2024年4种加密货币将在下半年抢尽风头爆发100倍

币界网发布于2024-08-16更新于2024-08-16

币界网报道:

宏观方面

素有“恐怖数据”之称的美国7月零售销售月率录得1%,远超预期;上周初请人数略低于预期,降至7月以来最低水平;这个数据出来之后,市场对于美国衰退的预期大幅降低,但9月份降息50个基点的概率也随之降低至29%。下个月的三件大事很重要:CPI、非农、议息会。

关于ETF,8月16日美国比特币现货ETF净流入1111万美元,以太坊现货ETF净流出3921万美元,市场资金观望情绪仍比较重,ETF资金有点追涨杀跌的意思,下一次拉升或下跌的开启,资金面表现肯定会是正相关。

链上方面,LTH派发压力明显减小,之前LTH的派发对BTC的价格产生巨大影响,但与之前历史持仓比较,LTH持有的BTC数量仍处于历史高位。

行情方面

昨天美国的零售销售数据和当周初请失业金人数数据出来后,市场波动加大。美股上涨势头仍强劲,比特币没有联动。这两天走势比较重要,能否收回60000甚至63000上方,是决定右侧走势是否可以确立的关键。

市场依然有需求存在,但右侧的缩量走势还没出现,始终在确认供应水平,这位置如果能够持续出现缩量走势,币价基本就可以确认要开始上涨了。耐心等,现在有点像312之后的走势,看后市能否走出相近的形态。

ETH联动走势,压力位2800。

山寨方面,还是没有热点项目,资金不活跃,对于大多数人来讲,是非常难熬的阶段,但也是布局阶段,现在这个时点,还能参与市场、关注市场的人应该是凤毛麟角了。

c9e753e7f0597a35d329c37bf667256b.png

2024年4种加密货币将在下半年抢尽风头爆发100倍!

1.DOGE

狗狗币正在复制其在 2021 年暴涨之前创造的相同模式。在下跌三角形内盘整,然后回调。因此,对于顶级 meme 币来说,未来几个月 10 倍的涨幅并不罕见。

860de24014b5613432a645760249582c.png

毕竟,DOGE 仍然是伊隆·马斯克最喜欢的加密货币,据传它将被整合到 X 平台中。马斯克还暗示特斯拉可能很快就会接受 DOGE 支付其电动汽车的费用。因此,仍然相信 DOGE 将在此牛市周期中创下历史新高。事实上,1 美元可能是可能的目标,这意味着新买家仍可能获得近 10 倍的回报。

2.LTC

莱特币基于区块链技术,旨在提供快速、安全且低成本的支付解决方案。此外,莱特币交易通常在几分钟内即可确认,相关费用也保持在最低水平。

845830508b555901b1275d68c980be1e.png

莱特币的 14 天相对强弱指数 (RSI) 为 43.85,表明处于中性位置。这表明该资产可能在短期内继续横盘整理。然而,市场情绪和技术指标暗示莱特币有可能在年底前达到 223.39 美元。

3.SOL

Solana 是一个快速的区块链平台,与以太坊和 Cardano 竞争,为应用程序提供了良好的基础。它的代币 SOL 对于交易和奖励参与者至关重要。SOL 的价值显而易见,因为它支持其生态系统而没有复杂的功能。

c5c83ff293359a2b8789cb7b55358a62.png

投资者可能会考虑 SOL,因为它拥有强大的网络和开发者兴趣。其好处包括更快的交易和 Solana 网络上的广泛项目访问。到 2025 年,SOL 可能达到 377.70 美元,比目前的水平大幅增加。展望 2030 年,价格可能会升至 443.70 美元。这表明潜在的增长超出了当前的投资,未来有机会获得数倍的回报。

4.SATS

SATS 的故事不管重复说多少遍,依然能被称为比特币生态上的传奇。它是第一个在比特币生态上被铸造完的巨量 Meme 代币,总量 2100 万亿,耗时半年,铸造完成时持有地址达 3.6 万。而且与后来铭文热潮来临时被铸造的其他 BRC-20 代币不同,SATS 的铸造大部分是在比特币生态低谷期完成的,这也意味着其背后站着一群比特币生态的忠实用户。

623184603fe1be0136ce75b551eaf358.png

SATS 日线是一根大阴线,成交量跟前两天基本相同,价格回踩了日线MA30线,颈线位在2540附近,价格不会一昧的不停上涨,中间也会有下跌回踩和震荡洗盘,9月份的预期利好依然还在,回踩就是给你上车的机会,如果已经在2860-3060区域补过仓的,拿好就行,不要乱补仓。等到价格回到2540附近再去补仓。

你可能也喜欢

拖更三年,北大校友翁荔最新长文刷屏

前OpenAI副总裁翁荔(Lilian Weng)发表了一篇关于AI扩展定律(Scaling Laws)的深度分析文章。文章指出,这条指导了AI行业数百亿美元投入的核心定律,远比人们想象的更为脆弱。 文章回顾了Scaling Laws的基本思想,即模型性能随规模扩大而可预测地提升。然而,OpenAI与DeepMind在关键问题上得出了相反结论:给定算力,资源应更多分配给模型还是数据?OpenAI的Kaplan团队认为模型增长应更快,而DeepMind的Chinchilla团队则认为应等比增长。后来研究发现,这一分歧源于参数统计口径的差异和实验规模不足,导致Kaplan的结论仅适用于小规模场景。 更关键的是,被行业广泛采纳的Chinchilla最优配比公式本身也存在方法论瑕疵。2024年有团队复现发现,其损失函数因取均值而非求和,导致优化器提前停止,输出并非最优解。此外,用于外推的关键参数精度不足,放大了误差。 文章进一步指出,经典Scaling Laws的根本前提——高质量数据无限供应——正在崩塌。数据重复训练不可避免,新研究引入了惩罚项来修正公式,并发现大模型对数据重复更敏感。这解释了行业为何转向强化学习、测试时计算和合成数据等新路径。 翁荔的博客以其清晰深入的技术解析著称,这篇文章历时三年完成。她于2025年联合创立了新公司Thinking Machines Lab。文章强调,下一代AI的进步不仅依赖算力规模,更取决于对这些基础定律细节更精确的理解与运用。

marsbit57分钟前

拖更三年,北大校友翁荔最新长文刷屏

marsbit57分钟前

交易

现货
合约
活动图片