【重磅解读】BTC长期投资者抛售减少90%,CHZ主力大量清仓

火币资讯Publicado a 2022-08-25Actualizado a 2022-08-26

Resumen

BTC横盘整理,CHZ大量流入交易所,持币前10主力大量清仓。

1、 BTC横盘整理

BTC在日K线图中表现相对平稳,价格横盘运行阶段,更多的交易量真正积累。这说明,

价格在8月19日快速回撤以后,并未明显跌破近期抄底投资者的成本价,因此行情还有更多弹性空间。交易量方面,日K线中BTC交易量相对稳定,并未持续显著缩量,投资者买卖活跃度非常平稳,活跃度高对价格上涨的帮助是正面的。

2、长期投资者抛压较小

随着BTC调整的延续,代表了长期投资者交易动向的币天销毁数数据维持低水平,该指标持续回撤,意味着长期投资者的抛售很低。币天销毁数数据峰值从6月17日的7400万下降到了4100万以后,近期币天销毁数已经维持在816万以下的低水平。8月24日,币天销毁数仅为393万。这说明,在价格横盘运行期间,长期投资者持币稳定,抛压下降90%以上,意味着短线进一步回落的可能性在下降。

3、 CHZ强势飙升超过180%

CHZ的强势上涨阶段,其涨幅最高达到了180%以上,同时交易量放大至前期低位的4倍以上。据此判断,CHZ的价格上涨已经引发了投资者的热情交易,同时换手率也大幅度提升。图中显示的连续4个交易日的成交量维持稳定回升,并且波动空间很小。这个时候,多空双方换手率较多,抛压自然也处在高位运行。

趋势方面,CHZ价格靠近布林线上轨,短线抛压可关注前期高0.3美元附近。而周线级别上,可关注2021年年初以来的0.24美元压力位下方,因此迹象上涨的不确定性较大。

4、CHZ主力持币显著降低

在CHZ价格显著回升期间,主力持币数量的变化最值得投资者关注。从持币前10、前20、前50和前100的主力持币数量来看,从8月21日到8月22日出现了较大变化。持币前10的主力持有的CHZ数量从占比68.71%大幅度下降到了0.67%。相应的,持币前20、前50和前100的主力中,持币数量从下降到了76%、81%和86%下降到了0.77%、6.57%和10.92%。近乎清仓方式的持币减少以后,CHZ的上涨潜力或已经打了很大折扣。

5、CHZ交易所抛压大幅提升

CHZ的价格上涨推动因素或归结为世界杯预期,作为粉丝代币,CHZ的做的事比较多,比如签约近50个俱乐部,与世界上最大的足球俱乐部之一巴塞罗那足球俱乐部达成协议,以1亿美元的价格出售巴萨工作室24.5%的股份。热度升温有事件推动因素,关注需要关注交易所抛售压力的变化趋势。从等待交易的CHZ交易所数量来看,近期数值维持在高位运行。同时录入交易所的峰值出现在了8月22日,抛售压力最大,这与主力持币减少的日期相似。据此判断,短期应该关注价格走向注意回调风险。

Lecturas Relacionadas

Huang Renxun: El Prompt está quedando obsoleto, Loop es el nuevo paradigma

En el mundo de la IA, se está produciendo un cambio de paradigma: el "prompt" (instrucción directa) pierde relevancia frente al "loop" (bucle o ciclo). Según expertos como Jensen Huang (fundador de NVIDIA), Peter, Boris Cherny (creador de Claude Code) y Andrew Ng, la nueva tarea clave no es escribir prompts detallados, sino diseñar y gestionar loops. ¿Qué es un loop? Es un sistema automatizado donde la IA recibe un objetivo general, ejecuta tareas, las verifica automáticamente y, si no cumple los criterios, reintenta de forma independiente hasta completarlo o alcanzar un límite. Esto libera al humano de supervisar cada paso, transformándolo de "instructor" a "diseñador de reglas". Un loop no es lo mismo que un agente de IA: el agente ejecuta, mientras que el loop es el mecanismo que orquesta y automatiza su trabajo continuo sin intervención constante. Productos como Claude Code y OpenAI Codex ya implementan esta idea. Claude Code ofrece funciones como `/goal` (ejecución orientada a objetivos) y `/schedule` (tareas programadas), utilizando modelos separados para generar código (modelo principal) y para validarlo (modelo más pequeño como Haiku), asegurando una verificación objetiva. Codex emplea una "línea de ensamblaje automatizada" con múltiples subagentes que trabajan en paralelo. Boris Cherny describe cómo dirige cientos de pequeños agentes en loops automatizados que manejan desde issues de GitHub hasta fallos en CI, interviniendo solo en casos excepcionales. Para implementar loops efectivos, se recomienda: 1) Evaluar si la tarea es repetitiva, verificable automáticamente, con presupuesto de tokens viable y con herramientas adecuadas. 2) Comenzar con un loop mínimo viable (disparador, habilidad/Skill, archivo de estado STATE.md y compuerta/Gate de verificación). 3) Separar siempre la generación de código de su validación, usando agentes o modelos independientes para evitar sesgos. 4) Evitar errores comunes: establecer condiciones de parada claras (límites de tokens, iteraciones), persistir el estado en archivos, asignar solo tareas con criterios objetivos verificables por máquina (como corrección de Lint) y revisar los cambios (diffs) para mantener la comprensión del código. 5) Medir el éxito por el "costo promedio por modificación aceptada"; una tasa de aceptación inferior al 50% indica ineficiencia. Este enfoque representa la evolución natural en la ingeniería de IA: desde el "Prompt Engineering" (2023-2024, enfocado en redactar instrucciones), pasando por el "Context Engineering" (2024-2025, organizar la información de fondo), luego el "Harness Engineering" (2025-2026, crear entornos de ejecución con herramientas), hasta el actual "Loop Engineering". El nivel de control humano asciende desde frases específicas hacia el diseño de sistemas autónomos. Conceptos académicos como el marco ReAct (Reason+Act, 2022) de Shunyu Yao, que integra razonamiento y acción en un ciclo, sentaron las bases teóricas. A pesar del entusiasmo, expertos como Addy Osmani (Google) advierten sobre la etapa temprana de esta tecnología y los costos de tokens. Andrej Karpathy subraya una reflexión crucial: aunque la IA puede externalizar la ejecución, la comprensión profunda del problema sigue siendo responsabilidad humana. El loop marca un paso hacia una automatización más autónoma, pero su adopción requiere cuidado y criterio.

marsbitHace 1 hora(s)

Huang Renxun: El Prompt está quedando obsoleto, Loop es el nuevo paradigma

marsbitHace 1 hora(s)

GPT diseña GPT

OpenAI ha presentado su primer chip, Jalapeño, un cambio estratégico que va más allá de competir con Nvidia. La empresa busca controlar todo el proceso de producción de inteligencia artificial, desde los modelos hasta el hardware, la energía y los centros de datos. La brecha entre modelos líderes se está reduciendo, mientras que la ventaja competitiva se desplaza a capas más profundas: suministro de computación, costes de inferencia y eficiencia de sistemas. Cada token generado implica un costo, y OpenAI, con productos de gran consumo como ChatGPT, necesita reducir esta "tasa de inferencia" para fortalecer su rentabilidad y defensa competitiva a largo plazo. Jalapeño, un chip ASIC optimizado para inferencia de modelos de lenguaje, fue desarrollado en solo nueve meses con Broadcom. Este plazo résubevela la ventaja clave de OpenAI: utiliza su propio conocimiento interno sobre cómo se ejecutan sus modelos masivos en producción para guiar el diseño del hardware. Esencialmente, GPT ayuda a diseñar las máquinas que ejecutarán la próxima generación de GPT, creando un ciclo de retroalimentación potente. El enfoque en la inferencia es crucial porque, a diferencia del entrenamiento (una inversión puntual enorme), la inferencia consume el flujo de caja diario. Al optimizarla, OpenAI reduce costes operativos fundamentales para su escalabilidad comercial, especialmente con futuros agentes de IA que realizarán cadenas largas de razonamiento. Este movimiento refleja una ambición mayor: OpenAI no quiere ser solo un proveedor de modelos, sino construir un ecosistema integrado al estilo de Apple, donde el software, el hardware y la infraestructura se optimizan mutuamente en un ciclo cerrado. A corto plazo depende de Nvidia, pero al trazar su propia hoja de ruta de chips, emerge como un nuevo tipo de actor en la infraestructura de IA. En resumen, OpenAI ya no aspira solo a crear la inteligencia más avanzada, sino a controlar los medios completos de su producción.

marsbitHace 1 hora(s)

GPT diseña GPT

marsbitHace 1 hora(s)

Trading

Spot
Futuros
活动图片