Криптокиты в панике распродают активы и несут убытки из-за сентябрьского хаоса на рынке

cryptonews.ruPublicado a 2025-09-25Actualizado a 2025-09-25

Сентябрьская волатильность на рынке потрясла даже крупнейших держателей криптовалют. Многие киты в панике начали продавать токены. Разбираемся, что происходит

Действия китов привели к масштабным падениям по всему спектру рынка. Пострадали в том числе биткоин, Ethereum и многие альткоины, чье положение значительно ухудшилось в начале недели.

Киты поддались панике

В понедельник настроения на крипторынке резко изменилось, спровоцировав ликвидации на $1,7 млрд. По данным аналитического сервиса Coinglass, это самый высокий показатель в этом году. Трейдеры считают это здоровой перезагрузкой, необходимо для стабилизации рынков деривативов и снижения риска принудительных ликвидаций.

Кит ETH ушел в минус

Однако, по данным ончейн-трекера Lookonchain, некоторые киты запаниковали и продали активы во время обвала. Например, адрес 0x3c9E продал с убытком 1 000 токенов ETH на сумму $4,19 млн. Однако в Lookonchain отметили, что кит, которому принадлежит этот адрес, часто совершает необдуманные поступки, покупая ETH на пиках, и продавая на спаде.

«Кит 0x3c9E, который покупает дорого, а продает дешево, снова панически продал 1 000 ETH за $4,19 млн… За последние два месяца этот кит всегда покупал ETH по высоким ценам и продавал по низким», — написали аналитики Lookonchain.

Кит продает HYPE в убыток

Другой кит с адресом 0x09D4, усилил медвежьи настроения, продав 56 569 токенов HYPE за $2,67 млн по средней цене $47,23. В этой сделке он потерял $103 000, так как купил эти токены менее месяца назад за $2,77 млн по $49.

Динамика цены Hyperliquid (HYPE)
Динамика цены Hyperliquid (HYPE). Источник: BeInCrypto

Кит PUMP потерял более $500 тыс.

Потери распространились и на другие активы. Кит BV2gzZ продал 307,27 млн токенов PUMP на сумму $1,73 млн по средней цене $0,00564. Эта сделка принесла ему убыток в $582 000, так как кит купил токены девять дней назад по цене $0,00753.

Быстрая смена настроений подчеркивает спекулятивный характер мемкоинов вроде PUMP, где тренд может измениться за считанные дни, а неудачные вложения обернуться миллионными потерями.

Крупные держатели не спасли рынок

Волна китовых ликвидаций совпала с общим спадом рынка в сентябре: биткоину и альткоинам было сложно сохранять положительный импульс. Крупные держатели обычно стабилизируют рынок в периоды спада, но недавняя волна панических продаж показывает, что страх охватывает даже их.

Для мелких трейдеров уход китов может означать, что большие капиталы не спасают ситуацию. Критически важно самостоятельно проводить исследование.

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 1 hora(s)

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

marsbitHace 1 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"?

**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 4 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 4 hora(s)

Trading

Spot
活动图片