Why capital is not flowing into crypto even as Global M2 explodes

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

Resumen

Despite record levels of global M2 liquidity reaching approximately $135 trillion, capital is not flowing into the cryptocurrency market. Instead, it is moving towards traditional safe-haven assets like gold and silver, which have seen significant rallies. The broader market, including Bitcoin and Ethereum, has experienced substantial declines and remains under bearish pressure. This shift is largely driven by ongoing macroeconomic strains and geopolitical tensions, prompting investors to prioritize capital preservation over speculative crypto investments. While some crypto exchanges are diversifying into traditional assets to capture wider capital flows, the crypto market has not yet benefited from the global liquidity expansion.

The broader cryptocurrency market remains under pressure as capital outflows extend over several months.

The decline has been evident across leading digital assets. Bitcoin [BTC] dropped from $126,000 to $67,000, while Ethereum [ETH] fell from roughly $4,980 to $1,990 at press time.

Several other altcoins have recorded similar drawdowns, erasing close to 30% of their prior gains and reinforcing the ongoing bearish structure.

Despite this weakness, macro liquidity conditions tell a different story.

Global liquidity climbs to record levels

Global M2, commonly used as a proxy for worldwide liquidity, continues to expand.

M2 measures the pool of relatively liquid money across major economies. It includes physical cash, checking deposits, savings deposits, and money market funds—capital that can be quickly deployed into financial markets.

Recent data shows that global M2 has climbed to approximately $135 trillion, marking a fresh all-time high.

Historically, rising liquidity increases the amount of deployable capital within the system. In risk-on environments, this excess liquidity often finds its way into higher-yielding and more volatile assets.

Bitcoin, Ethereum, and the broader altcoin market fall squarely within that category.

However, the recent 4.35% rebound in total crypto market capitalization to $2.31 trillion does not yet confirm a sustained bullish reversal. Liquidity may be expanding, but it is not decisively rotating into digital assets.

Safe havens attract the flow

To understand where capital is moving, investors often examine precious metals.

At the time of writing, gold has rallied 19.9% from its low of $4,402 per ounce on the 2nd of February, sustaining strong upside momentum. Silver has also advanced, climbing from $71 to $94 over the same period.

These gains are notable because both assets function as traditional safe havens. During periods of macroeconomic strain or geopolitical tension, investors tend to prioritize capital preservation over speculative exposure.

With tensions persisting between the United States and Iran, defensive positioning has strengthened.

This rotation suggests that the expanding M2 supply may currently be supporting safe-haven demand rather than high-volatility crypto assets.

Data from Hyperliquid reveals that at least one trader has opened a combined $37.3 million short position across gold and silver—$28 million against gold and $9.23 million against silver—anticipating a pullback.

While this signals that some market participants view metals as overvalued, price action remains structurally bullish for now.

Exchanges broaden their reach

Meanwhile, crypto platforms are adjusting to softer trading activity.

Kraken and Coinbase have expanded their product offerings to include select stocks, commodities, and other traditional instruments.

This strategic diversification reflects an effort to capture a wider share of global capital flows as crypto volumes fluctuate.

Over the long term, such integration could strengthen capital access when risk appetite returns.

For now, however, liquidity expansion alone has not translated into sustained crypto upside. Capital appears to favor defensive assets, leaving digital markets in a holding pattern despite record global M2 levels.


Final Summary

  • Global liquidity is rising, but gold and silver are outperforming crypto assets.
  • The crypto market has yet to meaningfully benefit from expanding global M2.

Preguntas relacionadas

QWhat is the current trend in the broader cryptocurrency market, and how long has it been under pressure?

AThe broader cryptocurrency market remains under pressure with capital outflows extending over several months.

QDespite the expansion of global M2 to a record high, why hasn't this liquidity translated into a sustained bullish reversal for crypto?

AThe expanding liquidity is currently supporting safe-haven demand (like gold and silver) due to macroeconomic strain and geopolitical tensions, rather than flowing into high-volatility crypto assets.

QWhich traditional safe-haven assets have seen significant gains, and what are their approximate price increases?

AGold has rallied 19.9% from its low, and silver has climbed from $71 to $94, showing strong upside momentum as traditional safe havens.

QHow have major crypto exchanges like Kraken and Coinbase adapted to the softer trading activity in the crypto market?

AThey have expanded their product offerings to include select stocks, commodities, and other traditional instruments to capture a wider share of global capital flows.

QWhat does the $37.3 million short position against gold and silver indicate about some traders' views on these metals?

AIt indicates that some market participants view gold and silver as overvalued and are anticipating a pullback, though the price action remains structurally bullish for now.

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 9 min(s)

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

Odaily星球日报Hace 9 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 1 hora(s)

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

marsbitHace 1 hora(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