Бывший чиновник Банка Японии исключает очередное повышение ставки в этом году

cryptonews.ruDipublikasikan tanggal 2024-05-12Terakhir diperbarui pada 2024-08-12

  • Макото Сакурай исключил возможность дальнейшего повышения ставок в этом году, дав надежду инвесторам, вкладывающим средства в рискованные активы.
  • По словам чиновника, следующий шаг может быть предпринят в марте 2023 года.

Бывший представитель Банка Японии (BOJ) заявил, что центральный банк отложит дальнейшее повышение процентных ставок до следующего года, что свидетельствует о приоритете стабильности рынка в NEAR перспективе.

«Они T смогут снова совершить поход, по крайней мере, до конца года», — заявил бывший член совета директоров Макото Сакурай в пятницу вечером, сообщает Bloomberg . «Неизвестно, смогут ли они совершить хотя бы ONE поход к марту следующего года».

В среду Банк Японии повысил ключевую процентную ставку примерно до 0,25% с нулевого диапазона 31 июля, что стало первым повышением за более чем десятилетие. Центральный банк также подал сигнал о дополнительных повышениях ставок.

Отход от Политика нулевой процентной ставки подтолкнул японскую иену вверх, вызвав сворачивание «рисковых» сделок керри-трейд с иеной . Последовавший за этим спад традиционных рисковых активов сильно повлиял на BTC, обвалив Криптовалюта примерно с $65 000 до $50 000 менее чем за семь дней.

С тех пор Bitcoin восстановился и торгуется выше $58 000 на фоне признаков сброса рисков на Уолл-стрит.

Рыночные потрясения привели к тому, что заместитель главы Банка Японии Шиничи Учида отказался от ястребиных обещаний банка, заявив, что банк T будет повышать ставки, пока Рынки нестабильны.

«Замечания Учиды были уместны, поскольку стабилизация рынка сейчас очень важна», — сказал Сакураи.

«Банк Японии переходит от чрезмерного смягчения денежно-кредитной политики к целесообразному смягчению денежно-кредитной политики, и самая большая проблема в том, что Уэда не смог четко заявить, что они сохранят смягчение. Это всегда было условием, которого они придерживались», — добавил Сакурай.

Bacaan Terkait

Artikel Terbaru Li Feifei: Saat Video Generation, Robot, dan NVIDIA Mengaku Sebagai Model Dunia, Kita Membutuhkan Taksonomi

Artikel ini membahas konsep "world model" (model dunia) dalam kecerdasan buatan (AI) yang saat ini banyak digunakan dengan makna berbeda-beda. Fei-Fei Li mengusulkan taksonomi fungsional untuk mengklarifikasi kekacauan ini. Berdasarkan siklus interaksi agen-dunia dalam POMDP (Partially Observable Markov Decision Process), ia mengategorikan model dunia menjadi tiga jenis berdasarkan outputnya: 1. **Renderer (Perender):** Menghasilkan **observasi**, khususnya piksel yang ditujukan untuk mata manusia. Contohnya adalah model video seperti Sora atau sistem interaktif seperti Genie yang menghasilkan gambar berdasarkan input. Fokus utamanya adalah kesetiaan visual, bukan akurasi fisik. 2. **Simulator (Simulator):** Menghasilkan **state (keadaan)**, yaitu representasi dunia yang akurat secara geometri, fisika, dan dinamika. Simulator berfungsi sebagai landasan struktural untuk perhitungan, digunakan oleh profesional (arsitek, desainer) dan program komputer (robot, kendaraan otonom) untuk pelatihan dan pengujian. Contohnya adalah platform seperti NVIDIA Omniverse. 3. **Planner (Perencana):** Menghasilkan **tindakan**. Model ini menentukan langkah selanjutnya yang harus diambil sebuah agen berdasarkan observasi dan tujuan. Ini menutup lingkaran persepsi-aksi. Contohnya adalah model visi-bahasa-aksi (VLA) dan model aksi dunia (World Action Models). Artikel menyoroti bahwa **simulator adalah kunci penghubung** yang paling penting namun kurang mendapat perhatian publik. Simulator bekerja pada tingkat geometri dan fisika yang mendasarinya, sehingga pemahamannya dapat diproyeksikan ke dalam piksel (untuk renderer) atau prediksi konsekuensi tindakan (untuk planner). Tren terpenting saat ini adalah peleburan batas antara ketiga kategori ini, didorong oleh kesadaran bahwa pengetahuan dasar tentang dunia yang dibutuhkan adalah sama. Tujuan akhirnya adalah model dunia terpadu yang dapat beralih di antara rendering, simulasi, dan perencanaan sesuai kebutuhan. Perkembangan ini mendorong kemajuan menuju kecerdasan spasial, di mana mesin tidak hanya memahami bahasa tentang dunia, tetapi juga dapat memahami, membayangkan, bernalar, dan berinteraksi dengan dunia fisik itu sendiri.

marsbit6j yang lalu

Artikel Terbaru Li Feifei: Saat Video Generation, Robot, dan NVIDIA Mengaku Sebagai Model Dunia, Kita Membutuhkan Taksonomi

marsbit6j yang lalu

Trading

Spot
活动图片