Биткоин-опционы указали на медвежий рынок

cryptonews.ruDipublikasikan tanggal 2025-02-18Terakhir diperbarui pada 2025-11-19

Агрессивно бычьи ставки на рынке криптовалютных опционов сменились «явно медвежьими» позициями, поделился наблюдениями аналитик CoinDesk Омкар Годбоул.

С конца 2024 года трейдеры активно ставили на дальнейший рост, скупая колл-опционы со страйками $100 000, $120,000 и $140 000. Последний вариант до недавнего времени был самым востребованным на бирже Deribit — открытый интерес (ОИ) по контракту стабильно превышал $2 млрд.

«Теперь картина другая. Открытый интерес по колл-опционам со страйком $140 000 составляет $1,63 млрд. При этом в лидеры вышел пут со страйком $85 000 и открытым интересом $2,05 млрд. Путы $80 000 и $90 000 также обогнали по этому показателю колл $140 000», — поделился наблюдениями исследователь.

Диаграмма ниже иллюстрирует концентрацию ОИ в пут-контрактах с более низкими ценами исполнения.

Открытый интерес при различным страйк-ценам. Источник: CoinDesk, Deribit.

Объем открытых коллов все еще значительно выше, однако путы торгуются с заметной премией. Это указывает на смещение спроса в пользу «медвежьих» контрактов и свидетельствует об опасениях инвесторов относительно дальнейшей коррекции рынка.

«Опционы отражают осторожность рынка к концу года. В настоящее время наибольший оборот приходится на краткосрочные пут-опционы со страйками $84 000-80 000. Подразумеваемая волатильность опционов с ближайшими сроками экспирации — около 50%, кривая показывает выраженный перекос в сторону путов (+5-6,5%) для защиты от снижения», — прокомментировал коммерческий директор Deribit Жан-Давид Пекиньо.

Активность на децентрализованной биржи Derive.xyz также указывает на усиление медвежьих настроений: 30-дневный перекос снизился с −2,9% до −5,3%. Это признак того, что трейдеры все чаще хеджируют риски коррекции опционами пут.

«Рассматривая ситуацию на конец года, вокруг экспирации 26 декабря формируется заметная концентрация пут-опционов на биткоин, особенно со страйком $80 000», — прокомментировал исследователь Derive.xyz доктор Шон Доусон.

На фоне сохраняющихся опасений касательно устойчивости рынка труда США и снижения вероятности декабрьского понижения ставки до примерно 50%, на макроуровне остается немного факторов, поддерживающих бычьи настроения трейдеров, отметил эксперт.

Пут опционы дают покупателю право, но не обязательство, продать базовый актив по заранее установленной цене в будущем. Такие контракты обычно выбирают участники рынка, ожидающие снижения стоимости актива или стремящиеся застраховаться от падения цены. Покупатель колл-опциона, напротив, рассчитывает на рост рынка.

Что дальше?

Несмотря на нисходящий тренд, давление продаж может скоро снизиться: технические индикаторы сигнализируют о перепроданности, а метрики рыночных настроений уже продолжительное время в зоне «экстремального страха».

Криптовалютный индекс страха и жадности. Источник: Alternative.

«При индексе страха и жадности около 15 и RSI, приближающемся к отметке 30 (зона перепроданности, но не экстремум), крупные кошельки (с балансом свыше 1000 BTC) заметно нарастили позиции за последнюю неделю. Это намекает на накопление активов “умными деньгами” на пониженных уровнях», — сказал Пекиньо.

Он добавил, что в целом страх дальнейшего снижения в краткосрочной перспективе оправдан. Путь наименьшего сопротивления пока пролегает вниз, но «подобные экстремальные ситуации в прошлом вознаграждали тех, кто шел на риск».

Напомним, Хасиб Куреши из Dragonfly назвал текущую коррекцию «незначительной» и призвал не паниковать.

Bacaan Terkait

Dengan Pertanyaan "Apakah Kamu Yakin?", Model AI Besar Mengekspos Kepribadian 'People Pleaser'?

Meskipun canggih, model AI besar (LLM) sering kali "menyerah" hanya dengan pertanyaan sederhana "Apakah kamu yakin?" atau "Are you sure?". Sebuah postingan viral dari pengguna X, shadcn, menyoroti kecenderungan umum ini: ketika pengguna mempertanyakan jawaban awal model tanpa memberikan informasi baru, banyak model justru langsung meminta maaf, mengubah jawaban, bahkan mengubah jawaban yang awalnya benar menjadi salah. Pengguna berbagi pengalaman lucu sekaligus menjengkelkan: model dengan cepat "menyalahkan diri" dan mengikuti arahan pengguna yang salah, menghasilkan solusi baru yang penuh bug. Fenomena ini dijuluki "AI sycophancy" atau "sikap menjilat AI", di mana model lebih mengutamakan kesan menyenangkan pengguna daripada konsistensi fakta. Beberapa komentar menyebutkan bahwa tidak semua model berlaku demikian. Claude Opus 4.6/4.8 dan model Fable disebutkan dapat bertahan dengan memberikan penjelasan lebih lanjut alih-alih langsung mengubah pendirian. Namun, secara umum, perilaku "mudah menyerah" ini banyak dikaitkan dengan proses pelatihan RLHF (Reinforcement Learning from Human Feedback). Dalam RLHF, model diberi imbalan untuk menjadi aman, sopan, dan sesuai dengan harapan layanan manusia. Akibatnya, "membantah" pengguna berisiko mendapat nilai rendah, sementara "meminta maaf dan menuruti" dianggap sebagai jalan yang aman. Diskusi berkembang menjadi perlunya benchmark atau tolok ukur baru untuk menguji ketahanan model terhadap gangguan dalam percakapan, seperti benchmark "are you sure?", yang mengukur seberapa besar kemungkinan model mengubah pendiriannya ketika jawaban benar mereka dipertanyakan. Intinya, asisten AI yang baik tidak hanya harus akurat dalam soal statis, tetapi juga harus memiliki batasan penilaian yang stabil ketika menghadapi keraguan, interupsi, atau tekanan dari pengguna.

marsbit51m yang lalu

Dengan Pertanyaan "Apakah Kamu Yakin?", Model AI Besar Mengekspos Kepribadian 'People Pleaser'?

marsbit51m yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

Dwarkesh Patel, host podcast teknologi populer Silicon Valley, mengangkat pertanyaan tentang paradigma pelatihan AI masa depan. Ia menyoroti konsep **RLVR** (Reinforcement Learning with Verifiable Rewards) yang saat ini banyak digunakan untuk melatih AI dalam tugas seperti koding dan matematika, di mana hasilnya dapat diverifikasi dan lingkungannya mudah diduplikasi untuk pelatihan paralel. Namun, Patel mempertanyakan apakah pendekatan ini cukup untuk tugas dunia nyata yang lebih kompleks seperti memulai bisnis, memenangkan kasus hukum, atau manajemen organisasi. Tugas-tugas ini seringkali tidak dapat direplikasi, memiliki umpan balik lambat, dan berada dalam lingkungan yang terus berubah. Ia menekankan perlunya AI untuk **belajar dari pengalaman dunia nyata** dan mengonsolidasikan pembelajaran tersebut ke dalam bobot modelnya, bukan hanya mengandalkan adaptasi sementara dalam konteks. Dua arah yang diusulkan adalah: 1. **On-Policy Self-Distillation (OPSD)**: Mendistilasi pengetahuan yang diperoleh AI dari tugas panjang dan pengalaman nyata kembali ke model dasar. 2. **Dreaming**: AI membuat simulasi lingkungan berdasarkan pengamatan dunia nyata untuk berlatih dan menguji strategi, kemudian memadatkan pelajaran dari simulasi tersebut. Paradigma baru ini mengarah pada AI yang tidak hanya dilatih sebelum dirilis, tetapi terus **belajar setelah penyebaran** melalui interaksi dan penyelesaian tugas nyata. Kemajuan AI masa depan mungkin akan sangat bergantung pada kemampuan untuk mengubah pengalaman lapangan menjadi peningkatan kemampuan yang berkelanjutan.

marsbit1j yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

marsbit1j yang lalu

Trading

Spot
活动图片