DC大于C
1个月前
$SOL 链上筹码结构变化解析:短期压力犹存,整体略显弱势,主升浪仍需契机 自5月10日至6月1日,基于URPD数据变化的量化图表,可以清晰看到SOL筹码结构的动态调整,从而还原市场行为和投资者情绪 一、链上筹码变化概览 • 在过去近20天内,链上共计超过9,000万枚SOL发生换手,体现出阶段性强烈的资金博弈与筹码重组。 • 17.7–32.45美元区间,超过450万枚SOL发生移动:这是2023年10月以前的历史底部筹码区间,“主力机构”或“做市商”早期积累的大量低价筹码正在逐步派发。 • 94–153美元区间,超过7,700万枚筹码移动:该部分主要为今年4月以来SOL从95美元反弹后的短期进场,当前正逐步兑现获利离场。 • 188-290美元区间,超过900万枚筹码移动:为去年底至今年初的高位筹码,近期出现割肉迹象,不过占比较不是很多。 • 值得注意的是,以上区间换手的筹码几乎全部聚集到150–180美元区间,其中150-177美元堆积最为密集,超过2.2亿枚SOL在此停留,构成短期内主要的筹码堆积带。分别是150-153区间(5,700万筹码堆积)和162-177区间(1.27亿筹码堆积)。 #OKX 二、市场行为与情绪解析 总体来看,筹码结构呈现“低价兑现、高位割肉、中位接力”的典型调整模式: • 高位投资者情绪转向保守,选择止损; • 中低位资金获利了结,资金回收; • 当前接盘资金主要集中在153美元附近,对应的是短期潜在获利了结、套牢区域。 同时,SOL在缺乏强劲新增资金推动的前提下,短期内恐难以摆脱162-177美元之间的高密度筹码压制。整体略显弱势。 三、利好因素与现实限制 • SOL版微策略式机构买入动作已启动,目前共持有超过40万枚SOL,但买入量较少,无法对价格产生大的影响; • ETH 的ETF质押通过,但SOL ETF虽具备中长期预期利好,但炒作仍需待时间; • 但目前链上生态偏冷,远没有去年11-12月强劲,MEME项目热度下降,缺乏新的强叙事支撑,不过Payfi冒头,值得关注; • 新资金入场动能不足,事件驱动带来的行情多为“画门式”情绪波动,难以持续演化为趋势性行情。 四、短期及未来趋势展望 随着BTC突破前高回落震荡过程中,SOL的走势略显弱势,链上用户确实活跃,但MEME整体低迷,Payfi项目还在发展。 短期仍取决于 $BTC 行情是否出现情绪带动,但也多为震荡,伴随BTC冲前高,SOL上冲也是乏力,177-188区间压制,目前160的支撑破位。 想走出类似去年底的主升浪结构,条件尚不具备的。短期还是150-157左右震荡。 中长期来看,需要关注宏观宽松泛滥流动性情况和SOL ETF 和新的叙事生态发展。 以上供学习参考,非投资建议,欢迎探讨。 若觉得对你有帮助,欢迎一键三连。谢谢大家
比特币已经是华尔街的比特币了 最近在看华尔街量化交易大神Grinold的<Active Portfolio Management> 从看似混沌的价格波动中抽象出规律性 然后把金融市场变成提款机 实话说内容的专业性非常高 要放之前没学个金融硕士挺难的 现在 GPT 等AI 大模型的确打开了一条快速学习任何领域的大门 当然前提是你愿意学 造个原子能反应堆都能造 下面是20多个大纲性质的点 1/ 主动投资的目标是获取超额收益(alpha),关键在于最大化信息比率(Information Ratio)。 超额收益(Alpha):指投资组合收益减去基准收益; 信息比率:衡量单位主动风险带来的超额回报。 2/ Grinold-Kahn基本定理:IR = IC × √Breadth,IC是预测准确率,Breadth是独立决策次数。 IC(Information Coefficient):预测信号与实际收益的相关性;Breadth:独立下注次数,体现投资多样性。 3/ 超额收益来源于市场非有效性、信息不对称和行为偏差。 市场非有效性:市场价格未能完全反映所有可得信息,存在定价偏差。 4/ 投资组合的风险建模依赖于多因子模型,核心是分解系统性与非系统性风险。 多因子模型:用多个风险因子解释资产收益变动;系统性风险:整体市场风险,无法分散。 5/ 均值-方差优化方法用于投资组合构建,目标是风险调整后收益最大化。 均值-方差优化:基于预期收益与协方差矩阵,寻找最优资产配置,最早由马科维茨提出。 6/ 投资约束(如行业暴露、流动性限制)在优化中必须严格建模,否则理论收益不可实现。 行业暴露:组合对特定行业的资金配置比例;流动性限制:资产买卖是否容易且不影响价格。 7/ 交易成本是主动管理中最大的摩擦,过高换手率会侵蚀超额收益。 交易成本:买卖资产时实际支付的费用,包括点差、佣金和市场冲击成本。 8/ 信息比率(IR)比夏普比率更适合衡量主动投资能力,因为剔除了市场beta的影响。 夏普比率:整体回报与波动率的比值;Beta:资产对市场变动的敏感度。 9/ 信息系数(IC)的估计基于历史预测与实际收益的相关性,需要稳定可靠的数据支持。 相关性:两个变量之间的线性关系,反映预测信号与实际表现的匹配程度。 10/ 市场在大多数时候有效,但局部和短期存在失效,主动管理的空间来源于此。 市场失效:局部或短期内价格偏离真实价值,产生套利机会。 11/ 投资过程必须系统化,包括信号开发、风险建模、组合优化、交易执行、绩效评估。 信号开发:寻找可预测资产价格变化的因素,形成投资依据。 12/ 贝叶斯方法用于结合主观判断与历史数据,提升预测稳健性。 贝叶斯方法:将先验知识与新数据结合,更新概率判断,提高决策质量。 13/ 多因子投资通过组合低相关性的独立因子,提升信息比率。 低相关性:两个因子间的关系弱,能提高组合多样性并降低整体波动。 14/ 层次化组合管理将投资对象分层次管理,分别进行风险控制和alpha配置。 层次化管理:按国家、行业、个股等分层处理,每一层单独优化。 15/ 随着资产管理规模上升,alpha会稀释,管理规模与超额收益存在天然冲突。 规模效应:资金规模过大,导致流动性压力增大,压缩超额收益空间。 16/ 主动管理可以获取超额收益,但需要付出更高的复杂度和管理成本。 管理成本:包括研究、数据、交易执行等运营费用,主动策略消耗资源更多。 17/ 市场信息传递存在滞后,及时反应可以捕捉短期超额收益。 信息滞后:不同市场参与者接收和处理信息的速度不同,形成短暂定价偏差。 18/ 合理使用杠杆可以在控制风险的前提下放大alpha,但需严格风控。 杠杆:借入资金放大投资规模;风控:风险控制,防止损失失控。 19/ 使用回归、主成分分析(PCA)、机器学习等工具进行alpha因子挖掘和验证。 主成分分析(PCA):降维方法,提取解释数据方差最大的成分;回归分析:建立因子与收益的数量关系。 20/ 动态优化和定期再平衡有助于应对市场变化,提高长期信息比率。 再平衡:根据预设规则调整投资组合,使其回归目标配置,防止偏离。 21/ 模型风险是主动投资的重大风险来源,需要通过多模型、多因子、多策略分散风险。 模型风险:模型假设与现实偏离导致决策失误,分散策略可以降低单点失误的冲击。 有点厌倦币圈的割韭菜游的玩法 最近我在将所有的交易转向量化系统 大家节日快乐
前两天接了个项目做大使,然后天天要求我转贴发推啥的,我挺反感这种任务式的工作,我来web3就是为了自由,一个我都没用过的产品我真不知道怎么夸,果断溜了,我这人果然不适合干这个,又要被商务骂死说我没信用,哎😮‍💨算了,无所谓了。 虽然也会接广告,但我一般都是自己研究使用以后才去发推,好就是好不好就是不好,没必要尬吹,我一般都比较客观的评价,所以我这个人真的就是不喜欢那种被束缚的感觉,还是自由点好,努力把账号做好了比啥都强。 今天跟大表哥讨论到刷粉这个事,然后有小伙伴问我新手做账号要不要刷粉,我没回答。 我其实一开始做账号也跟着刷粉,后来掉到了14k,那时候我也破罐子破摔,很长一段时间没有接过广子,我一开始就对做假数据这个很厌恶,刷粉也是耳根子软,听别人说也跟着做 掉粉那时候就一直佛系,然后就一直保持活跃,慢慢找到自己的节奏,干了半年多终于一点点涨到了20k,再到现在这段时间互关活跃干到了25k 我对新人的建议都是活跃比刷粉重要,你们所说的什么粉丝多会加权重这个事我不清楚,但我个人觉得还是内容重要吧,我大部分推文都是一两千流量,偶尔出个爆款能有几万十几万 我是真的唯内容论者,你的推文内容不行,写的没人看就是没人看,跟你粉丝量以及其他的各种都没啥太大的关系,我也见过很多白号发了很多爆款的情况,但这属于幸存者偏差,不好以偏概全。 你看我昨天发的那个大哥得艾滋死了那条推文,是我在刷抖音看到了一个评论,我觉得非常搞笑,我就稍微改编了一下,我觉得能爆也果然爆了,多研究大家爱看什么比什么都强。 还有就是推特上我觉得很牛逼的人就是王短鸟哥,他是一个粉丝没刷,从他的千万到负债起号我是真的全程看过来的,目前也才 77k 粉丝,所以你知道很多100k+粉丝博主有多少水分了🤔 最后就是你只有好好努力,才能站着把钱赚了!加油吧兄弟们,真诚一点❤️ 我是欧易忠实用户,我是紫金u军,我是edgex大使,这些都是我真实使用并喜欢的,我为之站队我一点都不心虚。