本周五请关注比特币:两个价位至关重要!波动性可能加剧!详情在此

cryptonews.ru發佈於 2026-08-26更新於 2026-08-26

文章摘要

比特币近期突破81000美元,创三个月新高,得益于美债收益率下降、美元承压、机构现货比特币ETF需求增长及空头平仓等因素推动。 本周五(8月28日)将迎来周度和月度双重结算日,Deribit交易所约有64亿美元的比特币期权到期。看涨期权数量多于看跌期权,市场情绪偏多,但如此大规模的集中到期可能加剧市场波动。 数据显示,看涨期权中,75000美元和80000美元是两个关键执行价,未平仓合约名义价值分别约为2.36亿和1.57亿美元。随着比特币价格逼近80000美元,做市商需在这些关键水平管理风险,可能增加交易活动,导致价格在关键位附近剧烈波动、波动性上升。 Deribit首席风险官指出,此次到期规模约占该平台比特币未平仓头寸的20%,结合近期价格剧烈波动,市场敏感度将进一步升高。

比特币,作为领先的加密货币,近日已突破81,000美元大关,其显著上涨使其达到了三个月来的最高点。

市场认为,此次价格上涨受到美国国债收益率下降、美元承压、机构对比特币现货ETF的需求增加以及空头平仓等因素影响。

在比特币突破81,000美元后,加密货币市场正为本周五的期权交易结算做准备。此次期权结算尤为重要,因为它既是本周,也是本月的最后一个周五。

根据每周数据,8月28日,Deribit交易所将有名义价值约64亿美元的比特币期权到期。其中看涨期权数量超过看跌期权,这表明看涨情绪依然存在。然而,如此大规模的期权同时到期,可能会增加市场波动性。

75,000美元和80,000美元价位尤其突出!

根据Coindesk数据,44,639份BTC期权是看涨合约,37,061份是看跌合约。相应地,看跌/看涨比率为0.83,低于1的比率表明当前持仓中的整体看涨预期更强。

分析数据发现,看涨期权市场上,75,000美元和80,000美元的执行价位尤其值得注意。目前,行权价75,000美元的看涨期权未平仓合约名义价值约为2.36亿美元,而行权价80,000美元的看涨期权未平仓合约名义价值约为1.57亿美元。

比特币近期涨至80,000美元,意味着做市商需要在围绕这些价位管理期权风险。这可能会增加交易活动,导致关键价位附近的价格波动更为剧烈,波动性加剧。

Deribit首席风险官肖恩·费尔南多在接受Coindesk采访时表示,即将到来的期权到期日是值得密切关注的事件。费尔南多称,Deribit上约有20%的比特币未平仓合约将在此期间到期,加之过去一周价格的剧烈波动,使得市场更为敏感。

*本文不构成投资建议。

end-content

相關問答

Q根据文章,什么事件可能在周五增加比特币市场的波动性?

A文章指出,在周五(8月28日)将有一场大规模的比特币期权到期,涉及Deribit交易所上价值约64亿美元的合约。这种大规模的期权到期,尤其是在月末和周末叠加的特殊时段,可能会增加市场的波动性。

Q比特币近期上涨至超过8.1万美元,文章提到了哪些可能的原因?

A文章提到了几个可能的原因:1) 美国国债收益率下降;2) 美元面临压力;3) 机构对比特币现货ETF的需求增加;4) 大量空头头寸被平仓。

Q文章中提到的看跌/看涨比率是多少?这个数值意味着什么?

A看跌/看涨比率是0.83。这个比率低于1,意味着看涨期权的未平仓合约多于看跌期权,表明当前市场参与者的看涨预期更加强烈。

Q在周五到期的期权中,哪两个执行价格水平被特别强调?为什么它们重要?

A文章特别强调了7.5万美元和8万美元这两个执行价格水平。之所以重要,是因为在这两个价格上分别有约2.36亿美元和1.57美元的看涨期权未平仓头寸。随着比特币价格涨至8万美元附近,做市商需要管理这些价位的风险,可能导致价格在这些关键水平附近出现更剧烈的波动。

QDeribit的首席风险官Sean Fernando对即将到来的期权到期日有何看法?

ASean Fernando表示,这次期权到期是一个值得密切关注的事件。他指出,Deribit上约有20%的比特币未平仓期权合约将在这次到期日失效,加之过去一周价格的剧烈波动,这使得市场变得更加敏感,波动风险增加。

你可能也喜歡

加州理工用AI攻克量子化学60年难题,1块显卡做完7800块的活

加州理工学院Anima Anandkumar团队利用人工智能攻克了量子化学领域存在60年的计算瓶颈。他们开发的AI模型“Kohn-Sham FNO”将密度泛函理论(DFT)的计算复杂度从传统的立方级降低至近线性级,实现了革命性突破。 传统DFT计算随体系增大,计算量呈立方增长,难以模拟大分子体系。该团队创新性地采用傅里叶神经算子,在DFT的迭代求解流程中替代了最耗时的核心计算步骤,而非直接预测最终结果。这种“思维链”式的分步迭代方法保证了计算的稳定性和外推能力,即使模型输出有误,后续迭代也能纠正,并能在超出能力范围时通过发散发出警报。 该模型仅用8504个结构进行训练,便能同时处理分子和固体材料,覆盖元素周期表前五行元素,展现出优异的泛化能力。在外推至训练集未见的大型药物分子时,其误差远低于直接预测模型。 实际验证中,该模型在单块NVIDIA B300 GPU上成功完成了包含8250个原子(82500个价电子)的金属缺陷模拟,计算完美收敛。相比之下,2019年一项对类似规模体系的全量DFT计算动用了约7800块GPU。实测计算缩放指数为1.03(近线性),而传统方法为3.37(立方级),意味着体系越大,效率优势越显著。 这项研究标志着AI开始替代物理计算中最耗时的重复运算部分。团队已基于此创立公司,并计划进一步完善模型以覆盖完整能量计算流程,未来在药物研发、电池材料设计等领域具有巨大应用潜力。

marsbit32 分鐘前

加州理工用AI攻克量子化学60年难题,1块显卡做完7800块的活

marsbit32 分鐘前

交易

現貨
活动图片