从FOMO到冷漠:山寨币交易量反映出市场疲态加剧

bitcoinist發佈於 2026-03-21更新於 2026-03-21

文章摘要

山寨币市场持续承压,数月来表现疲软,整体环境对风险资产不利。尽管偶有反弹,但多数山寨币未能实现有效复苏,市场仍以谨慎情绪主导。 CryptoQuant分析师指出,币安等主要交易所的山寨币交易量显著下滑,币安目前日交易量约77亿美元,其他平台合计约188亿美元,较2025年活跃期(币安400-500亿,其他平台630-910亿)大幅萎缩。当前交易量集中度加剧,币安占比达40%。 分析认为,此前交易量峰值多由FOMO情绪推动,而当前低成交量反映市场投机需求不足。在宏观不确定性持续的背景下,资金更倾向流向比特币等强势资产,山寨币流动性持续收缩。历史表明,这种市场兴趣低迷的阶段往往可能孕育后续机会。

山寨币市场在持续的抛售压力下继续挣扎,由于整体环境对风险资产仍然不利,疲软态势已持续数月。尽管偶有缓解性反弹,但大多数山寨币未能实现有意义的复苏,反映出市场仍由谨慎而非信念主导。

CryptoQuant分析师Darkfost分享的最新观点强化了这一看法。对币安等主要交易所交易量的分析显示,投资者兴趣明显持续下降。与之前的扩张阶段相比,活动水平显著下降,表明零售和机构交易者的参与度都在降低。

这一趋势出现之际,更广泛的熊市依然稳固。山寨币不仅未能复苏,而且表现不及比特币,后者持续吸收大部分可用流动性。在避险环境中,资本通常整合到更强的资产中,使得高贝塔值的山寨币更容易面临长期下跌。

与此同时,宏观环境继续打压市场情绪。持续的地缘政治紧张局势和全球经济不确定性限制了风险偏好,阻碍了对投机性资产的激进配置。在这种背景下,山寨币市场反映出结构性收缩,交易量下降和持续的抛售压力表明疲软阶段将延长,而非即将复苏。

山寨币交易量暴跌,市场参与度收缩

Darkfost进一步指出,主要交易所的山寨币交易量急剧下降,这反映了当前的疲软态势。在币安上,交易量已降至约77亿美元,而其他主要平台合计约为188亿美元。这些数字表明活动显著收缩,强化了投资者参与度实质性下降的观点。

山寨币现货交易量 | 来源:CryptoQuant

与之前的市场阶段相比,反差明显。在2025年10月和2月等更活跃的时期,币安的山寨币交易量记录在400亿至500亿美元之间,而其他交易所则达到630亿至910亿美元的水平。因此,当前环境反映出流动性和参与度的大幅流失。

相对而言,币安现在约占山寨币总交易量的40%,凸显了其作为主要交易场所的主导地位。这种集中表明流动性不仅在收缩,而且变得更加集中。

重要的是,之前的交易量激增与局部市场顶部同时发生,通常是由FOMO(错失恐惧症)驱动,后期进入者为更具战略性的参与者提供了退出流动性。相比之下,如今的低迷交易量表明投机需求不足。然而,从历史上看,这种情况往往先于机会出现,因为最吸引人的机会往往出现在兴趣最小且仓位较轻的时候。

相關問答

Q根据文章,当前山寨币市场的主要特征是什么?

A当前山寨币市场持续面临抛售压力,表现疲软已持续数月,尽管偶有反弹但未能实现有意义的复苏。市场由谨慎情绪主导而非信心,交易量显著下降,投资者兴趣持续减弱。

QCryptoQuant分析师Darkfost对交易量数据有何发现?

ADarkfost指出币安等主要交易所的山寨币交易量急剧下降。币安交易量降至约77亿美元,其他主要平台合计约188亿美元,相比2025年活跃期(币安400-500亿,其他平台630-910亿)大幅收缩,显示市场参与度显著降低。

Q为什么比特币在当前环境下表现优于山寨币?

A在风险规避环境中,资本通常会 consolidation 流入更强势的资产。比特币作为加密货币中的强势资产,吸收了市场大部分流动性,导致高风险的山寨币更易持续下跌。

Q造成当前山寨币市场疲软的宏观因素有哪些?

A持续的地缘政治紧张局势和全球经济不确定性限制了风险偏好,抑制了投资者对投机性资产的积极配置,从而加剧了市场的结构性收缩。

Q文章如何从历史角度解读当前低交易量现象?

A文章指出,历史上前期的交易量激增常与市场局部顶部重合(由FOMO情绪驱动),而当前低迷的交易量表明缺乏投机需求。但历史上这种低兴趣和轻仓位的环境往往孕育着投资机会,最吸引人的布局时机通常出现在市场兴趣最低迷时。

你可能也喜歡

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。

marsbit10 分鐘前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit10 分鐘前

年薪百万抢电工,Meta急到自己办技校

AI竞赛正面临新的瓶颈:工地。美国正面临严重的电工、建筑工等技术工人短缺,这已成为微软、Meta、OpenAI等公司快速建设超大规模AI数据中心(如OpenAI耗资160亿美元的“星际之门”项目)的“头号障碍”。 尽管AI公司愿支付高薪(如电工年薪可达24-28万美元),远超传统行业,但熟练技工仍供不应求。麦肯锡预测,美国在2023-2030年间需额外培养13万名电工和24万名建筑工,而劳工统计局预计每年仍有8万个电工岗位空缺。这种短缺导致项目延迟,每月可能造成数百万美元的收入损失。 AI数据中心建设复杂,需应对巨大功耗(一座设施耗电堪比数十万户家庭)、复杂的配电系统以及高密度散热(需液冷技术)等挑战,因此亟需大量技术娴熟的工人。 为此,科技巨头开始亲自下场培养人才。例如,Meta投入1.15亿美元建立建筑工人培训学校,提供免费培训及生活补贴,以快速输送工人上岗。OpenAI则与建筑工会合作,提前锁定熟练劳动力。同时,企业也将招聘目光投向高中生,鼓励年轻人投身技工行业。这些举措已见成效,Z世代对技工职业的兴趣显著上升。 然而,更深层的挑战在于电力。AI数据中心用电量正以惊人速度增长,已推高部分地区的电价。此外,数据中心建设是项目制的,建设期需要成千上万的工人,但建成后仅需少量常驻人员。这意味着未来可能面临熟练工人短期过剩、并流向其他行业压低薪资的风险。如何实现劳动力与电力资源的长期平衡,仍是悬而未决的问题。

marsbit1 小時前

年薪百万抢电工,Meta急到自己办技校

marsbit1 小時前

交易

現貨
活动图片