LTC 的购买力上升、这会帮助它攀升至 80 美元吗?

币界网Publié le 2024-08-21Dernière mise à jour le 2024-08-21

币界网报道:

LTC 的 150 天 SMA 已经移至价格下方,表明长期趋势是积极的。

  • 自 8 月 5 日以来,在购买活动的推动下,LTC 一直呈现逐步稳定的上升趋势。

  • LTC 在四小时图上形成了看涨 SMA 交叉,其目标价格可能为 79-80 美元。

根据CoinMarketCap的数据,在撰写本文时,LTC 的交易量上涨了 16% ,与此同时,围绕该代币的购买活动也在增加。

自8 月 5 日因美国疲软、就业数据和科技股表现不佳导致加密货币市场崩盘以来,LTC 一直处于稳步上升趋势。

截至发稿时,其七天涨幅约为 7%。

LTC 已形成 V 型复苏。该代币一直在直线上涨,没有出现大幅价格下跌来扰乱涨势。

图表看起来很奇怪,因为这不是我们在加密货币中经常看到的东西。自本月初的涨势以来,基本上一直呈直线上升趋势,没有出现大幅下跌。有趣的价格走势值得关注。

买家推动 LTC 上涨

LTC 在过去两周的稳步上涨可能归因于该代币持续的购买压力。

日线图上的相对强弱指数 (RSI) 显示购买活动逐渐增加。自 8 月初以来,RSI 线也不断创下新高。

DqnQxrhask23lXVEjsKgybuU7SptrOoZ2occtKJg.jpeg

资金流量指数 (MFI) 在稳步上涨后维持在 68 点,表明流入 LTC 的资金多于流出的资金。这通常是一个看涨信号,表明买家一直在推动价格走势。

然而,由于 LTC 的上涨似乎完全是由购买活动推动的,交易者应该对任何可能的逆转保持警惕。

尽管处于正值区域,Awesome Oscillator (AO) 仍显示红色直方图条。此形态通常表示 LTC 仍处于看涨势头。

然而,上升趋势的强度正在减弱,随后可能出现逆转或短暂的暂停。

rOOaZeNcbH1HAZ5Nbx0xCaJ5hjHHranZuHtnPlkd.jpeg

尽管如此,简单移动平均线 (SMA) 仍支持看涨论点。150 日 SMA 已移至价格下方,表明长期趋势为正。

此外,50 日均线试图在 150 日均线上方形成重大看涨交叉。该指标表明看涨势头正在形成,以支持持续的上升趋势。

LTC 多次在 100% 斐波那契水平(68 美元)处受阻。如果价格再次瞄准这一阻力位并突破,LTC 可能会跌至 79 美元。

数据显示,有 577,000 个地址购买了 65 至 69 美元之间的货币。这意味着,如果这些交易者决定出售以减少损失,68 美元的阻力位可能会继续保持。

yLUWPUZuNynGq2t28LKy3kmbW9Bqeos4NJyrojx7.jpeg

从 Coinglass 的多头/空头比率来看,期货市场对 LTC 的看跌情绪正在消退。截至发稿时,该比率已降至 0.91,表明空头仓位略多于多头仓位。

Cryptos en tendance

Lectures associées

Vitalik Buterin affirme que l'obfuscation pourrait renforcer la confidentialité des blockchains

Le co-fondateur d'Ethereum, Vitalik Buterin, a publié une analyse sur l'obfuscation (obscurcissement) dans la cryptographie. Il explique que cette technique, qui transforme un code en une forme chiffrée tout en conservant ses fonctionnalités, pourrait renforcer la confidentialité et la sécurité des blockchains. Contrairement au chiffrement des données, l'obfuscation protège la logique même du code, permettant de créer des applications sans divulguer d'informations propriétaires. Buterin souligne que l'obfuscation seule est insuffisante pour gérer des actifs numériques, mais combinée à la technologie blockchain — qui enregistre la propriété de manière transparente — elle pourrait permettre des systèmes de paiement sécurisés, des applications financières et des opérations commerciales confidentielles, tout en réduisant le recours à des autorités centrales. Cependant, des difficultés techniques majeures persistent. Les recherches actuelles, comme l'obfuscation par indistinguabilité, aboutissent à des implémentations extrêmement inefficaces, certaines nécessitant un temps de calcul démesuré. Des améliorations en cryptographie et en mathématiques sont nécessaires. Buterin conclut que l'obfuscation pratique prendra du temps, mais qu'elle ouvrira la voie à des produits blockchain hautement sécurisés et sans tiers de confiance.

TheNewsCryptoIl y a 2 mins

Vitalik Buterin affirme que l'obfuscation pourrait renforcer la confidentialité des blockchains

TheNewsCryptoIl y a 2 mins

Transformer réinventé : Rendre les LLM plus intelligents en modifiant simplement leur architecture

En 2026, alors que l'industrie des grands modèles linguistiques (LLM) se concentre sur l'ajout de paramètres via des architectures comme le *Mixture of Experts* (MoE), une nouvelle étude propose une approche radicalement différente. Les chercheurs de Mila, Cornell et de l'Université de Montréal démontrent que redistribuer les paramètres existants au sein d'un modèle, sans en ajouter, peut significativement améliorer ses performances. Leur constat de départ : dans les Transformers standards, toutes les couches ont la même « capacité » (largeur du réseau feed-forward). Or, des recherches antérieures (sortie anticipée, élagage, interprétabilité) indiquent que ces couches n'ont pas la même importance. Les premières traitent des informations basiques (syntaxe), tandis que les dernières affinent la sémantique, parfois en répétant des conclusions déjà établies. L'équipe teste alors des modèles « effilés » (*Tapered Language Models* - TLMs), où la largeur du réseau feed-forward décroît progressivement des couches profondes vers les couches superficielles, tout en conservant la moyenne originale et donc le nombre total de paramètres et d'opérations. Plusieurs courbes de décroissance sont essayées : linéaire, cosinus et sigmoïde. Les résultats sont frappants. Sur un Transformer de 440M de paramètres, la configuration optimale (décroissance cosinus, largeur initiale x1.5, finale x0.5) réduit la perplexité de 16.28 à 14.44, une amélioration de 1.84 point sans coût supplémentaire. Cette conclusion se généralise à d'autres architectures (à attention à grille, Hope-attention, Titans) et à des modèles plus grands (760M, 1.3B), avec des gains systématiques en raisonnement et prédiction langagière, sans nuire à la gestion de longs contextes. L'explication réside dans l'analyse des sorties : les couches profondes montrent une plus forte similarité avec les informations déjà présentes, confirmant qu'elles « réitèrent » plus qu'elles ne « créent ». Allouer plus de capacité aux premières couches, qui font un travail de fondation plus varié, est donc plus efficace. Cette recherche met en lumière un levier de conception longtemps négligé : la forme de la distribution de la capacité, et non seulement sa quantité. Une simple réallocation des paramètres existants offre ainsi une amélioration significative et gratuite, une perspective applicable potentiellement aux Transformers visuels, aux modèles de diffusion et multimodaux.

marsbitIl y a 7 mins

Transformer réinventé : Rendre les LLM plus intelligents en modifiant simplement leur architecture

marsbitIl y a 7 mins

Token est non économique

Le phénomène de « Token non économique » décrit la situation où les entreprises constatent une consommation élevée de tokens (unités de calcul des modèles d'IA) sans retour sur investissement proportionnel. Des acteurs comme Microsoft, Uber et Amazon ont rencontré des dépassements de budget et une faible qualité de production, les conduisant à resserrer leurs politiques d'utilisation. Cette inefficacité provient de plusieurs facteurs. Côté offre, les prix des tokens augmentent, notamment pour les modèles performants comme ceux d'Anthropic (Claude), tandis que les modèles économiques voient aussi leurs tarifs grimper avec la demande. Côté utilisation technique, des gaspillages structurels existent : pièges du contexte long, opacité des tokenizers entraînant une inflation des coûts, appels redondants à des compétences (skills) peu utiles, et surconsommation liée à la coordination et aux dérives dans les tâches longues des agents multiples. Le problème fondamental réside dans la demande. L'application efficace des tokens reste largement confinée à des scènes numériques comme l'assistance au codage, où la rétroaction automatique permet un apprentissage efficace. Pour des secteurs comme le droit, la vérification humaine reste indispensable, rendant le retour sur investissement plus faible. Le saut vers le monde physique (robotique) est encore plus difficile en raison du coût prohibitif de la validation dans la réalité, contrairement aux environnements simulés. Ces inefficacités concentrent les risques au milieu de la chaîne de valeur de l'IA. Les fabricants de modèles, bien que leurs revenus explosent, restent non rentables et dépendent de financements circulaires complexes avec les fournisseurs de matériel. Par ailleurs, l'expansion frénétique des centres de données nécessaires grève les ressources locales (électricité, eau), affectant les communautés. Pour inverser la tendance, des solutions techniques (compression sémantique du contexte, optimisation des skills, routage intelligent des modèles, contraintes budgétaires strictes pour les agents) et de gouvernance (gestion des coûts, quotas) sont nécessaires. L'essentiel sera de trouver des scénarios d'application à grande échelle où les tokens génèrent une valeur économique claire, au-delà du codage. Le retour à une discipline stricte du retour sur investissement (ROI) sera crucial pour que l'ère des agents intelligents passe du gaspillage à une création de valeur durable.

marsbitIl y a 14 mins

Token est non économique

marsbitIl y a 14 mins

Trading

Spot

Articles tendance

Comment acheter LTC

Bienvenue sur HTX.com ! Nous vous permettons d'acheter Litecoin (LTC) de manière simple et pratique. Suivez notre guide étape par étape pour commencer votre parcours crypto.Étape 1 : Création de votre compte HTXUtilisez votre adresse e-mail ou votre numéro de téléphone pour ouvrir un compte sur HTX gratuitement. L'inscription se fait en toute simplicité et débloque toutes les fonctionnalités.Créer mon compteÉtape 2 : Choix du mode de paiement (rubrique Acheter des cryptosCarte de crédit/débit : utilisez votre carte Visa ou Mastercard pour acheter instantanément Litecoin (LTC).Solde :utilisez les fonds du solde de votre compte HTX pour trader en toute simplicité.Prestataire tiers :pour accroître la commodité d'utilisation, nous avons ajouté des modes de paiement populaires tels que Google Pay et Apple Pay.P2P :tradez directement avec d'autres utilisateurs sur HTX.OTC (de gré à gré) : nous offrons des services personnalisés et des taux de change compétitifs aux traders.Étape 3 : stockage de vos Litecoin (LTC)Après avoir acheté vos Litecoin (LTC), stockez-les sur votre compte HTX. Vous pouvez également les envoyer ailleurs via un transfert sur la blockchain ou les utiliser pour trader d'autres cryptos.Étape 4 : tradez des Litecoin (LTC)Tradez facilement Litecoin (LTC) sur le marché Spot de HTX. Il vous suffit d'accéder à votre compte, de sélectionner la paire de trading, d'exécuter vos trades et de les suivre en temps réel. Nous offrons une expérience conviviale aux débutants comme aux traders chevronnés.

866 vues totalesPublié le 2024.12.11Mis à jour le 2026.06.02

Comment acheter LTC

Discussions

Bienvenue dans la Communauté HTX. Ici, vous pouvez vous tenir informé(e) des derniers développements de la plateforme et accéder à des analyses de marché professionnelles. Les opinions des utilisateurs sur le prix de LTC (LTC) sont présentées ci-dessous.

活动图片