日本银行业巨头因第三季度利润下滑削减加密货币投资

bitcoinist发布于2026-02-03更新于2026-02-03

文章摘要

日本最大券商及银行业巨头野村证券宣布,在第三季度利润下滑后,将暂时削减加密货币头寸。由于季度业绩疲软导致利润下降并收紧短期风险承受能力,其欧洲加密子公司Laser Digital的交易亏损是促成此举的关键因素。管理层强调这是临时性调整而非退出市场,旨在控制收益波动的同时维持中长期数字资产发展计划。目前野村已收紧数字资产风险控制并缩减交易规模,但仍在通过申请美国信托银行牌照等方式拓展国际加密服务。投资者对此作出反应,财报发布后股价出现下跌。

日本最大券商及银行业巨头野村证券表示,在利润受损且短期风险承受能力收紧的疲软季度后,将暂时削减其加密货币头寸。此次收缩旨在平缓收益波动,同时保持其数字资产的长期计划。

利润下降后银行削减加密货币敞口

根据收益披露和公司言论,野村证券在截至12月31日的第三季度净利润下降近10%,集团利润低于去年同期,促使管理层限制部分加密货币交易头寸以避免进一步损失。

野村欧洲加密货币子公司Laser Digital在此期间出现交易亏损,管理层将其列为收紧头寸限额的关键因素。

报道指出,高管们称这些措施是临时性和有针对性的——并非退出市场,而是在业务其他部分持续增长时管理波动性的一种方式。

短期收缩,长期布局

时间线上存在分化。一方面,Laser Digital最近已提交文件以扩大其海外服务,包括申请美国国家信托银行章程,旨在为机构客户提供托管和交易服务。

另一方面,遭受亏损的交易部门受到更严格的控制,以避免季度业绩大幅波动。分析师表示,这种双轨策略解释了表面上的矛盾。

BTCUSD现报77,858美元。图表来源:TradingView

投资者迅速作出反应。财报更新后野村股价下跌,反映出市场对其欧洲业务受损及当期完成的大额收购相关额外支出的担忧。

管理层已指出,一次性费用与交易亏损共同导致了利润下滑。

风险控制收紧,增长目标保持不变

报道称野村已收紧数字资产头寸的风险控制,并对可能随加密货币价格波动的敞口实施更严格的监督。

与此同时,高管强调公司仍致力于中长期构建加密货币基础设施和服务,而非完全退出该领域。

直接效果很明显:交易账簿中减少大规模方向性押注,头寸规模更加谨慎。这降低了利润波动性,但若加密货币价格大幅反弹,可能会限制上行空间。

特色图片来自The Exchange Asia,图表来自TradingView

相关问答

Q日本哪家大型银行因第三季度利润下滑而削减加密货币投资?

A野村证券(Nomura),日本最大的证券和银行巨头。

Q野村证券削减加密货币头寸的主要原因是什么?

A由于第三季度净利润下降近10%,其欧洲加密部门Laser Digital出现交易亏损,导致短期风险承受能力收紧,因此决定暂时削减头寸以限制进一步损失。

Q野村证券的长期战略是否因本次调整而改变?

A没有改变。公司强调这只是暂时的风险控制措施,中长期仍致力于发展加密基础设施和服务,例如其欧洲部门正在申请美国国家信托银行牌照以扩大机构服务。

Q市场对野村证券的财报有何反应?

A投资者反应迅速,野村股价在财报公布后下跌,反映出市场对其欧洲业务亏损及同期完成的大型收购相关成本的担忧。

Q本次利润下滑除了加密货币交易损失外,还有哪些因素?

A管理层指出,一次性费用(one-off charges)也是导致利润下降的因素之一, alongside the trading losses。

你可能也喜欢

Rubin Ultra大减配,英伟达也扛不住内存涨价了?

知名投研机构SemiAnalysis近日报告指出,英伟达已向主要客户预览了其顶级AI芯片Rubin Ultra的最新规格,但相比此前预期出现显著降配。核心变化包括:算力峰值保持与普通版Rubin相同的35 PFLOPs;显存容量降至8层堆叠的192GB,甚至低于普通版的288GB;显存带宽仅微升1TB/s;芯片功耗反而略有提高。Rubin Ultra的主要升级方向转向“扩展互联规模”,支持通过NVLink将最多576张GPU互联成统一计算域,远高于普通版的72张。 报告分析认为,此次调整主要源于HBM(高带宽内存)价格持续快速上涨。以HBM3为例,其价格已从2025年二季度的低点180-220美元,飙升至目前约700-850美元。HBM成本飙升使得Rubin Ultra单机架的物料成本一度从约660万美元升至800万美元。英伟达因此重新评估设计,通过减少昂贵的HBM配置(成本占比从近40%降至28%),将资源更多投入互联能力等方向,优化整体成本结构。 此消息引发市场对HBM需求见顶的担忧。受冲击影响,韩国存储股开盘大跌,SK海力士、三星股价均下挫约8%。市场解读认为,若英伟达此举成为趋势,意味着AI芯片厂商可能开始通过优化设计来降低对高容量HBM的依赖,这或将限制存储厂商未来的提价空间,标志着AI基础设施的“堆料涨价”时代可能接近尾声。

Odaily星球日报12分钟前

Rubin Ultra大减配,英伟达也扛不住内存涨价了?

Odaily星球日报12分钟前

生成模型也能端到端训练了?核心竟是一个for循环

长期以来,深度学习在图像分类、检测等任务上凭借端到端训练取得了巨大成功,但生成模型领域却始终是个例外。当前主流的自回归、扩散模型等训练时只学习预测“一小步”,推理时则需要反复展开数百上千步,这种训练与推理的不一致导致了“暴露偏差”等问题,使得生成模型一直未能实现真正的端到端训练。 最近,一篇来自UIUC与哈佛大学的论文提出了“探索式建模(Explorative Modeling,XM)”新范式,其核心是一个简单到近乎朴素的for循环:在每个训练步骤中,模型生成K个候选样本,然后仅选取其中最接近真实数据的一个样本来计算损失和回传梯度。这种做法巧妙地绕开了传统生成模型中因使用重构损失(如平方误差)而导致的“模态模糊”问题——即模型倾向于输出多个可能答案的平均值,而这个平均值往往不属于任何真实的数据模式。 XM通过这种方式,在不拆分生成过程的前提下,直接提升了模型的“生成表达力”,即模型捕捉数据分布中多个独立模式的能力。论文将“探索”验证为继模型参数量、数据量之后的第三根可扩展轴。实验表明,随着模型规模、数据量和计算量的增大,探索带来的性能收益越发显著,在图像、视频、语言等多种任务上均能带来效率与质量的提升。 更重要的是,当探索程度足够时,XM可以实现真正的端到端生成。在机器人控制等任务中,仅需一次网络前向传播的XM策略,其性能可媲美甚至超过需要上百次前向的扩散模型策略,实现了推理效率的飞跃。 尽管“最佳K样本选择”的思想并非全新,但该研究的贡献在于清晰地揭示了这一简单机制如何直接解决生成模型的核心瓶颈,并为实现高效、端到端的生成模型开辟了新的可能性。随着模型规模的持续扩大,探索这一新维度可能将发挥越来越关键的作用。

marsbit1小时前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit1小时前

交易

现货
活动图片