VIRTUAL surges 12% as bulls align – But downside risk still lurks

ambcryptoDipublikasikan tanggal 2026-03-17Terakhir diperbarui pada 2026-03-17

Abstrak

VIRTUAL surged 12% in 24 hours, driven by strong bullish sentiment across both spot and futures markets. Futures activity showed a positive funding rate of 0.0022%, with $12 million inflows boosting open interest to $102.42 million, indicating dominant long positioning. Spot market demand also accelerated sharply, with net purchases rising nearly tenfold from $72,000 to $697,140 within a day, reflecting growing investor confidence. However, liquidity clusters above and below the current price suggest potential downside risk, making near-term price direction dependent on sustained momentum.

VIRTUAL continues to gain strength as market sentiment shifts decisively in its favor. The asset recorded a 12% increase over the past 24 hours, reflecting growing bullish positioning.

AMBCrypto’s analysis highlights a rare alignment between Spot and Futures markets, with participants across both segments actively accumulating the asset.

Futures market drives capital inflow

The recent surge in Virtual [VIRTUAL] has been largely fueled by bullish activity in the Futures market. This bias is reinforced by a positive Funding Rate of 0.0022%, indicating that long traders are paying a premium to maintain their positions.

In effect, long positions dominate capital flows into VIRTUAL contracts, signaling strong expectations of continued upside.

Source: CoinGlass

Within the last 24 hours, capital inflows totaled $12 million, pushing Open Interest to $102.42 million. This sharp increase reflects rising participation and conviction among derivatives traders.

With most of this capital concentrated in long positions, bullish momentum remains firmly intact—at least in the short term.

Spot demand strengthens conviction

Spot market activity has also accelerated, reinforcing the broader bullish outlook. Accumulation began modestly on the 16th of March, with net inflows of just $72,000, according to CoinGlass data.

However, this quickly scaled. By the 17th of March, total purchases surged to $697,140—nearly ten times the previous day’s volume.

Source: CoinGlass

This sharp increase signals renewed investor confidence. When capital inflows expand at this pace, it typically reflects stronger conviction and a growing expectation of sustained price appreciation.

If this level of demand persists, it could provide the structural support needed to extend the rally. A slowdown, however, would weaken that foundation and expose the asset to downside pressure.

Liquidity clusters leave direction open

Despite the bullish buildup, liquidation data suggests the next move is not yet fully determined.

The heatmap shows liquidity clusters both above and below the current price. These clusters—visible as dense shaded zones—tend to attract price action.

Source: CoinGlass

While liquidity remains split, the clusters below price appear more concentrated, suggesting stronger downside pull.

This creates a balanced but fragile setup. As a result, the next phase of price action will depend heavily on momentum, with VIRTUAL likely to move toward the dominant liquidity zone in the near term.


Final Summary

  • VIRTUAL’s price rally and capital inflows were driven primarily by long traders in the perpetual market.
  • Spot investors intensified accumulation, with purchases rising nearly tenfold day-over-day.

Bacaan Terkait

Rubin Ultra Terkuras Drastis, Apakah Nvidia Juga Tak Tahan dengan Kenaikan Harga Memori?

Laporan terbaru dari SemiAnalysis mengungkapkan bahwa NVIDIA telah merevisi spesifikasi Rubin Ultra, varian flagship dari arsitektur Rubin yang diumumkan di GTC 2026. Alih-alih peningkatan besar pada memori dan daya komputasi, fokus utama kini beralih ke kemampuan interkoneksi skala sistem. Spesifikasi kunci yang diungkapkan menunjukkan Rubin Ultra akan mempertahankan puncak komputasi teoretis yang sama dengan Rubin standar, yaitu 35 PFLOPs. Namun, terjadi pengurangan signifikan pada kapasitas memori, turun menjadi 192GB dengan konfigurasi 8-Hi, lebih rendah dari Rubin standar yang 288GB (12-Hi). Peningkatan bandwidth memori juga minimal, hanya 1 TB/s, dan daya chip bahkan sedikit lebih tinggi. Peningkatan utama justru pada "skala interkoneksi" (*scale-up world size*), yang melonjak dari 72 GPU menjadi 576 GPU. Ini memungkinkan ratusan GPU Rubin Ultra terhubung via NVLink membentuk satu "super GPU" logis yang sangat besar. Analisis SemiAnalysis mengaitkan perubahan desain ini dengan lonjakan harga HBM (High Bandwidth Memory) yang drastis. Biaya material (BOM) untuk rak server Rubin Ultra sempat melonjak menjadi sekitar $8 juta karena harga HBM, tetapi dengan spesifikasi baru, biaya turun ke sekitar $6.4 juta. NVIDIA diduga mengalihkan biaya dari komponen HBM yang mahal (yang pangsa biayanya turun dari ~40% menjadi 28%) ke peningkatan interkoneksi jaringan (naik dari 4% menjadi 12%). Berita ini memicu kekhawatiran pasar tentang permintaan HBM. Saham produsen HBM seperti SK Hynix dan Samsung anjlok sekitar 8%, mencerminkan kekhawatiran bahwa pembeli utama seperti NVIDIA mungkin mulai mengurangi ketergantungan pada HBM berkapasitas tinggi untuk mengontrol biaya sistem AI secara keseluruhan.

Odaily星球日报9m yang lalu

Rubin Ultra Terkuras Drastis, Apakah Nvidia Juga Tak Tahan dengan Kenaikan Harga Memori?

Odaily星球日报9m yang lalu

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

Model generatif seperti model difusi atau autoregresif yang dominan saat ini biasanya tidak melatih seluruh proses generasi secara end-to-end. Mereka dilatih hanya untuk memprediksi satu "langkah kecil" dalam proses, namun saat inferensi, langkah ini harus diulang ratusan atau ribuan kali. Ketidaksesuaian ini menyebabkan masalah "exposure bias," di mana kesalahan menumpuk seiring waktu. Makalah terbaru dari UIUC dan Harvard memperkenalkan paradigma baru bernama **Explorative Modeling (XM)**. Inti dari metode ini sangat sederhana: alih-alih menghasilkan satu sampel, model menghasilkan **K kandidat** dalam setiap langkah pelatihan. Kemudian, hanya kandidat yang paling dekat dengan data target yang dipilih untuk menghitung gradien dan memperbarui model. Mengapa ini berhasil? Dalam tugas generatif, satu input bisa memiliki banyak output yang valid (mode). Fungsi kerugian rekonstruksi tradisional cenderung menyebabkan "mode blurring," di mana model hanya mempelajari rata-rata dari semua mode, menghasilkan output yang tidak realistis. Dengan menghasilkan beberapa kandidat, model dapat "mengeksplorasi" dan menangkap beberapa mode yang berbeda sekaligus, sehingga menghindari rata-rata yang kabur. Penelitian ini menunjukkan bahwa **"eksplorasi" (K) bertindak sebagai sumbu penskalaan ketiga** yang efektif, selain parameter dan data. Eksperimen pada gambar, video, dan bahasa menunjukkan peningkatan kinerja yang monoton dengan peningkatan K, dengan keuntungan yang lebih besar pada skala yang lebih besar. XM dapat meningkatkan efisiensi FLOP hingga 4.1x dan efisiensi sampel hingga 6.2x. Yang lebih menarik, ketika diterapkan secara ekstrem, XM memungkinkan **pelatihan generatif yang benar-benar end-to-end**. Dalam tugas kontrol robot, "Explorative Policy" berbasis XM mencapai kinerja yang setara dengan "Diffusion Policy" yang membutuhkan 100 langkah inferensi, sementara hanya membutuhkan satu langkah inferensi maju. Ini membuktikan bahwa kompleksitas untuk menangani banyak mode dapat dipindahkan dari inferensi ke pelatihan. Meskipun ide "best-of-K" bukan hal baru, kontribusi utama makalah ini adalah penjelasan teoritis bahwa mekanisme ini secara langsung meningkatkan **ekspresivitas generatif** model. Dengan demikian, ini menawarkan cara baru yang ampuh untuk mengatasi tantangan mendasar dalam pemodelan generatif.

marsbit1j yang lalu

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

marsbit1j yang lalu

Trading

Spot
活动图片