长周期的慢牛何时转换为大牛?下一个财富密码在上新板块里?

币界网Dipublikasikan tanggal 2024-08-21Terakhir diperbarui pada 2024-08-21

币界网报道:

昨天大盘拉起来一波后又回调下来,可以看到日线级别形成一根针,从现在走势来看,目前处于横盘状态,短期大盘整体会在 68000-61500 区间在走,而以太整体会在2520-2700 区间在走,sol 整体会在 140-150区间在走。

昨天上线一款国产游戏《黑神话悟空》,一上线爆火海内外,也带动相关股票的上涨,同时 web3 也跟着这波热度也推出一些活动,现在这款游戏那么火,币圈的游戏板块币种会不会也跟上呢?

接下来各大链的PUMP都会出来,然后跟上次全链铭文一样,疯狂炒作一边,前5条链的pump前期可以适当参与我觉得,但是一定要记得赚了之后换成比特币。

图片

一些对于币圈的看法:

一直从去年大概8月左右开始吧,纽约开盘后都会出现很多非理性的震荡,现在则是越来越明显,之前很多次我都有说到这件事情,我把这个现象称为美股化。 

有些人可能会把这种情况称为狗庄在搞,但其实这件事对于比特币来说意义是很大的,这代表着机构参与比以前更多了,更多的资金在纽约时间参与比特币的交易,这也代表比特币这个资产渐渐的趋近于成熟的市场。 

短期来讲可能会非常难交易,毕竟现在技术分析也没有18年19年或是20. 21年这么有优势了,变得更加需要耐心,否则就是沦为流动性的牺牲品。 

但以长期来讲这倒不是个坏事,代表着行情周期会被拉的非常长,也就是可能没有以前那种非常长时间的单边下跌以及底部小波动震荡的熊市了。 

也就是说我们可能在走一个长周期的慢牛,而熊市大概率只会发生在山寨币里,这是因为流动性紧缺所造成的。

几个月前的meme板块大爆发、sol链土狗热潮、前阵子的VC币被散户抵制,一直到这几天散户游资也慢慢的从sol/eth 链上meme的pvp转变成BN合约市场里低市值小币的pvp,例如rare, sys,就连很多NFT现在也开始动起来了。 

这种资金轮动方式也凸显了整个币圈流动性紧缺更加严重的问题,这些VC机构、大资金们哪个不想看到上轮那种大牛市呢,毕竟更多的韭菜可以割,抱怨的人还更少。 

而山寨市走熊绝对就跟这样的流动性紧缺脱离不了关系,大部分的价值山寨如果没有实质性的利好落地、存量用户增长,那大概率就是处在周期性熊市的情况。 

所以不要去太纠结于小周期的行情,把目光放在最主流的币种,看长远一点,我们已经不能用上轮牛熊山寨季的周期来看待现在的市场了。

图片

观察币安上币规律,能否找出下一个财富密码?

1 币安喜欢对同一个板块的几个项目以此上线。

比如说近期的Ton生态,先后上了NOT、BANANA、TON、DOGS。在4月份前后上线了链互操作性的几个项目,包括AXL、W、OMNI,在2月份先后上线了GameFi板块的几个项目,包括RONIN、PIXEL、MAVIA(合约)、PORTAL。 1月份前后上线模块化几个项目,包括TAI、ALT、DYM。

SOL生态的项目,JUP、PYTH、TNSR、W。3月份集中上线了MEME板块的项目如BOME、WIF。

这背后可能的原因是币安想短时间内支持某个板块,让市场形成热点,带动交易,可以给我们一些启示,对于一个新的板块上线第一个项目后,同样板块后面的优秀项目有很大的概率币安会上。

2.币安上线的新项目,基本都是本轮牛市的新的板块。

比TON生态,Layer2,AI 、比特币生态、ETH Restaking、链互操作、sol生态、模块化。

有个别板块是上一轮牛市就有,但是在这轮周期中,市场赋予新的期望,比如GameFi、MeMe板块 

所以,想要币安上线,目光最好看到新叙事上面来。

3 .币安上线的板块,很多时候会被当下的风口所影响。

年初,GameFi火爆的时候,币安密集上线了GameFi的几个项目,3月 SOL链上MeMe盛行的时候,币安上线了BOME 和WIF。

近期大家都在谈Ton的时候,币安上线了几个Ton生态的项目。

所以,板块成为热点,里面的项目就容易上线。喜欢热点、喜欢新板块,还喜欢一个板块上几个项目,币安上币组的偏好已经有点明显了

Bacaan Terkait

Vitalik Buterin Klaim Obscurasi Bisa Tingkatkan Privasi Blockchain

Vitalik Buterin, salah satu pendiri Ethereum, menerbitkan artikel tentang peran obfuscation (pengaburan kode) dalam meningkatkan privasi dan keamanan blockchain. Obfuscation melindungi logika program itu sendiri dengan mengubah kode menjadi bentuk terenkripsi, namun tetap menghasilkan keluaran yang sama. Hal ini memungkinkan pengembangan aplikasi yang aman tanpa membocorkan kode atau logika bisnis proprieternya, sehingga dapat menjaga privasi pengguna dan mengurangi ketergantungan pada otoritas pusat. Namun, obfuscation saja tidak cukup untuk menangani aset digital seperti cryptocurrency, karena saldo dan kepemilikan tidak dapat dikelola hanya dengan pengaburan kode. Di sinilah blockchain berperan. Teknologi ledger terdistribusinya dapat mencatat kepemilikan dan transaksi, yang jika dikombinasikan dengan obfuscation, dapat menciptakan aplikasi yang membuktikan kepemilikan sembari menyembunyikan logika program. Kombinasi ini berpotensi untuk sistem pembayaran yang aman, aplikasi keuangan, dan operasi bisnis rahasia. Buterin mengakui masih ada tantangan teknis besar. Meski riset pada *indistinguishability obfuscation* telah membuktikan kemungkinannya, implementasi saat ini sangat tidak efisien dan membutuhkan sumber daya yang sangat besar, bahkan ada yang memerlukan waktu lebih lama dari usia alam semesta untuk dijalankan. Para peneliti terus berupaya meningkatkan efisiensi melalui optimasi metode kriptografi dan alat matematika. Buterin menyimpulkan bahwa meski obfuscation praktis masih membutuhkan waktu lama untuk terwujud, perkembangannya di masa depan dapat membuka jalan bagi produk berbasis blockchain yang sangat aman tanpa memerlukan pihak ketiga tepercaya.

TheNewsCrypto12m yang lalu

Vitalik Buterin Klaim Obscurasi Bisa Tingkatkan Privasi Blockchain

TheNewsCrypto12m yang lalu

Mengubah Bentuk Transformer, LLM Bisa Jadi Lebih Pintar

Penelitian terbaru dari Mila, Universitas Cornell, dan Universitas Montreal mengajukan pertanyaan mendasar: "Bagaimana jika, tanpa menambahkan satu parameter pun, kita hanya menggeser posisi parameter yang sudah ada dalam model?" Ini menyoroti asumsi implisit pada hampir semua model bahasa berbasis Transformer sejak 2017: semua lapisan mendapatkan alokasi parameter yang sama rata. Eksperimen dengan model 440M parameter membuktikan bahwa mengalokasikan lebih banyak kapasitas (lebar jaringan feed-forward) ke lapisan awal dan mengurangi di lapisan akhir—tanpa mengubah total parameter atau FLOPs—secara signifikan meningkatkan kinerja. Pendekatan ini, yang disebut **Tapered Language Models (TLMs)**, mengubah distribusi parameter dari persegi panjang menjadi berbentuk baji dengan pola menurun. Dari tiga pola penurunan yang diuji (linier, cosinus, sigmoid), pola **penurunan cosinus** terbukti paling optimal. Pada model 440M parameter, metode ini menurunkan nilai perplexity dari 16.28 menjadi 14.44—peningkatan 1.84 poin yang "gratis". Keunggulan ini konsisten diuji pada empat arsitektur model berbeda (termasuk yang menggunakan mekanisme gating dan memori) pada skala 760M dan 1.3B parameter. Analisis mendalam menunjukkan alasan di balik efektivitasnya: lapisan awal lebih banyak melakukan pemrosesan dan penciptaan informasi baru, sementara lapisan dalam cenderung hanya mengulang atau memperkuat sinyal yang sudah ada. Dengan demikian, menggeser kapasitas ke depan adalah alokasi sumber daya yang lebih cerdas. Implikasi penelitian ini luas dan efisien. Daripada hanya bersaing menambah parameter atau membuat arsitektur lebih jarang, industri AI memiliki "tuas gratis" tersembunyi dengan hanya mengoptimalkan **bentuk** distribusi parameter internal model, tanpa biaya komputasi tambahan. Konsep ini berpotensi diterapkan tidak hanya pada LLM, tetapi juga pada model vision Transformer, difusi, dan multimodal.

marsbit18m yang lalu

Mengubah Bentuk Transformer, LLM Bisa Jadi Lebih Pintar

marsbit18m yang lalu

Trading

Spot
活动图片