Росфинмониторинг: Результаты эксперимента ЦБ определят будущую криптополитику в России

cryptonews.ruDipublikasikan tanggal 2025-02-14Terakhir diperbarui pada 2025-10-15

Анализ результатов экспериментального правового режима Центробанка ляжет в основу принципов регулирования криптовалют в России, заявил заместитель главы Росфинмониторинга Герман Негляд.

В интервью для телеканала «Вместе-РФ» на полях форума «Финополис-2025» Негляд отметил, что Россия продолжает изучать потенциал использования криптовалют в рамках действующего экспериментального правового режима (ЭПР) Банка России для внешнеэкономических расчетов.

«Итоги и анализ проекта Центробанка могут стать ключевыми при принятии решений о дальнейшем регулировании и возможном расширении использования цифровых инструментов в российской финансовой системе», — заявил Негляд.

Чиновник добавил, что в стране не запрещено владение цифровыми активами как для граждан, так и для юридических лиц — ограничены лишь расчеты с их применением.

Ранее начальник юридического управления Росфинмониторинга Ольга Тисен заявила, что участники российского криптовалютного рынка добровольно идут на сотрудничество с правоохранительными органами и раскрывают по их запросу данные о владельцах цифровых активов.

Накануне Министерство внутренних дел России предложило ввести уголовную и финансовую ответственность за передачу криптокошельков от одного владельца другому — по аналогии с дропперством, когда банковские счета и карты используются для мошенничества.

Bacaan Terkait

Pedang Terhunus di Atas Pasar Bull AI: Tak Hanya Korea, Leverage Saham AS Juga Mencemaskan

Penulis asli: Zhang Yaqi Sumber asli: Wall Street News Pasar saham global terus mencetak rekor tertinggi didorong oleh gelombang AI, tetapi bahan bakar yang mendukung kenaikan ini semakin berbahaya—dari AS hingga Korea Selatan, saldo pembiayaan dan skala ETF berleveraj telah mencapai batas sejarah. Sifat pro-siklus dari leveraj itu sendiri memperbesar risiko ekor volatilitas pasar secara berlipat ganda. Saldo utang margin di AS melonjak 54% pada Mei, menyentuh puncak sejarah $1,4 triliun. Sementara itu, total aset ETF berleveraj hampir menggandakan dalam kurang dari 70 hari, mencapai lebih dari $220 miliar pada awal Juni. Risiko dari kegilaan penambahan leveraj ini pertama kali terlihat di pasar Korea: Indeks KOSPI anjlok 10% pekan lalu, memicu circuit breaker, kemudian rebound dengan cepat, dan kembali terhenti, menyebabkan volatilitas yang parah dan melemahkan saham terkait AI di AS. Barclays memperingatkan bahwa dana berleveraj telah membeli sekitar $300 miliar dalam produk turunan terkait saham dan indeks sejak akhir Maret. Jika perlu ditutup secara terpusat dalam waktu singkat, dampaknya akan "mengerikan". Morgan Stanley juga mengingatkan bahwa ketergantungan pembeli marginal pada pembiayaan leveraj belum pernah terjadi sebelumnya, dan pembiayaan ini menjadi lebih mahal dan langka. Charles Schwab telah memperketat persyaratan margin. Leveraj ETF tidak hanya memperbesar keuntungan dan kerugian, tetapi juga dapat mendistorsi harga saham yang dilacaknya—efek "ekor yang mengibaskan anjing". Peningkatan dana memaksa pembelian derivatif, yang di-lindung nilai dengan membeli saham fisik, mendorong kenaikan harga lebih lanjut. Mekanisme ini juga bekerja secara terbalik saat tren berbalik, menciptakan spiral negatif yang memperkuat diri sendiri. Pasar Korea berfungsi sebagai contoh peringatan: KOSPI naik 87% tahun ini, didorong oleh raksasa chip memori seperti Samsung dan SK Hynix. Namun, konsentrasi kepemilikan yang tinggi ditambah dengan leveraj ekstrem meningkatkan kerapuhan pasar. Leveraj di pasar Korea diperkirakan antara 2x hingga 5x, dengan penurunan 16-36% berpotensi memicu margin call. Otoritas Korea menyatakan penyesalan karena tidak menghentikan penerbitan dana saham berleveraj tunggal yang berisiko tinggi, yang 92% dipegang oleh investor ritel. Biaya pembiayaan saham juga meroket. Spread antara tingkat pembiayaan tersirat untuk berjangka S&P 500 dan suku bunga acuan SOFR (diukur oleh kontrak AXW) mencapai level tertinggi sejak Desember 2020, menunjukkan tekanan. Sementara itu, eksposur aset ekuitas yang dipegang oleh dealer utama AS melalui pembiayaan sekuritas mencapai rekor $223 miliar. Kenaikan pasar sangat terkonsentrasi di sektor teknologi informasi, yang berarti kenaikan didukung oleh dana berleveraj di segelintir saham. Morgan Stanley memperingatkan tentang risiko non-linier: biaya pembiayaan yang tinggi menghentikan pembeli berleveraj, menghilangkan pembeli marginal dan momentum naik. Koreksi harga kemudian memicu deleveraj, yang memperbesar tekanan jual. Indeks kondisi keuangan telah mengencar, tetapi kenaikan pasar saham menutupi tekanan ini. Jika deleveraj memicu penurunan pasar, investor harus menilai ulang kondisi keuangan dan jalur kebijakan Fed. Kekuatan teknis yang sebelumnya memperbesar momentum naik melalui ekspansi leveraj mungkin mulai memotong ke arah sebaliknya.

marsbit10m yang lalu

Pedang Terhunus di Atas Pasar Bull AI: Tak Hanya Korea, Leverage Saham AS Juga Mencemaskan

marsbit10m yang lalu

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.

TheNewsCrypto19m yang lalu

Vitalik Buterin Klaim Obscurasi Bisa Tingkatkan Privasi Blockchain

TheNewsCrypto19m 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.

marsbit25m yang lalu

Mengubah Bentuk Transformer, LLM Bisa Jadi Lebih Pintar

marsbit25m yang lalu

Trading

Spot
活动图片