从历史来看 401(k) 养老金引入 Crypto 资产

marsbitDipublikasikan tanggal 2025-08-10Terakhir diperbarui pada 2025-08-11

2025 年 8 月 7 日,美国总统唐纳德·特朗普签署了一项行政令,允许 401(k) 退休储蓄计划投资更多元化的资产,包括私募股权、房地产以及首次引入的加密资产。

这一政策就像字面上看到的那样,很好解读


  • 为加密市场提供「国家级别」背书,释放推动加密市场成熟的信号。
  • 养老金拓展多元化投资和回报,但引入了更高波动和风险。


在加密领域,这已经足以载入史册。


纵观 401(k) 的发展历程,其关键转折点是在大萧条时期通过养老金改革允许投资股票。尽管历史和经济背景各异,这一变化与当前引入加密资产的趋势有着诸多相似之处。


1/6 · 大萧条前的养老金体系


20 世纪初至 1920 年代,美国的养老金主要以固定收益计划(Defined Benefit Plan)为主,雇主承诺为员工提供退休后稳定的月度养老金。这种模式源于 19 世纪末的工业化进程,旨在吸引和留住劳动力。


这个阶段养老金资金的投资策略高度保守。当时的主流观念认为,养老金应追求安全性而非高收益,受「法律清单」(Legal List)法规限制,主要被限定在政府债券、优质公司债券和市政债券等低风险资产。


这种保守策略在经济繁荣期运行顺利,但也限制了潜在回报。


2/6 · 大萧条的冲击与养老金危机


1929 年 10 月的华尔街股灾标志着大萧条的开端,道琼斯指数从峰值下跌近 90%,引发全球经济崩溃。失业率飙升至 25%,无数企业破产。

虽然养老金基金当时极少投资股票,但危机仍通过间接渠道打击它们。许多雇主企业倒闭,无法履行养老金承诺,导致养老金支付中断或缩减。


这引发了公众对雇主和政府养老金管理能力的质疑,推动了联邦干预。1935 年,《社会保障法》(Social Security Act)出台,建立全国性养老金体系,但私营和公共养老金仍由地方主导。


监管者强调,养老金应避免股票等「赌博」资产。


......


转折开始:危机后经济复苏缓慢,债券收益率开始下降(部分因联邦税收扩张),这为后续变革埋下种子。此时收益率不足的情况逐渐显现,难以覆盖承诺的回报。


3/6 · 后大萧条时期的投资转向与争议


大萧条结束后,特别是二战期间和战后(1940s-1950s),养老金投资策略开始缓慢演变,从保守债券转向包括股票在内的权益资产。这一转变并非一帆风顺,而是伴随着激烈争议。


战后经济复苏,但市政债券市场停滞,收益率降至 1.2% 低点,无法满足养老金的担保回报。公共养老金面临「赤字支付」压力,纳税人负担加重。


同时,私人信托基金开始采用「谨慎人规则」(Prudent Man Rule),该规则源于 19 世纪的信托法,但 1940s 被重新诠释为只要整体「谨慎」,就允许其进行多元化投资以追求更高回报。这一规则最初适用于私人信托,但逐步开始影响公共养老金。


1950 年,纽约州率先部分采纳谨慎人规则,允许养老金投资高达 35% 的权益资产(如股票)。这标志着从「法律清单」向灵活投资的转变。其他州跟进,如北卡罗来纳州在 1957 年授权投资公司债券,并在 1961 年允许 10% 股票配置,到 1964 年增至 15%。


这一改变引发了较大争议,反对者(主要是精算师和工会)认为,股票投资重蹈 1929 年股灾覆辙,将退休资金置于市场波动风险中。媒体和政治家称其为「拿工人血汗钱赌博」,担心经济 downturn 时养老金崩盘。


为缓和争议,投资比例被严格限制(初始不超过 10-20%),并优先投资「蓝筹股」。后面的一段时间,受益于战后牛市,争议逐渐消失,证明了其回报潜力。


4/6 · 后续发展与制度化


到 1960 年,公共养老金非政府证券占比超 40%。纽约州市政债券持有率从 1955 年的 32.3% 降至 1966 年的 1.7%。这一转变减少了纳税人负担,但也使养老金更依赖市场。


1974 年《雇员退休收入保障法》(ERISA)出台,将谨慎投资者标准应用于公共养老金,尽管初期争议,股票投资最终被接受,但也暴露出一些问题,如 2008 年危机中养老金损失惨重,重燃类似辩论。


5/6 · 信号释放


当前 401(k) 引入加密资产与之前引入股票投资的争议高度相似,两者均涉及从保守投资向高风险资产的跃迁。显然加密资产目前的成熟度更低而波动性更高,这可视为一种更为激进的养老金改革,从这里也释放出一些信号。


加密资产的推广、监管、教育都将前进一个等级,以辅助人们对这类新兴资产的接纳程度、风险意识。


从市场层面来说,股票纳入养老金计划在美股的长牛态势中受益, 加密资产要复制这条路也必须走出稳定向上的市场。同时,由于 401(k) 资金相当于被锁定,


养老金买入加密资产相当于「囤币」,等于另外一个「加密资产战略储备」。


无论从哪个层面来解读,这对于 Crypto 都是巨大的利好。


以下为资料补充,专业人士可跳过


6/6 · 附 - 401(k) 的含义与具体运作机制


401(k) 是美国《国内税收法典》第 401(k) 条下的一种雇主赞助的退休储蓄计划,1978 年首次引入。它允许员工通过税前工资(或税后工资,视具体计划而定)存入个人退休账户,用于长期储蓄和投资。


401(k) 是一种「固定缴款计划」(Defined Contribution Plan),与传统的「固定收益计划」(Defined Benefit Plan)不同,其核心在于员工和雇主共同供款,投资收益或损失由员工个人承担。


6.1 供款


员工可以从每期工资中扣除一定比例作为 401(k) 供款,存入个人账户。雇主提供「匹配供款」,即根据员工供款的一定比例追加资金,匹配金额视雇主政策而定,非强制性。


6.2 投资


401(k) 不是单一基金,而是一个由员工控制的个人账户,资金可投资于雇主预设的「菜单」选项。常见包括:标普 500 指数基金、债券基金、混合配置基金等。2025 年行政令允许加入私募股权、房地产和加密资产。


员工需从菜单中选择投资组合,或接受默认选项。雇主只提供选项,不负责具体投资。


  • 收益归属:投资收益完全归员工所有,无需与雇主或他人分享。
  • 风险承担:若市场下跌,损失由员工自行承担,无兜底机制。


Bacaan Terkait

PA Visual | Satu Gambar Pahami Peristiwa Web3 Penting yang Patut Diperhatikan di Bulan Juni

"PA Pictorial: Peta untuk Memahami Peristiwa Web3 Penting yang Perlu Diperhatikan pada Juni" Jelajahi Kalender Kripto terbaru PANews dengan cakupan lebih lengkap, penyaringan fleksibel, dan ekspor yang mudah. Pada Juni, pasar kripto dipadati oleh keputusan suku bunga makro, data ekonomi penting, pelepasan token, dan acara teknologi tradisional. Poin-poin intinya meliputi: 📌 Amerika Serikat merilis data NFP dan CPI bulan Mei. The Fed menerbitkan Buku Beige dan menggelar konferensi pers kebijakan, dengan preferensi risiko pasar tetap dipengaruhi ekspektasi makro. 🏦 Bank Sentral Eropa dan Bank of Japan akan mengumumkan keputusan suku bunga, menjadikan likuiditas global dan jalur suku bunga sebagai salah satu tema utama pasar di Juni. 🪙 Beberapa token seperti SUI dan ENA akan mengalami pelepasan (unlock), perlu diperhatikan risikonya. 🚀 Perkembangan proyek: Coinbase akan meluncurkan futures indeks saham perpetual perdana, CME Group berencana meluncurkan futures indeks kripto Nasdaq; SharpLink akan dimasukkan ke dalam Indeks Russell 2000 dan 3000. ⚠️ Penyaringan proyek terus berlanjut: Layanan seperti browser Bitcoin Ordinals, Ord.io, secara bertahap berhenti beroperasi. Perhatikan pengaturan penarikan dan migrasi aset. 🌐 Acara penting lainnya: Pembukaan Piala Dunia, pembukaan Apple WWDC26, penawaran saham SpaceX, pertemuan IPO S&T UBTECH di pasar STAR, dll. Dengan makroekonomi, pelepasan token, regulasi, penyaringan proyek, dan acara teknologi yang berlangsung bersamaan, pasar pada Juni mungkin terus mencari arah baru di tengah ekspektasi likuiditas, perubahan kebijakan, dan rotasi ekosistem. Kunci inti peristiwa global dan alur utama Web3 Juni 2026 dalam satu peta!

marsbit1j yang lalu

PA Visual | Satu Gambar Pahami Peristiwa Web3 Penting yang Patut Diperhatikan di Bulan Juni

marsbit1j yang lalu

Ali "Menaruh Barang", Byte "Berlatih Ilmu"

Dalam satu minggu terakhir Mei, dua raksasa teknologi China, Alibaba dan ByteDance, memamerkan dua pendekatan berbeda dalam strategi AI mereka. Alibaba, sebagai perusahaan publik, fokus pada integrasi AI untuk monetisasi langsung. Mereka menghubungkan model Qwen dengan platform e-commerce seperti Taobao, menciptakan fitur seperti "pencocokan harga AI" dan "pakaian virtual AI". Melalui protokol ACT, mereka membangun infrastruktur untuk transaksi berbasis agen AI. Pendapatan eksternal Alibaba Cloud tumbuh 40%, menunjukkan model bisnis "MaaS" (Model-as-a-Service) mereka yang berhasil. Namun, pendekatan ini mungkin mengorbankan penelitian mendasar untuk keunggulan jangka pendek. Sebaliknya, ByteDance, yang masih swasta, berinvestasi besar dalam penelitian AI jangka panjang. Departemen Seed mereka, dengan anggaran belanja modal (capex) yang meningkat pesat, bertujuan "menjelajahi batas atas kecerdasan". Mereka merilis model pembuatan video Seedance 2.0 yang memimpin peringkat global dan mempublikasikan penelitian mendalam tentang "model dunia". Perusahaan ini memberikan kebebasan bagi tim risetnya tanpa tekanan kuartalan dari pasar modal. Perbedaan kunci ini lebih disebabkan oleh status kepemilikan daripada filosofi semata. Sebagai perusahaan publik, Alibaba terikat pada harapan ROI jangka pendek investor. ByteDance, yang belum IPO, memiliki kemewahan untuk berfokus pada terobosan teknologi jangka panjang. Analisis menyimpulkan bahwa jalan strategis AI sebuah perusahaan di China sangat ditentukan oleh apakah perusahaan tersebut terdaftar di bursa atau tidak, yang membentuk pilihan antara "menjual AI" dan "membuat AI".

marsbit1j yang lalu

Ali "Menaruh Barang", Byte "Berlatih Ilmu"

marsbit1j yang lalu

Mengapa Lebih Banyak AI Agent Belum Tentu Berarti Produktivitas yang Lebih Tinggi?

**Mengapa Lebih Banyak AI Agent Tidak Sama dengan Produktivitas Lebih Tinggi?** Meskipun teknologi memungkinkan kita meluncurkan banyak AI Agent dengan mudah dan murah, produktivitas nyata tidak serta-merta meningkat. Ini karena munculnya konsep "Pajak Orkestrasi"—biaya tersembunyi untuk mengelola, menilai, dan menggabungkan hasil kerja semua Agent tersebut. Pekerjaan ini harus kembali ke satu sumber daya serial yang tidak dapat diduplikasi: perhatian dan penilaian manusia. **Manusia adalah 'GIL' dalam Sistem.** Seperti Global Interpreter Lock (GIL) dalam Python, semua Agent dapat berjalan paralel, tetapi untuk keputusan penting (seperti tinjauan arsitektur, kode, atau penyelesaian konflik), mereka harus "mengambil kunci" dari Anda—sang pengembang. Hukum Amdahl berlaku: percepatan maksimum dari paralelisasi dibatasi oleh bagian kerja yang harus tetap serial, yaitu kapasitas penilaian manusia. Menambah Agent hanya membuat antrian tinjauan lebih panjang, memperbesar beban konteks, dan menyebabkan kelelahan kognitif. **Kelelahan dan Utang Tersembunyi.** Banyaknya Agent yang aktif memberi ilusi produktivitas tinggi, tetapi rasa sibuk itu tidak sama dengan hasil berkualitas. Jika Anda "menyerah secara kognitif" dan tidak meninjau hasil dengan benar, Anda menumpuk utang teknis dan utang kognitif—masalah yang akan muncul nanti. Pajak orkestrasi harus dibayar, baik secara sadar melalui proses yang terencana, atau diam-diam melalui penurunan kualitas. **Solusi: Kelola Perhatian Seperti Sistem Produksi.** Kuncinya adalah merancang alur kerja dengan menghormati batas perhatian manusia sebagai sumber daya langka: 1. **Kontrol Jumlah Agent:** Sesuaikan jumlah Agent dengan kemampuan *review* Anda, bukan dengan apa yang UI izinkan. Batasi ke angka rendah. 2. **Klasifikasi Tugas:** Pisahkan tugas independen (cocok untuk Agent paralel) dari tugas kompleks yang membutuhkan penilaian mendalam (kerjakan secara serial). 3. **Tinjau Secara Berkelompok (*Batch Review*):** Kurangi biaya alih konteks dengan meninjau hasil beberapa Agent sekaligus. 4. **Gunakan Waktu Serial untuk Penilaian:** Fokuskan perhatian hanya pada bagian yang memerlukan penilaian manusia. Biarkan Agent menangani bagian yang dapat diverifikasi otomatis (seperti tes). 5. **Lindungi Waktu Fokus Anda:** Kadang, tindakan paling produktif adalah berhenti mengoordinasi banyak Agent dan fokus pada satu masalah inti. Kemampuan sebenarnya di era AI bukanlah menjalankan banyak Agent, tetapi merancang sistem yang secara sadar mengelilingi dan melindungi kapasitas penilaian serial manusia—sumber daya paling berharga dalam proses pengembangan.

marsbit2j yang lalu

Mengapa Lebih Banyak AI Agent Belum Tentu Berarti Produktivitas yang Lebih Tinggi?

marsbit2j yang lalu

Tiga Tahun Kemudian: Meninjau Kembali Penilaian Saya terhadap ChatGPT di Tahun 2023

Tiga tahun kemudian, pada Mei 2026, penulis meninjau kembali 20 prediksi tentang ChatGPT yang dibuatnya pada Maret 2023, menggunakan AI untuk mengevaluasi akurasinya berdasarkan data terbaru. Secara keseluruhan, arah dan mekanisme prediksi banyak yang tepat. Yang paling akurat adalah tentang RAG sebagai arsitektur standar, LUI (Antarmuka Pengguna Bahasa Alami) sebagai lapisan interaksi baru, munculnya "jaringan robot" (protokol untuk agen AI), dan kemampuan China mengejar ketertinggalan model AI besar. Prediksi bahwa ChatGPT bukan AGI namun langkah besar, tidak menyebabkan gelombang pengangguran massal, serta sifat uji Turing yang hanya mengukur persepsi juga pada dasarnya benar. Namun, prediksi dengan angka spesifik atau pernyataan mutlak sering meleset. Klaim bahwa GPT-4 memiliki 100 triliun parameter sepenuhnya salah. Pernyataan bahwa LLM "tidak mungkin" mengerjakan matematika murni terbantahkan dengan model penalaran yang memenangkan medali emas IMO. Estimasi biaya pelatihan model hanya $5-10 miliar juga jauh dari kenyataan, yang kini mencapai miliaran dolar untuk model terdepan. Beberapa prediksi keliru tentang distribusi dampak, seperti bahwa nilai akan berpindah ke lapisan aplikasi (nyatanya, penyedia chip seperti NVIDIA paling untung), atau bahwa AI akan "menghindari" masalah hak cipta (justru menimbulkan gugatan besar). Kesimpulan utama adalah: dalam memprediksi teknologi yang cepat berubah, mengidentifikasi arah dan mekanisme umumnya lebih bisa diandalkan daripada memberikan angka pasti atau pernyataan mutlak. Prediksi cenderung terlalu optimis tentang kecepatan perubahan jangka pendek, tetapi meremehkan besarnya perubahan jangka panjang. Penting juga untuk mempertimbangkan distribusi dampak, bukan hanya kesimpulan agregat. Pernyataan yang disertai batasan dan keraguan justru lebih tahan uji waktu. Beberapa pertanyaan mendasar masih belum terjawab setelah tiga tahun. Tinjauan ini berfungsi sebagai pelajaran untuk membuat prediksi yang lebih baik di tiga tahun mendatang.

marsbit9j yang lalu

Tiga Tahun Kemudian: Meninjau Kembali Penilaian Saya terhadap ChatGPT di Tahun 2023

marsbit9j yang lalu

Trading

Spot
Futures
活动图片