新一轮牛熊转换中的生存法则与新机遇 !

币界网Publicado a 2024-08-16Actualizado a 2024-08-16

币界网报道:

随着越来越多的资本进入币圈,整个市场的节奏变得越来越快,原来的游戏规则也发生了变化。以前的那些机会,现在可能不再那么容易抓住了。如果你能跟上节奏,就能赚钱;如果跟不上,就可能被淘汰。

很多人在币圈炒币的时候,都有两个坚定的信念:牛市来了,币价会大涨;熊市来了,币价会大跌。

一、币圈牛市真的会大涨吗?

大家都说,牛市来了,随便买个币都能赚钱。这话没错,在某种程度上确实是这样,特别是2020年的时候。但现在是2024年,你要是还想着随便买个币就能赚十倍、几十倍的回报,那就太难了。

美国的ETF已经通过了,加上各国政府手里掌握了那么多比特币,币圈已经不再是那个自由生长的地方,而是被严格监管了。你觉得那种“所有币都一起飞”的行情今年还能出现吗?

2023年到2024年,币圈进入了一个全新的阶段,市场走势完全没有规律,利好消息不涨,利空消息也不跌,市场就是这么不可预测。折腾来折腾去,还不如一开始就直接买比特币,稳稳地赚个翻倍收益来得实在。

币圈已经出现了两极分化。对于那些老手来说,牛市已经不再像以前那样,很多主流币种不再强势,新概念的币成了市场的新宠。只要胆子大,敢进场,就有赚钱的机会;而那些还持有老币的人,只能一次次坐在财富的过山车上,看着资产起起落落。

对于新手来说,他们更喜欢追热点,不太关注信仰,更在意价格。越是便宜的币,他们越喜欢,比如铭文板块、meme板块,前面的零越多,他们越开心。

过去一年半的时间,验证了老韭菜和新韭菜的区别。老韭菜守着老规矩,只剩下信仰,而新韭菜的激进操作反倒是赚得更多。这也说明,老韭菜的价值投资思路,已经被新韭菜的波段操作思维彻底打败了,因为结果摆在那。

不过,币圈是一个瞬息万变的市场,今天是否赚钱,并不能说明什么,因为大家都还在桌子上,没有人下桌。

二、熊市就一定会暴跌吗?

说到熊市,大家第一个想到的就是币价归零。这话有道理,但也不完全对。

先看看2022年的熊市,市场整体走势是,前期波动很大,有些币反弹得很强,甚至接近前期高点。稍微弱一点的,也能反弹个80%左右。但为什么大家还是卖了再进场呢?

到了2022年4月到6月,比特币开始暴跌,大家才意识到风险来了。

这个阶段有个奇怪现象,大跌之后总会出现一些非常妖的币,快速拉盘,大幅上涨,吸引大家的注意力,让人看到了希望。

但总体来看,市场的供需关系还是那样,经历了大跌之后,大家都逐渐清醒了,不再愿意做接盘侠。即便此时价格很低,也不敢随便出手。

毕竟经过了几年的币圈炒作,到头来还是没实现财富自由,心死了,自然就不再关注了。

大部分炒币的人是务实的,因为本钱不多、专业知识也不足,所以折腾了几年,毫无收获,大部分人都会选择退圈。这很正常,总会有很多人跟风进场,但最后发现赚钱不容易,就悄悄离开了。

最后总结一下:

你总想着牛市翻身,熊市套现离场,其实这只是感觉,或者说是找个借口。

在金融市场,每天都在上演各种奇迹,牛市和熊市只是个概念,不代表一切。

对于大多数人来说,币圈就是一个大坑,或者说是一个全球大赌场。今天你赚也好,亏也罢,都只是个经历而已。

只有把这段经历好好总结归纳,变成未来赚钱的助力,你才能不迷茫,看清前方的路,坚持5年、10年,最终拿到好的结果。

所以大家要放平心态,多从自己身上找原因。外在的表现,都是因为内心的念头。念对了,行动就对了,行动对了,结果自然就会好。

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