大型机构「亡羊补牢」式追空,市场看空情绪迅速发酵 | CFTC 比特币持仓周报

Foresight ResearchDipublikasikan tanggal 2022-08-29Terakhir diperbarui pada 2022-08-30

Abstrak

8 月 27 日公布的最新一期 CFTC CME 比特币持仓周报( 8 月 17 日 - 8 月 23 日)显示,比特币标准合约总持仓量自 12423 反弹至 13302。

8 月 27 日公布的最新一期 CFTC CME 比特币持仓周报( 8 月 17 日 - 8 月 23 日)显示,比特币标准合约总持仓量自 12423 反弹至 13302,该数值此前三周连降的势头告一段落,最新统计周期内市场出现了一波幅度相当可观的快速跳水,上一统计周期内只有资管机构为代表的少数账户提前预见到了本轮回调,而在下跌发生过后市场上的各类投资者们做了何种方向的跟进操作,是本期持仓周报的关键看点。

规模最大的经销商账户多头头寸自 113 下降至 59,空头头寸自 1819 上升至 1968,这类账户过去两个统计周期内连续的净多调仓戛然而止,并在最新统计周期内果断进行了净空调仓。这类规模最大的机构账户在最新统计周期内直接进行了「亡羊补牢」式的操作,这在很大程度上显示出了这类账户对于后市进一步下跌的担忧。对于在相当长时间里保持偏空态度的经销商账户来说,这种短期思路上自多向空的调整看起来不需要任何犹豫。

资管机构多头头寸自 7129 下降至 6368,空头头寸自 983 进一步上升至 1144,该数值创出近五个统计周期新高。资管机构进行了连续第二个统计周期的净空调仓,在行情「如预期」下跌过后,资管机构的这种选择相当于进一步巩固了对于后市的看空态度。正如上一期周报分析所述,资管机构作为短期内的「预言家」,这种明确看空态度的表达可以视作是对于后市进一步下跌氛围的煽风点火,就这类账户的选择而言,短期内新的抄底机会尚未到来。

杠杆基金多头头寸自 1673 上升至 2804,空头头寸自 6270 上升至 7502。杠杆基金在最新统计周期内进行了多空双向同步增持,前两个统计周期进行连续减持过后,最新统计周期内这类账户双向增持的幅度较大,多头头寸直接创出近 42 个统计周期新高,多单持仓占比更是创出了近 48 个统计周期新高。不过这种看似较为乐观的大幅加仓所表达出的偏多态度不可过度解读,因为杠杆基金这类账户目前的纠结状况没有明显改观,这种间歇式的增持和减持让这类账户调仓的参考价值骤降,因此这种逆势的增持反而说明杠杆基金至今仍然没有找到真正的方向感。

大户账户多头头寸自 619 上升至 1597,空头头寸自 815 下降至 449,大户账户在最新统计周期内进行了清晰地净多调仓,在价格出现大跌的背景下,大户账户做出如此的选择,是一种相当主观的态度流露。大户是最新统计周期内唯一一类进行了净多调仓的账户,作为上一期周报中唯二提前做出了正确选择的账户,大户在最新统计周期内给读者们留了个难题,不过如果综合更长时间的调仓准确度上来看,大户账户的说服力还是弱于资管机构的。

散户多头头寸自 1202 下降至 1141,空头头寸自 849 上升至 906,散户在最新统计周期内进行了清晰的净空调仓,对于散户来说,这种选择毫无意外,同时也不具有任何前瞻性。

比特币微型合约总持仓量自 19379 上升至 24932。

经销商账户多头头寸自 1728 下降至 1101,该数值创出近七个统计周期新低,空头头寸保持 0 不变,经销商账户在微型合约中进行了明确的多单减持,这一选择与标准合约选择一致,都是与上一统计周期内相悖的选择,而且也是顺应市场波动方向的选择,规模最大的经销商账户显然没有达到执着做多的程度。

资管机构账户多头头寸自 168 张上升至 186 张,空头头寸自 1106 张上升至 1138 张,资管机构在微型合约中又一次进行了多空双向同步增持,小幅度调仓风险对冲的操作延续了前一统计周期的思路。

杠杆基金多头头寸自 2600 上升至 3880,空头头寸自 12830 同步上升至 17872,杠杆基金在微型合约中继续进行多空双向同步增持,这类账户近期的「乱调仓」状况缺乏解读价值。

大户多头头寸自 8559 上升至 13473,空头头寸自 1207 上升至 1296,大户账户在微型合约中进行了多空双向同步增持,其中多头头寸增持幅度更加明显,这与这类账户在标准合约中的选择基本一致,大户账户在最新统计周期内「抄底」的意愿非常强烈。

散户多头头寸自 3490 下降至 3248,空头头寸自 1402 上升至 1582,散户在微型合约中的选择与标准合约一致,同样进行了顺势的净空追进。

Bacaan Terkait

Huang Renxun: Prompt Sudah Usang, Loop adalah Paradigma Baru

**Ringkasan:** **Prompt Sudah Ketinggalan Zaman, Loop adalah Paradigma Baru.** Menurut Huang Renxun (Jensen Huang), pendiri NVIDIA, tugas utama di era AI sekarang bukan lagi menulis perintah (prompt), tetapi **menulis dan mengelola loop (siklus).** **Apa itu Loop?** Loop adalah sistem di mana Anda mendefinisikan suatu tujuan, dan AI menjalankannya secara mandiri—memeriksa hasil, memperbaiki kesalahan, dan mengulangi proses tersebut hingga tugas selesai atau mencapai batas tertentu. Manusia beralih peran dari "pemberi perintah" menjadi **"perancang aturan" atau "arsitek sistem."** **Loop vs. Agent:** Agent adalah "pekerja" yang menjalankan tugas. Loop adalah **mekanisme pengelolaan** yang memungkinkan Agent bekerja terus-menerus tanpa pengawasan manusia. Agent dengan loop menjadi sistem yang dapat berjalan otomatis. **Contoh Penerapan:** Produk seperti Claude Code (dengan fitur /loop, /goal, /schedule) dan OpenAI Codex telah menerapkan konsep ini. Mereka membagi tugas kompleks ke beberapa Agent yang berjalan paralel di lingkungan terisolasi, dengan model terpisah untuk menulis kode dan memvalidasi hasil, memastikan objektivitas. **Bagaimana Memulai Loop?** 1. **Uji Kelayakan:** Pastikan tugas berulang, dapat divalidasi otomatis, dan anggaran token mencukupi. 2. **Mulai dari Loop Minimal:** Bangun sistem dengan pemicu otomatis, keterampilan (skill), file status (STATE.md), dan "gerbang" validasi (seperti pengujian). 3. **Pisahkan Pemeriksa dan Pelaksana:** Gunakan model atau Agent berbeda untuk menulis kode dan memeriksa/mengujinya. Ini kunci untuk kualitas. 4. **Hindari Jebakan Umum:** Tetapkan batas pengulangan dan token, simpan status, hindari tugas yang membutuhkan pertimbangan manusia, dan tetap tinjau perubahan kode (diff). 5. **Ukur Efektivitas:** Metrik utama adalah **biaya rata-rata per perubahan yang diterima.** **Evolusi Paradigma:** Perkembangan AI menunjukkan pergeseran berkelanjutan: 1. **Prompt Engineering** (2023-2024): Fokus pada cara menulis perintah. 2. **Context Engineering** (2024-2025): Fokus pada informasi dan latar belakang yang diberikan ke AI. 3. **Harness Engineering** (2025-2026): Fokus pada lingkungan eksekusi dimana AI dapat menggunakan alat dan sumber daya. 4. **Loop Engineering** (sekarang): Fokus pada merancang sistem siklus otomatis yang berjalan mandiri. Konsep loop memiliki akar akademis, seperti dalam framework **ReAct** (Reasoning + Acting) yang dikembangkan oleh Yao Shunyu dkk., yang menggabungkan penalaran dan tindakan dalam sebuah siklus. **Catatan Penting:** Meskipun menjanjikan, teknologi ini masih awal. Perlu kehati-hatian terhadap biaya token dan kompleksitas. Seperti dikutip Andrej Karpathy, **"Anda dapat mengalihdayakan pemikiran Anda, tetapi Anda tidak dapat mengalihdayakan pemahaman Anda."** Pemahaman mendalam tentang masalah tetap berada di tangan manusia.

marsbit1j yang lalu

Huang Renxun: Prompt Sudah Usang, Loop adalah Paradigma Baru

marsbit1j yang lalu

GPT Merancang GPT

OpenAI akhirnya merilis chip pertamanya, Jalapeño. Meski banyak yang menganggapnya sebagai tantangan bagi Nvidia, inti dari langkah ini justru adalah pengakuan terbuka OpenAI bahwa mereka tidak puas hanya menjadi perusahaan model AI. Mereka ingin mengontrol seluruh proses produksi kecerdasan, dari model, chip, hingga pusat data dan energi. Perbedaan kemampuan model semakin menyempit, namun kesenjangan dalam komputasi justru melebar. Dalam era AI, satuan biaya terpenting bukan lagi harga server atau GPU, melainkan biaya produksi setiap Token. Sebagai penyedia layanan seperti ChatGPT dan API, OpenAI menghadapi kenyataan bahwa semakin sukses produk mereka, semakin besar "pajak inferensi" yang harus dibayarkan ke penyedia hardware eksternal. Jalapeño adalah upaya membangun "pabrik Token" sendiri untuk mengurangi ketergantungan ini. Yang menarik, siklus pengembangan chip Jalapeño hanya sembilan bulan, jauh lebih cepat dari standar industri. Kunci percepatan ini adalah pengetahuan OpenAI tentang beban kerja model nyata. Mereka bahkan menggunakan model AI mereka sendiri untuk mempercepat bagian proses desain dan optimasi chip. Ini menciptakan siklus umpan balik: model yang lebih baik membantu mendesain chip yang lebih baik, yang kemudian menurunkan biaya menjalankan model generasi berikutnya. Jalapeño difokuskan untuk inferensi, bukan pelatihan. Inferensi adalah pengeluaran tunai harian yang masif, terutama dengan berkembangnya Agent dan tugas-tugas rantai panjang. Dengan mengurangi "pajak inferensi" ini, OpenAI dapat meningkatkan margin keuntungan layanannya. Strategi OpenAI semakin mirip dengan Apple: membangun ekosistem tertutup yang terintegrasi, dari model (perangkat lunak intelijen), antarmuka seperti ChatGPT, hingga chip dan infrastruktur fisik. Mereka tidak ingin menjual "sekop" (seperti Nvidia), tetapi memiliki "tambang" dan menjual "kecerdasan" yang dihasilkannya. Pada akhirnya, artikel ini menyimpulkan bahwa aset terpenting di era AI sedang bergeser. Model akan terus berubah seperti "aliran traffic," tetapi infrastruktur produksi—chip, jaringan, pusat data, energi—akan menjadi "tanah" yang dikuasai oleh sedikit pemain. Dengan Jalapeño, OpenAI menyatakan ambisinya: tidak hanya menjadi perusahaan paling cerdas, tetapi mengontrol produksi kecerdasan itu sendiri.

marsbit1j yang lalu

GPT Merancang GPT

marsbit1j yang lalu

Trading

Spot
Futures
活动图片