市 - 一维的;价格要么上涨要么下跌。长期以来,这种观点让我感到不安(请回顾第一条回复中的展示a)。今天,我提出了一个新的概念模型,我相信这个模型:

a)为周期提供了一个全新的视角,

b)帮助我们更好地理解当前的情况,

c)是可操作的。

维度

系统中的流动性 | 加密货币比传统金融更难获取,在效率、入金、稳定币、中心化交易所可及性等方面都不够成熟。特别是现在,比特币和以太坊有传统金融的护栏,但这些护栏并没有向下传导,游戏规则已经改变。

代币的稀缺性 | 供应是加密货币的一个主要因素;它决定了可获得的流动性必须分散的分母。这与传统金融不同,在传统金融中,代币数量自然受限,通常需要IPO,而不是在Twitter Space上听到一个词就急于去Pumpfun。

根据我的理论,我们在2021年从低流动性和低供应飙升到高流动性和低供应("牛市盛宴")。之后,我们崩溃了,最终在2022年陷入"熊市荒原"。许多人称之为熊市,低供应和低流动性。熊市荒原和牛市盛宴的相似之处在于,由于供应量低,代币一致上涨(或下跌)。市场在移动,不一定是叙事在移动(尽管它们显然存在,但通常比我们当前的15分钟元叙事持续时间长得多)。

从FTX造成的损害和FTX的清算对生态系统的影响中缓慢恢复,流动性略微增加,但代币供应量增加更多。容易成为猎物的人退出了游戏,留下经验丰富(和恶意的)参与者,他们的提取基础设施已经建立并到位,可以提取更多。

从2023年开始,我们进入了"消耗竞技场",在这里我们无法从更高的流动性中受益,因为代币供应呈指数级增长。这真的是适者生存;最有技能的人(或与最好的人脉/最多内部信息的人)获胜。其他人则成为接盘侠。

我们经常将代币增长归因于Pumpfun和Solana垃圾币,这显然是真的,但不仅限于此。还包括无用的L1、L2、rollups、AI协议、桥等的数量之多。显然我们需要所有东西的分叉,我们绝对需要更多没有有机交易量、由风投资助的L2。这是我在展示b和c中写过的内容。

根据我的经验,每次我们在加密货币领域扩张时,接下来都会有一个收缩阶段。无论是在山寨币还是迷因币中,都会出现向优质资产的转移。

随着流动性的增加,我对未来6-18个月的预期是我们将进入轮动领域。我们将从增加的流动性中获得一些利益,但只限于特定的叙事和操作。大多数持有人将继续持有他们停滞不前或缓慢流血的代币,直到永远,在比特币往返6位数后回顾并思考:我是不是错过了?

我们不会再有2021年后每个人都联想到"牛市"的那种牛市盛宴了。这是不可能的,因为代币发行者的技能已经成熟(无论是你最喜欢的PF连环诈骗者还是试图从另一个元叙事中提取流动性的风投)。

但是,如何在轮动领域中操作呢?我将在下一篇文章中深入探讨这个问题。

Lecturas Relacionadas

a16z: La 'amnesia' de la IA, ¿puede curarla el aprendizaje continuo?

En el artículo de a16z, se explora la "amnesia" de la IA, comparándola con el personaje de "Memento" que no puede formar nuevos recuerdos. Los modelos de lenguaje actuales, tras su entrenamiento, congelan el conocimiento en sus parámetros, sin poder actualizarse con nueva información. Para compensar, se usan contextos externos como historiales de chat o sistemas de recuperación, pero estos no internalizan realmente el conocimiento. El aprendizaje contextual (ICL) es útil, pero tiene limitaciones: no maneja bien problemas que requieren descubrimiento genuino, adaptación adversarial o conocimiento implícito. La solución propuesta es el "aprendizaje continuo", donde los modelos actualizan sus parámetros después del despliegue, comprimiendo nueva información en lugar de solo recuperarla. Se discuten tres enfoques: 1. **Contexto**: Mejora de ventanas de contexto y sistemas de recuperación. 2. **Módulos**: Uso de adaptadores o memorias externas para especializar modelos. 3. **Pesos**: Actualización directa de parámetros mediante técnicas como metaaprendizaje o auto-mejora. Aunque el aprendizaje contextual es efectivo y escalable, el artículo argumenta que la compresión en los parámetros es crucial para problemas complejos. Sin embargo, actualizar pesos conlleva riesgos como olvido catastrófico o problemas de seguridad. El futuro probablemente combine contextos, módulos y actualizaciones de pesos para lograr IA que aprenda de verdad, no solo recuerde.

marsbitHace 33 min(s)

a16z: La 'amnesia' de la IA, ¿puede curarla el aprendizaje continuo?

marsbitHace 33 min(s)

¿Ganar 34.000 dólares con un secador de pelo? Desentrañando la paradoja de la reflexividad en los mercados de predicción

Un hombre ganó 34.000 dólares calentando un sensor meteorológico en el aeropuerto de París, lo que influyó en el resultado de un mercado de predicción de Polymarket. Este caso ilustra la paradoja central de los mercados de predicción: están diseñados para reflejar la realidad, pero su existencia incentiva a los participantes a manipularla. El artículo analiza cuatro tipos de mercados especialmente vulnerables: 1. **Datos físicos puntuales:** Como estaciones meteorológicas, fáciles de manipular físicamente. 2. **Información privilegiada:** Donde personas con conocimiento previo (ej. equipo de MrBeast o militares israelíes) aprovechan su ventaja. 3. **El sujeto del evento:** Cuando el propio actor (ej. Andrew Tate) puede alterar el resultado para beneficiarse. 4. **Acciones individuales:** Donde una persona puede provocar el evento apostado (ej. lanzar un objeto en un partido). La actitud de las plataformas varía. Kalshi, con verificación de identidad (KYC), aplica sanciones públicas y reporta a reguladores. Polymarket, más anónima, ha mostrado cierta tolerancia, argumentando que la información privilegiada hace que los precios sean más precisos, aunque colabora con las autoridades en casos graves. La paradoja final es que estos mercados, al financiarizar la realidad, dejan de ser espejos pasivos y se convierten en motores que pueden distorsionar los eventos que pretenden predecir. Cuanto más exitoso es un mercado, mayor es el incentivo para manipular la realidad que refleja.

marsbitHace 1 hora(s)

¿Ganar 34.000 dólares con un secador de pelo? Desentrañando la paradoja de la reflexividad en los mercados de predicción

marsbitHace 1 hora(s)

Trading

Spot
Futuros
活动图片