Секрет крупных инвесторов: как криптокиты сохраняют свою анонимность

investing.ruОпубліковано о 2024-08-12Востаннє оновлено о 2024-08-12

Кто такие криптокиты и откуда они взялись

«Криптокиты» – физические или юридические лица, обладающие значительными запасами цифровых активов. Часто в виде биткоина, эфира или других основных криптовалют. То есть фактически это крупные инвесторы, часто придерживающиеся стратегии ходлинга (сбережения накоплений).

Криптокиты появились на самой заре роста популярности криптовалют, в начале 2010-х годов. Многие последователи криптовалют и майнеры накопили внушительные суммы цифровых активов, когда цены были еще достаточно низкими. За счет роста стоимости криптовалют эти люди превратились в крупных держателей. Некоторые киты получили свой статус благодаря инвестициям. Криптокит, как правило, владеет значительным количеством криптовалюты, обычно эквивалентной миллионам долларов и имеющей тенденцию к увеличению суммы.

Отслеживание перемещения содержимого криптокошельков китов в блокчейн-проводниках часто помогает понять настроения на рынке. Более того, многие трейдеры и финансисты рассматривают подобные движения крупного капитала в качестве сигнала к покупкепродаже.

Криптокиты в фокусе внимания

Отслеживание активности китов дает несколько преимуществ инвесторам и участникам рынка.

  • Во-первых, понимание поведения дает представление о тенденциях рынка, потенциальном движении цен и настроениях инвесторов.

  • Во-вторых, выявление крупных сделок или перемещения средств китами является частью риск-менеджмента, поскольку показывает возможные изменения на рынке. Еще это может быть точечный сигнал конкретной криптовалютепроекту. Например, если кит нарастил позицию в малоизвестном альткоине.

  • В-третьих, активность китов часто указывает на импульс. Это может быть полезно при планировании «входа» в конкретную криптовалюту или «выхода» из нее.

Платформы для отслеживания активности криптокитов

Такие инструменты как Etherscan и Blockchain.com позволяют изучать и анализировать транзакции в блокчейне, включая транзакции с крупными суммами криптовалюты.

Специальные сервисы, такие как Whale Alert, отслеживают и сообщают о значимых транзакциях в режиме реального времени, выявляя активность китов.

Такие инструменты как Glassnode предоставляют углубленную аналитику по цепочке совершенных транзакций, включая пополнение и перемещение средств с кошельков китов.

Меры конфиденциальности, используемые криптокитами

Из-за публичного характера транзакций в блокчейне криптокиты применяют самые разные способы для защиты своей анонимности и конфиденциальности. Разберем самые популярные.

Рассредоточенное хранение Часто киты распределяют свои активы по нескольким кошелькам, чтобы избежать централизации в одном месте. Использование разных кошельков помогает скрыть общее количество криптовалюты, которой владеет крупный держатель. Эта стратегия добавляет дополнительный уровень безопасности и конфиденциальности, делая более сложным отслеживание конечного объема криптовалютных активов у конкретного лица.

Анонимная криптовалюта Иногда киты используют в цепочках транзакций криптовалюты, ориентированные на приватность, такие как Monero (XMR), Zcash (ZEC) и Dash (DASH), предлагающие расширенные возможности приватности по сравнению с традиционными криптовалютами, такими как биткоин и эфир. В основе анонимных криптомонет могут лежать технологии кольцевых подписей, криптографические протоколы вроде zk-SNARK или последовательное применение разных функций хеширования.

Это позволяет скрыть источник, место назначения и сумму средств. Благодаря чему внешним наблюдателям сложно связать транзакцию с конкретным физическим или юридическим лицом.

Хотя с каждым годом применение подобных анонимных криптовалют становится все сложнее ввиду массового делистинга на централизованных криптобиржах (CEX), связанного с регулированием, подобным правилам MiCA в Евросоюзе.

Холодные кошельки Киты, как правило, хранят значительную часть своих активов на холодных кошельках. Это позволяет защитить средства от различных угроз, взлома или несанкционированного доступа, постоянно сохранять контроль над приватными (закрытыми) ключами, которые необходимы для доступа к криптовалютам и управления ими.

Оффшорные зоны Некоторые криптокиты предпочитают хранить свои активы через специальные юридические лица (трасты или оффшорные компании). Используя подобные структуры, инвесторы-держатели легко могут скрыть личные данные от посторонних лиц. Кроме того, владение криптовалютой через юридическое лицо может давать налоговые льготы и преимущества по защите активов — в зависимости от выбранной юрисдикции и соответствующего правового регулирования.

Для управления активами, а также повышения уровня конфиденциальности криптокиты все чаще уходят в так называемые «налоговые гавани» — юрисдикции с благоприятным регулированием финансовой деятельности и мягкой налоговой политикой. Киты создают там компании или открывают счета, чтобы воспользоваться налоговыми льготами и сохранить конфиденциальность финансовых операций. Налоговые гавани, как правило, предлагают более низкие или нулевые налоговые ставки на некоторые виды доходов, включая прирост капитала от криптовалютных инвестиций.

Баланс между анонимностью и публичными интересами

Криптокиты находятся в постоянном поиске баланса между меняющимся правовым полем и вопросами обеспечения безопасности + конфиденциальности.

Налоговые органы и регуляторы многих стран все чаще обращают внимание на криптовалютные транзакции, в том числе в рамках борьбы с отмыванием денег, уклонением от уплаты налогов и незаконной деятельностью. Нарушение законов выбранной юрисдикции может привести к крупным штрафам, аресту активов или даже уголовному преследованию.

Вывод

В криптовалютной среде с самого начала ее существования находились крупные держатели криптовалют, для которых вопрос анонимности являлся ключевым. В силу публичного характера транзакций в блокчейне действия криптокитов вызывают пристальное внимание. Чтобы скрыть следы, крупные владельцы криптовалют используют сложные цепочки транзакций, рассредоточенное хранение, оффшорные зоны и другие методы. Несмотря на развитие рынка, изначальному существованию криптомира на основе принципов децентрализации, решение вопросов обеспечения анонимности будет возможным еще продолжительное время.

Читайте оригинальную статью на сайте Bits.media

Пов'язані матеріали

Embodied Intelligence 'Gaokao' is Insanely Hard, Humans Score 100, Best Model Only 12.8

Embodied AI Faces a Daunting "Everest": New Benchmark Reveals Huge Gap Between Models and Humans A comprehensive new benchmark for robotic manipulation, RoboDojo, has been released, painting a stark picture of the current state of embodied AI. It serves as a unified evaluation platform covering both simulation and real-world robot tasks. The benchmark assesses five core capabilities: Generalization (adapting to new scenes/objects), Memory, Precision manipulation, Long-Horizon multi-step tasks, and Open semantic understanding. It includes 42 simulation tasks and 18 standardized real-world tasks across three dual-arm robot platforms. The results are sobering. In simulation, the best-performing generalist robot policy achieved an average success rate of only 8.80%. Performance in the real world was slightly higher but still low, with the top model succeeding 12.8% of the time on average. In stark contrast, human experts scored 76.03% in simulation and 100% in real-world tests. The benchmark highlights significant, uneven gaps in current models' abilities. While some excel in specific areas like visual recognition or simple actions, they struggle with reliability, especially in long-horizon tasks where errors accumulate and in open-ended semantic instructions. The low scores, particularly in real-world deployment with physical uncertainties like camera noise and contact dynamics, underscore that today's models are far from being robust, general-purpose operational robots. RoboDojo is more than just a ranking; it's an infrastructure designed for fair, reproducible comparison. Its companion system, XPolicyLab, standardizes the interface for different models to be evaluated. Maintained by an academic consortium without commercial ties, it aims to provide a community-wide "altitude meter" to track genuine progress toward reliable and generalizable robot manipulation.

marsbit2 хв тому

Embodied Intelligence 'Gaokao' is Insanely Hard, Humans Score 100, Best Model Only 12.8

marsbit2 хв тому

Zuckerberg's 'Mango' Image Generation Model Trails Only GPT Image 2, It Learned to Revise Prompts on Its Own

Meta's MSL has launched Muse Image, an advanced image generation model nicknamed "Mango," which ranks second globally in text-to-image benchmarks, closely trailing OpenAI's GPT Image 2. Its key innovation is agent-like behavior: it searches for factual information, writes code for charts, and, most notably, has developed self-correction abilities through reinforcement learning, allowing it to revise its own outputs without explicit programming. This shift emphasizes reasoning over immediate generation. Integrated with Meta's ecosystem, Mango connects with the Muse Spark language model for complex tasks and features a unique "@" function that can incorporate public Instagram photos into generated images—raising privacy concerns as it's enabled by default. The model is directly accessible in Meta AI, Instagram, and WhatsApp, leveraging Meta's vast user base for distribution rather than competing solely on image quality. Accompanying Mango is the preview of Muse Video, a video generation model with integrated audio, currently ranked third in its category. All Mango-generated images include an invisible, persistent watermark (Content Seal) for AI identification, alongside a public detection tool. While Mango advances "thinking" image models, its use of social data poses new ethical questions about consent and digital boundaries.

marsbit1 год тому

Zuckerberg's 'Mango' Image Generation Model Trails Only GPT Image 2, It Learned to Revise Prompts on Its Own

marsbit1 год тому

Weng Li's New Blog Proposes 'Self-Evolution Should Start from Harness', DeepSeek's Cui Tianyi Endorses with Repost

Lilian Weng, former OpenAI security VP and co-founder of Thinking Machines Lab, has published a new blog post titled "Harness Engineering for Self-Improvement," proposing a pragmatic path for AI self-evolution. She argues that Recursive Self-Improvement (RSI) may practically begin at the "Harness" layer—the external runtime system governing how models use tools, manage context, and execute tasks—rather than directly from the model rewriting its own weights. The blog outlines a progression from optimizing prompts (Context Engineering) to designing workflows, and ultimately to Self-Improving Harness systems. These systems can identify their own weaknesses, propose targeted, verifiable modifications to the harness code, and validate improvements. Works like Self-Harness and Darwin Gödel Machine (DGM) demonstrate significant performance gains on benchmarks like SWE-bench through such automated harness evolution, rivaling handcrafted agents. DeepSeek researcher Tianyi Cui endorsed the view, noting harness-based self-evolution is as promising as model-based approaches. Weng emphasizes this is complementary to model training, with both reinforcing each other. However, key challenges remain: weak evaluators for subjective tasks, reward hacking, diversity collapse, managing long-term system health versus short-term success, and defining the human oversight role. The consensus is growing: the harness is a critical variable, as the same model can exhibit vastly different capabilities within different harness systems.

marsbit1 год тому

Weng Li's New Blog Proposes 'Self-Evolution Should Start from Harness', DeepSeek's Cui Tianyi Endorses with Repost

marsbit1 год тому

Торгівля

Спот
活动图片