От слабых рук к сильным: долгосрочные инвесторы скупают биткоин на фоне паники спекулянтов

cryptonews.ruDipublikasikan tanggal 2024-05-10Terakhir diperbarui pada 2024-09-10

Динамика цены биткоина за последний месяц существенно повлияла на поведение инвесторов. По данным аналитической платформы CryptoQuant, краткосрочные держатели (STH) распродали более 21 000 BTC за 30 дней до 8 сентября. Такой масштабный исход сопоставим с рекордными показателями.

Переток капитала от «слабых рук» к «сильным»

CryptoQuant отслеживает 30-дневное изменение чистой позиции как краткосрочных, так и долгосрочных держателей (LTH). Аналитики платформы отмечают, что за последние две недели наблюдается значительное снижение чистых позиций STH. Это указывает на то, что краткосрочные инвесторы продают свои активы в ответ на недавнюю волатильность рынка.

Аналитик CryptoQuant IT Tech выделяет несколько ключевых тенденций среди STH:

  • Уход с рынка
  • Снижение рисков
  • Сокращение чистых позиций
Динамика позиций краткосрочных держателей биткоина. Источник: CryptoQuant

Стоит отметить, что такое масштабное 30-дневное снижение не наблюдалось с середины 2021 года.

Долгосрочные держатели наращивают позиции

В отличие от краткосрочных спекулянтов, долгосрочные инвесторы активно накапливают биткоин. За тот же 30-дневный период LTH увеличили свои чистые позиции на 22 000 BTC, что практически равно объему распродаж STH. Это самый значительный прирост за последние несколько лет.

Динамика позиций долгосрочных держателей биткоина. Источник: CryptoQuant

IT Tech отмечает: «Усиление накопления со стороны LTH может привести к стабилизации цены и подготовить рынок к потенциальному восстановлению, в то время как распродажи STH могут создать краткосрочное давление на цену BTC».

Изменение структуры владения

По расчетам CryptoQuant, краткосрочные держатели сейчас владеют чуть менее 18% доступного предложения BTC. Средняя цена покупки для STH, которая обычно служит долгосрочной поддержкой во время бычьих рынков, в настоящее время находится около $64 000. Однако недавно эта тенденция оказалась ненадежной, что отражает значительные нереализованные убытки среди краткосрочных инвесторов.

Текущая ситуация демонстрирует классический сценарий перетока капитала от «слабых рук» к «сильным». Долгосрочные инвесторы, уверенные в перспективах биткоина, используют падение цены для наращивания позиций, в то время как краткосрочные спекулянты фиксируют убытки и покидают рынок.

Этот процесс перераспределения может заложить фундамент для будущего роста, когда большая часть предложения окажется сконцентрирована в руках наиболее стойких держателей. Однако в краткосрочной перспективе продолжающиеся распродажи со стороны STH могут оказывать дополнительное давление на цену биткоина.

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.

marsbit4j yang lalu

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

marsbit4j yang lalu

Trading

Spot
活动图片