牛市还没有结束,还有下半场 2021-05-18

作者分享了其对于当前牛市阶段的看法,指出虽然价格波动大,但缺乏令人兴奋的新项目。他认为真正的乐趣在于行业创新和颠覆性项目,如Uniswap等,这些不仅能带来价格增长,还能提供投资成就感。他提醒读者,不应只关注行情,而应关注行业动态,从中获取乐趣和经验,为未来的投资布局做好准备。
摘要由CSDN通过智能技术生成

 

昨天的文章发表后,有很多读者留言咨询,问我是不是认为牛市已经结束,比特币、以太坊已经到达了最高点,马上要进入熊市了?

于是我马上打开了文章,看了下面的留言,发现竟然很多读者都以为我文章的意思是认为牛市已经结束了。

我估计让不少读者有这样的感觉可能源自于这句话:” 从这个意义上来说,对我而言本轮牛市到此就已经终结了”。

实际上我的意思是:牛市发展到现在,我已经好几个月没有买到让自己印象深刻的新项目了,在我看来这意味着本轮牛市始自去年6月Compound发币带来的DeFi领域的各种颠覆性创新和全新的应用场景已经不再有了,在牛市中寻找新项目的乐趣和兴奋已经不再有了,牛市带给我的快乐也少了很多,因此剩下的时光就是看着市场按以往牛市的规律继续走完下半场----比特币、以太坊带着大多数代币继续走出新高,直到达到它们的巅峰。

在众多留言中,也有少数读者读出了我的意思,理解我的想法。

看到这些留言,我发现不少读者对牛市的关注点还是首要放在行情和价格。这当然没有错,但如果仅仅只是这样,我们在这个领域会错失很多乐趣和成就感。我对数字货币这个领域除了关注代币的价格走势以外,还非常关注行业中的创新和颠覆性项目的涌现。

为什么呢?因为如果纯粹为了挣钱,这个世界上有很多领域都能让投资者挣钱,但其它领域的投资已经没有新鲜感,因为投资标的本身早就是成熟的,投资者看它们纯粹就是根据各种数据、历史规律来判断。

比如贵金属、商品、外汇,这些市场哪有什么新鲜感,投资的标的都是存在了几十年的东西,投资者在这些领域的投资就是用自己的经验和数据。

而在数字货币市场,每一轮牛市,我们都能看到全新的项目、全新的场景,这些项目、场景能让我们脑洞大开、让我们看到未来。投资这些项目不仅能让投资者享受它们代币价格的上涨,更会带来投资它们得到的成就感。

记得在Uniswap发空投之后,我写了一篇文章,认为当时抛售UNI代币的投资者很有可能会后悔。为什么?因为大部分抛掉的投资者日后是很难再买回来的,而我坚信Uniswap会成长为巨兽。对于这样一个好项目,投资者仅仅为了眼前的一点小利,放掉了手中的筹码,实在是太可惜。

我记得当时UNI在抛售潮中最高涨到过8美元,最低跌到过2美元。如果放在当时,这个波动幅度让很多人受不了,可现在站在接近40美元左右的价位再回看当年的场景,我们是不是觉得感慨万千?

对于我而言,看着UNI这个巨兽从空投开始一步步走到今天,再回看当时自己对它的判断一一被验证,这种成就感和满足感是其它投资领域很难给予的。

不仅UNI,所有我投资的代币都承载了当时我对它们的思考、判断和预测。现在再回看当时的那些思考,这其中给我带来的经验和教训是这轮牛市给我带来的最大、最宝贵的财富。这笔财富将淬炼、提升我的思维方式,让自己在接下来的熊市中更好的布局,在下一轮的牛市中获得更好的收益。

而现在,牛市走到现在这个阶段,再也没有好项目能给我这样的思考和财富了,所以我说牛市的下半场有些无聊,无聊得只剩下看行情、看价格。

另外,也再和大家说一句,我所有买入的代币到目前为止,依然没有卖出。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值