TON 鲸鱼在 7 天内卖出数百万代币, 价格会持续下跌吗

币界网Dipublikasikan tanggal 2024-07-30Terakhir diperbarui pada 2024-07-30

币界网报道:

v2-f44164ba57459691de5f2a8169c0c89b_720w.webp

基于 Telegram 的项目 Toncoin (TON) 尽管今年大部分时间表现优于比特币 (BTC),但其市场主导地位已有所减弱。市场看跌趋势下在最新反弹之前,TON 经历了艰难的两周,价格下跌了 18.3%。

截至发稿时,该代币的交易价格为 6.65美元,这一分析证明该代币可能尚未脱离困境。原因如下。

鲸鱼抛售 Toncoin,引发市场担忧

Toncoin 可能下跌的主要原因是鲸鱼的行为。鲸鱼是持有大量加密货币流通供应的实体或个人。因此,他们的行为和不作为会影响价格。

根据 IntoTheBlock 的数据,TON 大持有者的净流量在过去七天内大幅下降了 97.05%。

这与几周前的大量流入形成了鲜明对比。净流量是大量流入和流出之间的差额。如果比率为正,则意味着鲸鱼积累的资金多于他们出售的资金。

然而,负比率意味着相反的情况,TON 就是如此。此外,仔细检查发现,鲸鱼在 7 月 21 日至 28 日期间出售了 140 万枚 TON 代币。如果这种情况持续下去,TON 的价格可能会抹去近期部分温和涨幅。

v2-f885bcc6f16632930d399827818d9462_720w.webp

Toncoin 大额持有者净流量。来源:IntoTheBlock

由于 TON 的价格反弹,每日链上交易的盈利与亏损比率达到了自 7 月 19 日以来的最高水平。该指标显示代币持有者是亏损还是盈利。当该指标为负时,实际亏损多于收益。

在 Toncoin 的情形下,价格上涨导致获利回吐增加。然而,获利回吐通常会导致下跌,尤其是在抛售压力增加的情况下。因此,如果链上交易的盈利与亏损比率上升,TON 的上涨趋势可能会停止。

v2-24d18d637eb03b00e29cd0e67fab4cdb_720w.webp

TON 价格预测:反弹力度不够

这一熊市周期推动了 TON 价格的持续盘整趋势,揭示了三角形模式的形成。在过去两个月中,趋同的趋势线继续挤压 TON 代币的价格差,为其重大突破做好准备。

v2-5625c77cefd6574a2eac5d3b5f6ff2f7_720w.webp

就当前的上涨趋势而言,争执图设置应为买家提供暂时的突破以恢复力量。Toncoin 价格盘中上涨 0.76%,显示出从三角形支撑位反转至市场新突破的尝试。

但Toncoin 价格仍在努力从三角形支撑位反弹,这表明买家信心不足。20D 和 50D EMA之间最近出现看跌交叉,可能会加速三角形模式的看跌势头。

同时根据日线图,Toncoin 的价格上涨没有得到重要指标的支持。例如,Awesome Oscillator (AO) 为负。AO 衡量市场动量并确定加密货币价格的早期变化。当 AO 为正时,动量向上增加。但是,如果指标读数为负,就像 TON 一样,动量就会减小。另一个具有类似看跌倾向的震荡指标是移动平均收敛散度 (MACD)。

截至发稿时,MACD 在红色区域下跌,增强了下跌趋势的可能性。如果这种情况持续下去,TON 的价格可能会跌至 6.57 美元。但是,如果抛售压力增加,其价值可能会跌至 6.02 美元。

v2-32e94480bf1b1d6c2e0aed6f4ce654b4_720w.webp

但如果鲸鱼开始积累更多 TON,而不是像现在这样,其价值可能会反弹。如果这是真的,Toncoin 的价格可能会跃升至 6.90 美元,最终达到 7.18 美元。

本次鲸鱼持续抛售是导致加密货币进一步下跌的一个因素,通过链上交易量的获利回吐增加我认为 Toncoin 的上涨趋势短期内会放缓并且Toncoin 的 AO 和 MACD 为负也说明了市场势头疲软,市场信心减弱或投资转向其他资产价格将继续下跌。

Bacaan Terkait

Huang Renxun: Prompt Sudah Usang, Loop adalah Paradigma Baru

**Ringkasan:** **Prompt Sudah Ketinggalan Zaman, Loop adalah Paradigma Baru.** Menurut Huang Renxun (Jensen Huang), pendiri NVIDIA, tugas utama di era AI sekarang bukan lagi menulis perintah (prompt), tetapi **menulis dan mengelola loop (siklus).** **Apa itu Loop?** Loop adalah sistem di mana Anda mendefinisikan suatu tujuan, dan AI menjalankannya secara mandiri—memeriksa hasil, memperbaiki kesalahan, dan mengulangi proses tersebut hingga tugas selesai atau mencapai batas tertentu. Manusia beralih peran dari "pemberi perintah" menjadi **"perancang aturan" atau "arsitek sistem."** **Loop vs. Agent:** Agent adalah "pekerja" yang menjalankan tugas. Loop adalah **mekanisme pengelolaan** yang memungkinkan Agent bekerja terus-menerus tanpa pengawasan manusia. Agent dengan loop menjadi sistem yang dapat berjalan otomatis. **Contoh Penerapan:** Produk seperti Claude Code (dengan fitur /loop, /goal, /schedule) dan OpenAI Codex telah menerapkan konsep ini. Mereka membagi tugas kompleks ke beberapa Agent yang berjalan paralel di lingkungan terisolasi, dengan model terpisah untuk menulis kode dan memvalidasi hasil, memastikan objektivitas. **Bagaimana Memulai Loop?** 1. **Uji Kelayakan:** Pastikan tugas berulang, dapat divalidasi otomatis, dan anggaran token mencukupi. 2. **Mulai dari Loop Minimal:** Bangun sistem dengan pemicu otomatis, keterampilan (skill), file status (STATE.md), dan "gerbang" validasi (seperti pengujian). 3. **Pisahkan Pemeriksa dan Pelaksana:** Gunakan model atau Agent berbeda untuk menulis kode dan memeriksa/mengujinya. Ini kunci untuk kualitas. 4. **Hindari Jebakan Umum:** Tetapkan batas pengulangan dan token, simpan status, hindari tugas yang membutuhkan pertimbangan manusia, dan tetap tinjau perubahan kode (diff). 5. **Ukur Efektivitas:** Metrik utama adalah **biaya rata-rata per perubahan yang diterima.** **Evolusi Paradigma:** Perkembangan AI menunjukkan pergeseran berkelanjutan: 1. **Prompt Engineering** (2023-2024): Fokus pada cara menulis perintah. 2. **Context Engineering** (2024-2025): Fokus pada informasi dan latar belakang yang diberikan ke AI. 3. **Harness Engineering** (2025-2026): Fokus pada lingkungan eksekusi dimana AI dapat menggunakan alat dan sumber daya. 4. **Loop Engineering** (sekarang): Fokus pada merancang sistem siklus otomatis yang berjalan mandiri. Konsep loop memiliki akar akademis, seperti dalam framework **ReAct** (Reasoning + Acting) yang dikembangkan oleh Yao Shunyu dkk., yang menggabungkan penalaran dan tindakan dalam sebuah siklus. **Catatan Penting:** Meskipun menjanjikan, teknologi ini masih awal. Perlu kehati-hatian terhadap biaya token dan kompleksitas. Seperti dikutip Andrej Karpathy, **"Anda dapat mengalihdayakan pemikiran Anda, tetapi Anda tidak dapat mengalihdayakan pemahaman Anda."** Pemahaman mendalam tentang masalah tetap berada di tangan manusia.

marsbit1j yang lalu

Huang Renxun: Prompt Sudah Usang, Loop adalah Paradigma Baru

marsbit1j yang lalu

GPT Merancang GPT

OpenAI akhirnya merilis chip pertamanya, Jalapeño. Meski banyak yang menganggapnya sebagai tantangan bagi Nvidia, inti dari langkah ini justru adalah pengakuan terbuka OpenAI bahwa mereka tidak puas hanya menjadi perusahaan model AI. Mereka ingin mengontrol seluruh proses produksi kecerdasan, dari model, chip, hingga pusat data dan energi. Perbedaan kemampuan model semakin menyempit, namun kesenjangan dalam komputasi justru melebar. Dalam era AI, satuan biaya terpenting bukan lagi harga server atau GPU, melainkan biaya produksi setiap Token. Sebagai penyedia layanan seperti ChatGPT dan API, OpenAI menghadapi kenyataan bahwa semakin sukses produk mereka, semakin besar "pajak inferensi" yang harus dibayarkan ke penyedia hardware eksternal. Jalapeño adalah upaya membangun "pabrik Token" sendiri untuk mengurangi ketergantungan ini. Yang menarik, siklus pengembangan chip Jalapeño hanya sembilan bulan, jauh lebih cepat dari standar industri. Kunci percepatan ini adalah pengetahuan OpenAI tentang beban kerja model nyata. Mereka bahkan menggunakan model AI mereka sendiri untuk mempercepat bagian proses desain dan optimasi chip. Ini menciptakan siklus umpan balik: model yang lebih baik membantu mendesain chip yang lebih baik, yang kemudian menurunkan biaya menjalankan model generasi berikutnya. Jalapeño difokuskan untuk inferensi, bukan pelatihan. Inferensi adalah pengeluaran tunai harian yang masif, terutama dengan berkembangnya Agent dan tugas-tugas rantai panjang. Dengan mengurangi "pajak inferensi" ini, OpenAI dapat meningkatkan margin keuntungan layanannya. Strategi OpenAI semakin mirip dengan Apple: membangun ekosistem tertutup yang terintegrasi, dari model (perangkat lunak intelijen), antarmuka seperti ChatGPT, hingga chip dan infrastruktur fisik. Mereka tidak ingin menjual "sekop" (seperti Nvidia), tetapi memiliki "tambang" dan menjual "kecerdasan" yang dihasilkannya. Pada akhirnya, artikel ini menyimpulkan bahwa aset terpenting di era AI sedang bergeser. Model akan terus berubah seperti "aliran traffic," tetapi infrastruktur produksi—chip, jaringan, pusat data, energi—akan menjadi "tanah" yang dikuasai oleh sedikit pemain. Dengan Jalapeño, OpenAI menyatakan ambisinya: tidak hanya menjadi perusahaan paling cerdas, tetapi mengontrol produksi kecerdasan itu sendiri.

marsbit1j yang lalu

GPT Merancang GPT

marsbit1j yang lalu

Trading

Spot
Futures
活动图片