VIRTUAL cae un 12% – Pero ESTE grupo de compradores podría cambiarlo todo

ambcryptoPublicado a 2026-03-01Actualizado a 2026-03-01

Resumen

El token VIRTUAL cayó un 12% en 24 horas, extendiendo las pérdidas semanales al 11%. El mercado de futuros registró una salida de capital de $9.4 millones, reduciendo el interés abierto a $76 millones, con una tasa de financiación negativa que indica posicionamiento bajista agresivo. Sin embargo, los inversores al contado mostraron acumulación de aproximadamente $245,000 durante la caída, sugiriendo confianza en las perspectivas a medio plazo. Las métricas on-chain reflejan un debilitamiento, con una disminución de usuarios a 24,000 y ingresos protocolarios reducidos a $32,000. A corto plazo, el equilibrio entre el posicionamiento corto y la acumulación al contado podría determinar el próximo movimiento significativo del activo.

VIRTUAL entró en el fin de semana bajo presión mientras el mercado de criptomonedas en general retrocedía. El token cayó un 12% en 24 horas, extendiendo las pérdidas semanales al 11%.

El escenario sugería un espacio limitado para un rebote inmediato. El posicionamiento a corto plazo se intensificó a medida que el sentimiento se debilitaba en todo el mercado. Ese cambio mantuvo elevados los riesgos a la baja.

La retirada de capital se intensifica

La última caída de precios coincidió con una disminución de las entradas de capital y un aumento del dominio de las posiciones cortas, ya que las condiciones en el mercado de futuros perpetuos cambiaron bruscamente.

Al momento de escribir, el mercado de perpetuos de Virtuals Protocol [VIRTUAL] registró una salida sustancial de capital por un total de $9.4 millones, reduciendo el interés abierto total a aproximadamente $76 millones.

Es importante destacar que las liquidaciones forzadas se mantuvieron limitadas. Las liquidaciones totalizaron aproximadamente $431,000, lo que significa que la mayoría de los operadores cerraron sus posiciones voluntariamente.

Esta distinción es crucial.

Los datos de la Tasa de Financiamiento Ponderada por Interés Abierto (OI-Weighted Funding Rate) cayeron a -0.0411% el 28 de febrero. Eso marcó su lectura más baja del año.

Estas Tasas de Financiamiento profundamente negativas indicaban un posicionamiento corto agresivo. La última concentración corta comparable apareció en octubre de 2025, justo antes de una fuerte caída.

Esa historia mantuvo el sentimiento frágil.

Sin pánico aún entre los inversores al contado

A pesar de que los operadores de derivados se inclinan a la baja, los inversores al contado parecen relativamente compuestos. En lugar de salir, están tratando la caída como una oportunidad potencial de acumulación.

Al momento de este informe, los compradores al contado habían acumulado aproximadamente $245,000 en VIRTUAL mientras los precios caían, lo que sugiere confianza en las perspectivas a medio plazo del activo.

Esto marca la primera fase de acumulación notable desde el 24 de febrero, lo que hace que el cambio en el comportamiento al contado sea particularmente digno de mención.

Si este patrón de compra continúa en la nueva semana, podría amortiguar una mayor presión a la baja y apoyar un rebote desde la recent caída.

La actividad on-chain se debilita

Sin embargo, las métricas on-chain pintan un panorama más cauteloso. VIRTUAL ha registrado una disminución simultánea tanto en la actividad de los usuarios como en los ingresos del protocolo.

Según datos de Artemis, el número de usuarios ha descendido a aproximadamente 24,000, mientras que los ingresos han caído a alrededor de $32,000. Esto representa un fuerte descenso desde los $133,000 registrados el 14 de febrero.

Esta actividad debilitada subraya preocupaciones estructurales.

La reducción de la participación de los usuarios y la caída de los ingresos sugieren una demanda on-chain más débil, lo que podría pesar en el rendimiento del precio de VIRTUAL a largo plazo si la tendencia persiste.

A corto plazo, el tira y afloja entre el agresivo posicionamiento corto y la renovada acumulación al contado probablemente determinará el próximo movimiento importante del activo.


Resumen Final

  • VIRTUAL cayó un 12% en 24 horas, extendiendo las pérdidas semanales al 11%.
  • El Interés Abierto (Open Interest) cayó en $9.4 millones, señalando una salida de capital de los mercados de derivados.

Preguntas relacionadas

Q¿Por qué cayó el precio de VIRTUAL un 12% en 24 horas?

AEl precio de VIRTUAL cayó debido a la presión en el mercado de criptomonedas en general, con un debilitamiento del sentimiento y un aumento en el posicionamiento a corto plazo.

Q¿Qué indicó la Tasa de Financiación Ponderada por Interés Abierto (OI-Weighted Funding Rate) al caer a -0.0411%?

AUna Tasa de Financiación profundamente negativa indicó un posicionamiento corto agresivo, similar al visto en octubre de 2025, lo que mantuvo el sentimiento frágil.

Q¿Cómo reaccionaron los inversores al contado (spot) ante la caída del precio?

ALos inversores al contado no entraron en pánico; en cambio, trataron el declive como una oportunidad de acumulación, comprando aproximadamente $245,000 en VIRTUAL durante la caída.

Q¿Qué mostraron las métricas on-chain sobre la actividad de VIRTUAL?

ALas métricas on-chain mostraron un debilitamiento, con una disminución simultánea en la actividad de usuarios (a aproximadamente 24,000) y en los ingresos del protocolo (a alrededor de $32,000).

Q¿Qué factor podría determinar el próximo movimiento importante del precio de VIRTUAL a corto plazo?

AEl próximo movimiento importante probablemente lo determinará el tira y afloja entre el agresivo posicionamiento corto en los derivados y la renovada acumulación por parte de los inversores al contado.

Lecturas Relacionadas

¿Rubin Ultra recorta especificaciones? ¿Ni siquiera NVIDIA puede soportar el aumento del precio de la memoria?

El informe de SemiAnalysis ha desencadenado un intenso debate en la industria de la IA al revelar posibles ajustes importantes en las especificaciones de Rubin Ultra, la próxima GPU flagship de NVIDIA para IA. Según el informe, Rubin Ultra mantendría el mismo pico teórico de potencia computacional (35 PFLOPs) que Rubin, pero sufriría una reducción significativa en la memoria: se especificaría con 192GB HBM apilado en 8 capas (8-Hi), incluso menos que los 288GB (12-Hi) de Rubin. El ancho de banda de memoria solo aumentaría ligeramente (1 TB/s), y el consumo energético sería similar o ligeramente superior. La mejora principal se centraría en la capacidad de interconexión a escala, soportando clusters de hasta 576 GPUs unidas mediante NVLink (frente a 72 en Rubin), creando un "super-GPU lógico". La causa principal de esta revisión sería el rápido aumento del precio de la memoria HBM, cuyo costo se habría triplicado desde 2025, impactando fuertemente el costo total de los sistemas. Al reducir la cantidad de HBM (bajando su participación en el costo del ~40% al ~28%) e invertir más en la interconexión (subiendo del 4% al 12%), NVIDIA optimizaría la relación costo-rendimiento del sistema completo. Esta noticia provocó una caída de aproximadamente el 8% en las acciones de los principales fabricantes de HBM, SK Hynix y Samsung, reflejando la preocupación del mercado sobre un posible punto de inflexión en la demanda de memoria de alta gama por parte del mayor comprador, NVIDIA, y el fin de una era de expansión sin restricciones en la infraestructura de IA.

Odaily星球日报Hace 5 min(s)

¿Rubin Ultra recorta especificaciones? ¿Ni siquiera NVIDIA puede soportar el aumento del precio de la memoria?

Odaily星球日报Hace 5 min(s)

¿Los modelos generativos también pueden entrenarse de extremo a extremo? El núcleo es un bucle for

El entrenamiento de modelos generativos siempre ha sido un reto debido a la "desviación por exposición" (exposure bias): durante el entrenamiento solo se aprenden pequeños pasos, mientras que la generación requiere cientos de iteraciones, lo que causa acumulación de errores. Esto ha impedido que los modelos generativos sean entrenados de extremo a extremo (end-to-end), a diferencia de otras tareas de aprendizaje profundo. Un reciente artículo de la Universidad de Illinois y Harvard introduce "Explorative Modeling (XM)", un nuevo paradigma que resuelve este problema mediante un bucle simple (for). La idea clave es que, en cada paso de entrenamiento, el modelo genera K candidatos y solo retropropaga el gradiente a partir del candidato más cercano a los datos reales. Este enfoque evita que el modelo converja a un promedio borroso entre múltiples modos (mode blurring), un problema inherente a las funciones de pérdida de reconstrucción típicas. XM identifica una tercera dimensión escalable, además de los parámetros y los datos: la "expresividad generativa". Los experimentos en imágenes, video y lenguaje muestran que aumentar la exploración (K) mejora monótonamente el rendimiento, con ganancias de eficiencia en FLOPs, muestras y parámetros. En tareas de control robótico, una política exploratoria XM iguala o supera a políticas de difusión que requieren 100 veces más cómputo en inferencia. El trabajo sugiere que, a gran escala, la expresividad generativa se convierte en el cuello de botella principal, y XM ofrece un camino para modelos generativos verdaderamente end-to-end, generando muestras de alta calidad en una sola pasada hacia adelante.

marsbitHace 59 min(s)

¿Los modelos generativos también pueden entrenarse de extremo a extremo? El núcleo es un bucle for

marsbitHace 59 min(s)

¿Máximo de 20 artículos por persona? La nueva norma de ICLR recibe una «petición» sarcástica de un investigador de DeepMind

Un investigador de DeepMind satiriza la nueva norma de ICLR que limita a 20 artículos por autor. La conferencia de IA ICLR 2027 ha establecido una nueva regla: cada autor solo puede figurar en un máximo de 20 trabajos enviados. Los que excedan este límite serán advertidos y, de no corregirse, algunos serán rechazados aleatoriamente. La justificación es la enorme presión sobre el sistema de revisión, tras un aumento del 68% en los envíos para ICLR 2026 (19,525 trabajos). Dan Roy, investigador de Google DeepMind, respondió con una "petición" irónica en X, pidiendo que se elimine el límite. Su mensaje, cargado de sarcasmo, sugiere que los agentes de IA ahora pueden producir investigaciones incrementales y que, "dado que todo el trabajo de revisión ya lo hacen los grandes modelos de lenguaje", debería animarse a enviar más trabajos, no menos. Su sátira apunta a un problema real: el uso de IA tanto en la autoría como en la revisión. Un análisis de 2025 detectó que aproximadamente el 21% de las revisiones de ICLR 2026 eran probablemente generadas completamente por IA. La broma de Roy plantea una pregunta seria: en un entorno donde agentes generan artículos, autores los envían en masa y revisores potencialmente usan IA, ¿limitar el número de envíos es la solución adecuada? El debate sobre la calidad versus la cantidad, y el papel de la IA en la academia, continúa.

marsbitHace 1 hora(s)

¿Máximo de 20 artículos por persona? La nueva norma de ICLR recibe una «petición» sarcástica de un investigador de DeepMind

marsbitHace 1 hora(s)

Trading

Spot
活动图片