Почему упал биткоин. Почему упали альткоины

cryptonews.ruPublicado a 2024-05-12Actualizado a 2025-02-12

Коррекция биткоина и других криптовалют в начале февраля стала одной из крупнейших за последние годы. Как эксперты оценили поведение криптоактивов и инвесторов

«РБК-Крипто» не дает инвестиционных советов, материал опубликован исключительно в ознакомительных целях. Криптовалюта — это волатильный актив, который может привести к финансовым убыткам.

На прошлой неделе криптовалютные инвесторы столкнулись с резким падением цен и понесли существенные убытки. Как сообщила аналитическая компания Glassnode, наиболее пострадавшим сектором оказались альткоины, показав признаки локального медвежьего рынка.

Хотя цена биткоина осталась относительно стабильна остального крипторынка, краткосрочные инвесторы фиксируют многомиллионные убытки. Однако такое поведение цен на криптоактивы соотвествует историческим коррекционным тенденциям и не выходит за статистические рамки.

rbc.group

BTC/USD

96 388 -2 001 (-2,03%)
ОКХ Feb 12 12:09:51

Цена биткоина (BTC) 3 февраля в моменте опустилась до $93 тыс., что совпало по времени с объявлением президентом Дональдом Трампом о введении США дополнительных пошлин на поставки товаров из стран ЕС. Многие крупнейшие криптоактивы из списка топ-100 по капитализации зафиксировали падение вплоть до 45%. А Ethereum, вторая по величине криптовалюта, в моменте упала почти на 40%.

Падение BTC в начале февраля стало продолжением коррекционного движения, начавшегося после инаугурации Трампа 20 января. Тогда биткоин зафиксировал абсолютный ценовой максимум на уровне немного ниже $110 тыс. В этот же день общий показатель капитализации крипторынка составил $3,73 млрд.

По данным Coinmarketcap на 12 февраля 10:15 мск, биткоин торгуется около $96 тыс., в то время как капитализация рынка в целом составляется $3,14 трлн.

За последние две недели рыночная капитализация альткоинов снизилась на $234 млрд, написали в отчете Glassnode, при этом в моменте наблюдалась более крупная просадка.

«Это довольно интересно, поскольку биткоин не демонстрирует такой же относительной слабости, что говорит о расхождении между BTC и остальной частью крипторынка», — написано в отчете.

Тем не менее, эксперты отметили зафиксированные крупные убытки в момент коррекции в начале февраля размером $520 млн, что является одной из самых заметных просадок, где доминирует когорта краткосрочных инвесторов. По словам аналитиков, эта группа наиболее чувствительна к волатильности и часто сигнализирует о локальной капитуляции трейдеров. Однако это не выходит за рамки максимальных «убытков» даже относительно прошлого года, когда в начале августа зафиксировали показатель на уровне $1,3 млрд.

Двухнедельный показатель изменения капитализации рынка альткоинов. Источник: Glassnode

Напротив, альткоины испытали более существенные показатели падения цен: «Если посмотрим на метрику в процентном отношении у альткоинов, то только 41 из 1662 торговых дней зафиксировали большее падение».

В Glassnode также указали на масштаб спада на рынке альткоинов, схожий с медвежьим рынком. Эксперты связали это с трудностями глобального принятия отличных от биткоина криптоактивов. В совокупности с макроэкономическими факторами рыночная среда для альткоинов оказалась гораздо сложнее, чем для биткоина.

Lecturas Relacionadas

Li Fei-Fei's Latest Long-Form Article: When Video Generation, Robotics, and NVIDIA All Call Themselves World Models, We Need a Taxonomy

In a new article, Dr. Fei-Fei Li addresses the widespread and often inconsistent use of the term "world model" in AI. She proposes a clear, functional taxonomy rooted in the classic Partially Observable Markov Decision Process (POMDP) loop (agent → action → state → observation → agent). According to this framework, current systems called "world models" are different projections of this loop, categorized by their primary output: 1. **Renderers**: Output observations (pixels). Their goal is visual fidelity for human consumption (e.g., video generation models like Sora). They are the most commercially mature but are limited by a focus on appearance over physical accuracy. 2. **Simulators**: Output states (geometric, physical, dynamic representations). They provide a structurally accurate world for both human professionals (e.g., architects) and computational agents (e.g., robots for training). Li argues simulators are the crucial, underappreciated bridge, as they can underpin both rendering and planning. 3. **Planners**: Output actions. Given an observation and a goal, they decide what an agent should do next (e.g., robotic action models). This area is highly promising but remains the least mature for real-world deployment. Li highlights a key trend: the boundaries between these three categories are beginning to blur, as they all rely on a shared underlying understanding of geometry, physics, and dynamics. The logical endpoint is a unified world foundation model capable of switching between rendering, simulation, and planning based on downstream needs. This convergence, she concludes, is central to advancing spatial intelligence—enabling machines not just to talk about the world, but to truly understand, imagine, and interact with it.

marsbitHace 6 hora(s)

Li Fei-Fei's Latest Long-Form Article: When Video Generation, Robotics, and NVIDIA All Call Themselves World Models, We Need a Taxonomy

marsbitHace 6 hora(s)

Trading

Spot
活动图片