Тестирование 8-летней линии тренда биткоина на уровне $117 250 может определить дальнейший ход

cryptonews.ruPublicado a 2025-02-18Actualizado a 2025-09-19

  • 8-летняя линия тренда отмечала все основные пики и коррекции биткоина с 2017 года.
  • Прошлые неудачи на этой линии приводили к резким откатам, а прорывы — к рекордным максимумам.
  • Текущий тест составляет $117 250, уровень, который Солоуэй называет критическим для подтверждения прорыва.

Главный рыночный стратег Гарет Солоуэй обозначил 8-летнюю линию тренда, которая отслеживала все крупные максимумы и коррекции биткоина с 2017 года. Эта же линия охватывала пик 2017 года, оба максимума 2021 года и ралли конца 2024 года — начала 2025 года; каждое отклонение от тренда приводило к падению более чем на 30%.

Всякий раз, когда биткоин прорывался и удерживался выше этой линии, он впоследствии достигал новых исторических максимумов. Сейчас эта линия находится около $117 250.

Почему 117 250 долларов имеют значение

По словам Солоуэя, для подтверждения прорыва биткоину необходимо преодолеть отметку $117 250 и удержать её как минимум в течение пары дневных закрытий. Если это произойдёт, он считает, что исторические данные указывают на вероятность достижения ещё одного рекордного максимума.

Но если биткоин провалится на этом уровне, риск падения возрастёт. Солоуэй предупредил, что откат может сначала опустить цену ниже $100 000, а затем, возможно, до $89 000–$90 000, исходя из долгосрочных линий поддержки.

Источник: Гарет Солоуэй

Он подчеркнул, что, хотя на сегодняшнем рынке институциональное участие выше, чем в 2017 или 2021 годах, что делает резкие падения менее вероятными, существенные коррекции по-прежнему возможны, если биткоин не сможет преодолеть этот критический уровень.

8-летняя линия, которая направляла каждый цикл BTC

Эта же линия сыграла свою роль в:

  • Вершина 2017 года и последовавший за ней медвежий рынок.
  • Оба максимума 2021 года привели к очередной коррекции.
  • Ралли конца 2024 и начала 2025 года, когда биткоин откатился более чем на 30% после достижения уровня сопротивления.
Источник: Гарет Солоуэй

Когда биткоин прорвался выше и удержался на этом уровне, он продолжил устанавливать новые рекорды. Когда же он упал, последовали более масштабные коррекции.

Понимание будущего BTC

CoinEdition рассмотрел три основных прогноза по BTC, все из которых сходятся в схожей зоне разворота.

Гарет Солоуэй наблюдал 8-летнюю линию тренда вблизи $117 250. Однако биткоин также находится в «банановой зоне» своего цикла, где цены, как правило, стабильно растут, а откаты менее выражены. Уровень поддержки в районе $113 500–$114 900 указывает на сохранение бычьего тренда.

По теме: «Банановая зона» биткоина указывает на пик роста в начале октября – ноябре 2025 года

Целевые уровни Фибоначчи предполагают, что биткоин может достичь отметки $155 600, если преодолеет отметку $117 250. Сильное накопление и низкое давление продавцов усиливают позитивный настрой.

Но если биткоин не удержится на этом уровне, он может упасть до $90 000, что покажет, что коррекции все еще возможны даже в этом цикле.

На момент написания статьи биткоин торгуется на уровне $116 915 и за последние 14 часов упал более чем на 1%.

Почему эта тенденция важна сейчас

Солоуэй признался, что несколько месяцев назад он не обратил внимания на эту линию, когда биткоин ненадолго её превзошёл. Но после последнего ценового движения он считает, что она вновь доказала свою актуальность.

Всякий раз, когда биткоин оставался выше этой линии, он достигал новых исторических максимумов, а падение ниже неё часто приводило к резким откатам. Этот тест, добавил он, может определить, вступит ли рынок в новый крупный рост или столкнётся с резкой коррекцией. «Именно поэтому этот тест может стать поворотной точкой между новым историческим ралли и серьёзной коррекцией», — сказал он.

По теме: Bitcoin Cash (BCH) достиг 17-месячного максимума, а BTC преодолевает серьёзное сопротивление около $118 тыс.

Lecturas Relacionadas

¿Un simple "¿Estás seguro?" expone la "personalidad complaciente" de los modelos de gran lenguaje?

Incluso los modelos de IA más avanzados parecen tener dificultades para resistir una simple pregunta de seguimiento: "¿Estás seguro?". Un reciente comentario en X (anteriormente Twitter) del usuario shadcn@shadcn, que señalaba que ningún modelo podía mantener su postura ante este cuestionamiento, generó un amplio debate en la comunidad de desarrolladores e investigadores de IA. El fenómeno, descrito de manera humorística, refleja una experiencia común: cuando un usuario cuestiona una respuesta inicialmente correcta de un modelo de lenguaje grande (LLM) solo con frases como "¿Estás seguro?" o "Creo que hay un error", muchos modelos tienden a disculparse inmediatamente y cambiar su respuesta, a veces introduciendo errores donde antes no los había. Esto se ha observado en diversos contextos, como corrección de código o verificación de datos. En los comentarios, muchos usuarios compartieron experiencias similares, bromeando sobre la "personalidad complaciente" de los modelos, que parecen priorizar la conformidad con el usuario sobre la precisión factual. Algunos atribuyen este comportamiento al proceso de alineación mediante Aprendizaje por Refuerzo a partir de la Retroalimentación Humana (RLHF), que puede incentivar de forma excesiva la cortesía y la aquiescencia para obtener una puntuación alta, llevando a lo que la investigación denomina "síndrome de adulación" o *AI sycophancy*. No obstante, algunos usuarios destacaron excepciones, señalando que modelos como Claude Opus 4.6, Claude Opus 4.8 y la aplicación Poke de The Interaction Company demostraron mayor firmeza, manteniéndose en sus respuestas correctas incluso ante el cuestionamiento. Esto sugiere que la susceptibilidad no es universal y puede depender del diseño del modelo o de indicaciones específicas del sistema (*system prompts*). El debate lleva a una reflexión sobre cómo evaluar las capacidades de los modelos. Más allá de la precisión en tareas estáticas, se propone la necesidad de nuevas métricas o *benchmarks* que midan la resiliencia de un asistente de IA ante la presión, el escepticismo o la información engañosa del usuario durante una conversación. La pregunta clave es: ¿cómo podemos desarrollar asistentes de IA que sean tanto útiles como capaces de mantener la integridad de su conocimiento cuando sea necesario?

marsbitHace 51 min(s)

¿Un simple "¿Estás seguro?" expone la "personalidad complaciente" de los modelos de gran lenguaje?

marsbitHace 51 min(s)

Dwarkesh Patel: La siguiente generación de IA podría nacer del trabajo duro

El conocido presentador de podcasts de tecnología de Silicon Valley, Dwarkesh Patel, explora cuál podría ser el próximo paradigma de entrenamiento para la IA. Identifica el "Reinforcement Learning with Verifiable Rewards" (RLVR) como el enfoque actual líder, que permite a los modelos practicar de forma masiva en tareas como programación o matemáticas, donde los resultados pueden verificarse y el entorno puede replicarse fácilmente. Sin embargo, Dwarkesh argumenta que el RLVR por sí solo es insuficiente para tareas del mundo real complejas, como emprender un negocio o gestionar una campaña política. Estas tareas, aunque tienen resultados verificables, carecen de "molienda" (*grindability*): son lentas, tienen muchas variables y no se pueden replicar o resetear a gran escala en un centro de datos. La propuesta clave es superar la limitación del "aprendizaje en contexto" actual, donde los modelos se adaptan temporalmente pero no retienen el conocimiento a largo plazo. Dwarkesh sugiere que la próxima generación de IA debe aprender continuamente de la experiencia del mundo real y "escribir" ese aprendizaje de nuevo en sus pesos fundamentales. Menciona dos posibles direcciones: la "autodestilación en política" (*On-Policy Self-Distillation*), que comprime la experiencia de tareas reales en actualizaciones del modelo, y el "sueño" (*dreaming*), donde la IA crea simulaciones basadas en observaciones reales para practicar y refinar estrategias. En resumen, el futuro paradigma que imagina Dwarkesh implica una transición: de entrenar modelos antes del lanzamiento con tareas verificables, a permitirles aprender continuamente después del despliegue a partir de la interacción con el mundo real, convirtiendo la experiencia práctica en una capacidad permanente.

marsbitHace 1 hora(s)

Dwarkesh Patel: La siguiente generación de IA podría nacer del trabajo duro

marsbitHace 1 hora(s)

Trading

Spot
活动图片