Отчет: снижение ключевой ставки ФРС ударило по доходам эмитентов стейблкоинов

cryptonews.ruPublicado a 2024-09-29Actualizado a 2024-09-29

Стоящие за пятью ведущими по капитализации стейблкоинами компании потеряют около $625 млн годового дохода в результате сентябрьского снижения ФРС ключевой ставки на 50 б.п. Такие расчеты привели в CCData.

/2 The top 5 centralised stablecoins hold US Treasury Bills of nearly $125bn, accounting for ~80% of their reserves.

As a result, the decision to cut interest rates for the first time since March 2020 is set to result in $625mn in lost annual interest income for each 50bps cut. pic.twitter.com/KskNAhCdk8

— CCData (@CCData_io) September 27, 2024

Эксперты отметили, что казначейские облигации США составляют 80,2% резервов эмитентов «стабильных монет». Суммарно они удерживают около $125 млрд в госдолге страны.

Доминирующую позицию занимает Tether (USDT) с объемом $93,2 млрд. Далее следует Circle (USDC) с $28,7 млрд. В топ-5 также входят First Digital USD (FDUSD), PayPal (PYUSD) и TrueUSD (TUSD) — $1,82 млрд, $634 млн и $502 млн соответственно.

В случае реализации ожиданий дальнейшего сокращения ключевой ставки на 75 б.п. до конца года процентный доход компаний упадет еще на $937,5 млн.

В сентябре суммарная рыночная капитализация стейблкоинов увеличилась на 1,5% и достигла $172 млрд. Показатель растет 12 месяцев подряд, но все еще не достиг значения, зафиксированного перед крахом UST в мае 2022 года, подчеркнули в CCData.

Объемы торгов «стабильными монетами» на централизованных биржах упали на 39,4% месяц к месяцу по состоянию на 23 сентября. При этом исторически начало осени связывают с окончанием сезонных эффектов и повышением активности трейдеров.

Данные: CCData.

Самым популярным стейблкоином на торговых платформах остается USDT, на долю которого приходится 77,2% совокупного объема торговли. На второй позиции находится FDUSD с 11,6%, далее следует USDC — 10,9%.

Напомним, Tether по итогам первого полугодия отчиталась о чистой прибыли в размере $5,2 млрд, в основном сформированной за счет процентного дохода от казначейских обязательств США.

Lecturas Relacionadas

Claude se volvió 'tonto' en toda la red, y Anthropic aclara el motivo: No es el modelo quien te falla

**Los usuarios de Claude Code se quejaban de que el modelo se volvió más torpe, pero Anthropic aclara: el problema no era el modelo, sino el ajuste de "Esfuerzo".** En marzo, muchos desarrolladores notaron que Claude Code parecía menos competente: omitía leer archivos o ejecutar pruebas. La comunidad criticó fuertemente a Anthropic. La causa real fue un cambio en la configuración predeterminada del nivel de **Esfuerzo (Effort)**, de "alto" a "medio", realizado para reducir la latencia. Este ajuste afectó cuánto trabajo invertía Claude en una tarea, no su conocimiento fundamental. Anthropic explica la diferencia clave entre **Modelo** y **Esfuerzo**: * **Modelo (Sonnet, Opus, Fable):** Representa la "inteligencia" o conocimiento base del modelo (pesos congelados del entrenamiento). Cambiarlo resuelve problemas de "¿puede hacerlo?". * **Esfuerzo (Effort):** Representa la "actitud" o cuánto trabajo está dispuesto a realizar en una tarea específica (leer archivos, ejecutar pruebas, verificar). Un Esfuerzo bajo hace que Claude responda rápido pero pida más contexto; un Esfuerzo alto lo hace investigar y trabajar de forma más autónoma. **Conclusión importante:** Un modelo más pequeño (como Sonnet) con un Esfuerzo alto puede superar a un modelo más grande (como Opus) con un Esfuerzo bajo en muchas tareas. El cambio de marzo demostró que los usuarios a menudo subestimaban el impacto del control de Esfuerzo, culpando erróneamente al modelo. **Marco para solucionar problemas:** 1. Verifica primero el contexto y las instrucciones (prompt). 2. Si Claude se equivoca, pregúntate: **¿Es que "no sabe" o "no se esfuerza lo suficiente"?** * **No se esfuerza (ej., omite pasos):** Aumenta el nivel de Esfuerzo. * **No sabe (ej., errores persistentes a pesar del contexto):** Cambia a un modelo más capaz. La lección es que el uso efectivo de herramientas de IA como Claude Code ya no se trata solo de elegir el modelo más potente, sino de aprender a **gestionar y asignar recursos** (modelo y esfuerzo) de manera inteligente para cada tarea, optimizando tanto el rendimiento como el coste.

marsbitHace 27 min(s)

Claude se volvió 'tonto' en toda la red, y Anthropic aclara el motivo: No es el modelo quien te falla

marsbitHace 27 min(s)

Casi un centenar de jugadores se lanzan al sector de datos embodiment: 44.700 millones de financiación en un año, ¿quién puede ganar dinero realmente "vendiendo datos"?

**Resumen en español europeo:** Más de 90 empresas, incluidas 70 dedicadas a la recopilación, compiten en el emergente campo de los datos de inteligencia encarnada en China. En el último año, 15 proveedores de datos independientes recaudaron aproximadamente 4.470 millones de RMB. El artículo, basado en estadísticas de "Quantum Bit", describe diez aspectos clave del sector: 1. **Métodos de recopilación:** Se dividen en cuatro categorías: teleoperación de robots reales, recopilación sin robot (con captura de movimiento), simulación y destilación de vídeos de internet. La mayoría de las empresas (43%) utilizan múltiples métodos, siendo la teleoperación la ruta única más común (31%). 2. **Perfil de los actores:** Los proveedores de datos independientes son el grupo más numeroso (40%), seguidos por plataformas de datos estatales (26%) y fabricantes de robots (25%). Dos tercios de las empresas son "nativas" del sector. 3. **Capacidad y distribución:** La capacidad anual actual se estima en 1,6-1,8 millones de horas, con el objetivo de multiplicarla por 15-20 en 1-3 años. Las "fábricas de datos" están presentes en 20 provincias, concentrándose en el delta del Yangtsé. 4. **Financiación y etapa:** La financiación del último año para proveedores independientes (44.700 millones RMB) es modesta comparada con la inversión total en inteligencia encarnada. El sector está muy fragmentado, con una sola "unicornio" (Lightwheel AI) que acaparó el 70% de la inversión. 69 fondos han invertido, pero ninguno de forma significativa, mostrando cautela. 5. **Conclusión:** El mercado de datos encarnados es ya una industria independiente y generadora de empleo, pero se encuentra en una fase muy temprana. Aún no está claro si "vender datos" será un negocio rentable, y los próximos 1-2 años serán cruciales para validar el modelo.

marsbitHace 3 hora(s)

Casi un centenar de jugadores se lanzan al sector de datos embodiment: 44.700 millones de financiación en un año, ¿quién puede ganar dinero realmente "vendiendo datos"?

marsbitHace 3 hora(s)

Trading

Spot
活动图片