Росфинмониторинг: Результаты эксперимента ЦБ определят будущую криптополитику в России

cryptonews.ruPublicado a 2025-02-14Actualizado a 2025-10-15

Анализ результатов экспериментального правового режима Центробанка ляжет в основу принципов регулирования криптовалют в России, заявил заместитель главы Росфинмониторинга Герман Негляд.

В интервью для телеканала «Вместе-РФ» на полях форума «Финополис-2025» Негляд отметил, что Россия продолжает изучать потенциал использования криптовалют в рамках действующего экспериментального правового режима (ЭПР) Банка России для внешнеэкономических расчетов.

«Итоги и анализ проекта Центробанка могут стать ключевыми при принятии решений о дальнейшем регулировании и возможном расширении использования цифровых инструментов в российской финансовой системе», — заявил Негляд.

Чиновник добавил, что в стране не запрещено владение цифровыми активами как для граждан, так и для юридических лиц — ограничены лишь расчеты с их применением.

Ранее начальник юридического управления Росфинмониторинга Ольга Тисен заявила, что участники российского криптовалютного рынка добровольно идут на сотрудничество с правоохранительными органами и раскрывают по их запросу данные о владельцах цифровых активов.

Накануне Министерство внутренних дел России предложило ввести уголовную и финансовую ответственность за передачу криптокошельков от одного владельца другому — по аналогии с дропперством, когда банковские счета и карты используются для мошенничества.

Lecturas Relacionadas

La espada de Damocles del mercado alcista de la IA: no solo en Corea, el apalancamiento en las acciones estadounidenses también es alarmante

El auge de la IA ha impulsado los mercados bursátiles globales a nuevos máximos, pero el combustible que sostiene esta subida es cada vez más peligroso: el apalancamiento ha alcanzado niveles extremos tanto en EE. UU. como en Corea del Sur. En EE. UU., la deuda de margen (margin debt) alcanzó un récord de 1.4 billones de dólares en mayo, mientras que los activos de los ETF apalancados casi se duplicaron a 220 mil millones de dólares en menos de 70 días. El entusiasmo se concentra en índices de tecnología y semiconductores, y en acciones como Nvidia o Tesla. Este frenesí de apalancamiento, impulsado por fondos de cobertura y pequeños inversores, actúa como un amplificador procíclico: alimenta la subida, pero multiplicará las caídas cuando se revierta la tendencia, como advierten Barclays y Morgan Stanley. La alerta se encendió tras la volatilidad extrema en Corea del Sur, donde el índice KOSPI, liderado por acciones de chips como Samsung, sufrió múltiples interrupciones por caídas bruscas, mostrando la vulnerabilidad de un mercado altamente concentrado y con un apalancamiento elevado. Simultáneamente, el coste de financiar operaciones bursátiles en EE. UU. se ha disparado a máximos no vistos desde 2020, según Morgan Stanley. La demanda de financiación se concentra abrumadoramente en el sector tecnológico, lo que hace que todo el mercado dependa de un número reducido de compradores apalancados. Cuando estos compradores marginales desaparezcan, una corrección podría desencadenar un proceso de desapalancamiento que amplificaría la presión vendedora de forma no lineal. Los analistas advierten que este riesgo latente podría forzar una reevaluación de las condiciones financieras y del camino futuro de la política de la Fed.

marsbitHace 9 min(s)

La espada de Damocles del mercado alcista de la IA: no solo en Corea, el apalancamiento en las acciones estadounidenses también es alarmante

marsbitHace 9 min(s)

Transformando el Transformer: los LLM se vuelven más inteligentes con un simple cambio

Una nueva investigación de Mila, la Universidad de Cornell y la Universidad de Montreal propone un cambio radical en la arquitectura de los modelos de lenguaje grandes (LLM): la redistribución asimétrica de parámetros sin aumentar su número total. El estudio señala que la práctica estándar de asignar la misma capacidad (ancho de la red feed-forward) a cada capa del Transformer es ineficiente. Evidencias como el "early exiting" y estudios de interpretabilidad muestran que las capas iniciales procesan información fundamental (sintaxis), mientras que las posteriores a menudo refinan o repiten información. Los investigadores introdujeron los "Modelos de Lenguaje Cónicos" (Tapered Language Models), donde el ancho de la red disminuye progresivamente desde las capas iniciales hacia las finales, manteniendo constante el total de parámetros y operaciones (FLOPs). El mejor resultado se obtuvo con una disminución de tipo coseno, asignando un 50% más de capacidad al inicio y un 50% menos al final. En pruebas con un modelo de 440M de parámetros, esta simple redistribución redujo la perplejidad en 1.84 puntos (de 16.28 a 14.44), una mejora significativa sin costo computacional adicional. El hallazgo se validó en múltiples arquitecturas (Transformer estándar, Hope-attention, Titans) y escalas (hasta 1.3B de parámetros), mostrando mejoras consistentes en tareas de razonamiento y predicción lingüística. La explicación subyacente es que las capas profundas generan activaciones más similares a las entradas existentes, necesitando menos "capacidad de trabajo" nueva. Este trabajo sugiere que optimizar la *forma* de distribución de parámetros es una palanca de mejora infrautilizada y de costo casi cero, aplicable potencialmente a Transformers visuales y modelos multimodales.

marsbitHace 25 min(s)

Transformando el Transformer: los LLM se vuelven más inteligentes con un simple cambio

marsbitHace 25 min(s)

Trading

Spot
活动图片