Pari 에바

Я больше не думаю, что главная проблема блокчейна — это масштабируемость или скорость транзакций.

Вопрос, о котором я постоянно думаю, такой:

Как установить доверие, когда самые важные данные никогда не создавались в сети (on-chain)?

Блокчейн может проверить собственное состояние с помощью консенсуса, но он не может независимо верифицировать внешний API, вывод (инференс) ИИ, рыночную ленту или реальное событие.
Как только внешняя информация попадает в систему, новые допущения о доверии становятся частью модели безопасности приложения.

Именно поэтому подход OpenGradient привлёк моё внимание — не потому что

я считаю, что он решает проблему, а потому что он задаёт вопрос, который отрасль в значительной степени обходила стороной:

Могут ли внешние данные стать по-настоящему верифицируемыми, не воссоздавая тот самый блок доверия, который блокчейны изначально были призваны минимизировать?

Если подходы вроде Data Nodes смогут укрепить происхождение данных и снизить допущения о доверии, не добавляя чрезмерной задержки или операционной сложности, они могут стать важным инфраструктурным слоем для AI-native приложений.

Но это всё ещё большое «если».

Крипто научило меня тому, что изящная криптография и хорошо спроектированная архитектура не обязательно автоматически превращаются в критически важную инфраструктуру. Разработчики обычно внедряют то, что убирает реальное трение — а не просто то, что лучше выглядит на бумаге.

Настоящее испытание не в том, насколько технически впечатляющей является сама концепция.

Оно в том, решат ли разработчики в итоге, что верифицируемые внешние данные — это не просто приятная функция, а требование.

@OpenGradient #OPG #Blockchain #Web3 #opg $BEAT $OPG $HEI

#opg Чем больше я читаю про OpenGradient,
тем меньше я думаю, что основная проблема – это "проверяемый ИИ."

Настоящая сложность заключается в том, чтобы сделать ИИ проверяемым,
не замедляя продукт каждый раз, когда пользователь запрашивает ответ.

Вот почему асинхронное решение по доказательствам OpenGradient выделяется для меня.

В HACA запрос на вывод идет прямо к узлу вывода,
вместо того чтобы сначала ждать консенсуса блокчейна.

Ответ приходит с задержкой, как в Web2.

Только после этого начинается путь проверки.

Доказательство или аттестация подаются,
полные узлы проверяют это во время консенсуса,
а результат фиксируется в реестре.

Для больших доказательств цепочка сохраняет ссылку,
в то время как Walrus хранит сам тяжелый объект.

Для меня это разделение – настоящая архитектурная ставка.

Если каждый ответ ИИ должен был ждать консенсуса, прежде чем достичь пользователя,
проверяемый ИИ был бы технически впечатляющим,
но коммерчески болезненным.

Это также меняет мое представление о децентрализации.

Количество валидаторов имеет значение,
но так же важна и управляемость протокола.

Фиксированный объем OPG в 1 миллиард,

40% на распределение экосистемы,
и 15% на фонд с поэтапным вестингом
формируют стимулы, риск размывания и место, где влияние может накапливаться со временем.

Цифры роста реальные:
более 2 миллионов выводов, более 500 тысяч доказательств и более 2000 моделей.

Но активность не равна зависимости.

И Walrus – это место, где вопрос инфраструктуры становится более острым.

Хранение вне цепи с ссылками в цепи – это правильный инстинкт масштабирования.

Но если несколько холодных узлов вывода нуждаются в одной и той же большой модели одновременно,
кэш слишком мал, и задержка возрастает.
Слишком большой кэш, и операторы тихо восстанавливают
нагрузку на хранение, которую архитектура была спроектирована, чтобы избежать.

Вот вопрос OpenGradient, который меня больше всего волнует:

может ли проверка стать достаточно надежной, достаточно дешевой и достаточно невидимой,
чтобы серьезные ИИ-продукты рассматривали это как инфраструктуру,
а не как необязательную нагрузку?

$OPG $OP $G #Aİ @OpenGradient

$AT LONG

Внимание сейчас… подождите минутку 👀

Вход 0.1420 – 0.1495

Стоп-лосс 0.1360

Тейк-профит

TP1 0.1530

TP2 0.1580

TP3 0.1650

Торговый план
Цена сформировала сильный опорный уровень внизу и сейчас готовится пойти вверх. На графике 4h рынок стабилизируется и показывает признаки бычьего тренда.

Снабжение & Риск
Выше есть зона предложения примерно 0.1509 и 0.15350, где продажи уже включались ранее, поэтому там нужно быть осторожным. Держите риск строго на уровне 2% и как только сработает TP1, перенесите стоп-лосс в точку входа, чтобы сохранить капитал.
$ESP $AT #PredictionMarketVolumeHitsRecordHigh #HYPEFalls17%FromRecordHigh

$SOL LONG

НЕ ПРОПУСТИТЕ НАСОС 👀

Торговый план

Вход 65.50 – 67.00

Стоп-лосс 63.50

Тейк-профит

TP1 69.50

TP2 72.00

TP3 74.50

Цена сформировала сильный уровень поддержки внизу и теперь готовится пойти вверх.

Снабжение и риск
Есть зона предложения выше примерно на 69.64 и 73.11, где раньше уже появлялись продажи, поэтому там нужно быть особенно осторожными. Держите риск строго на уровне 2% и, как только TP1 будет достигнут, переведите стоп-лосс в точку входа, чтобы сохранить капитал в безопасности.
$SOL #solana $AT

$BEAT USDT ДЛИННАЯ

ПРОСНЕТЕСЬ ТРЕЙДЕРЫ👀👀

Торговый план

Вход 1.850 – 1.970

Стоп-лосс 1.740

Тейк-профит

✅TP1 2.150

✅TP2 2.350

✅TP3 2.600

Цена сформировала сильную опору внизу и сейчас готовится к росту.

Снабжение & Риски
Есть зона предложения выше примерно на 2.012 и 2.450, где раньше появлялись продажи, поэтому там нужно быть особенно внимательными. Держите риск строго на уровне 2% и как только достигнете TP1, переведите стоп-лосс в точку входа, чтобы сохранить ваш капитал.
$BEAT #beat $OP

$EPIC USDT LONG

Внимание сейчас … подождите минутку 👀

Торговый план

Вход 0.4150 – 0.4350

Стоп-лосс 0.3950

Тейк-профит

✅TP1 0.4600

✅TP2 0.4900

✅TP3 0.5200

Цена сформировала сильное опорное основание внизу и теперь готовится к росту.

Спрос & Риск
Выше есть зона предложения примерно около 0.4150 и 0.4934, где ранее уже появлялись продажи, поэтому там нужно быть особенно внимательным. Держите риск строго на уровне 2%, и как только сработает TP1, перенесите стоп-лосс в точку входа, чтобы сохранить капитал.
$EPIC $HEI #Epic

$IP USDT LONG

ПРОДОЛЖАЙ НЕСКРОЛЛИВАТЬ И СМОТРИ👀

Торговый план

Вход 0.3180 – 0.3400

Стоп-лосс 0.2940

Тейк-профит

✅TP1 0.3650

✅TP2 0.3900

✅TP3 0.4200

Цена демонстрирует очень сильный бычий пробой: она очищает ближайшие барьеры сверху и агрессивно движется вверх, подкреплённая уверенной зелёной свечой на 4h.

Поставка & Риск
Крупное сопротивление со стороны предложения готово стоять около 0.3487 и выше — там предыдущее давление продаж ограничивало недавний импульс. Следуй правилу максимального риска 2% и передвигай SL на уровень входа после достижения TP1, чтобы защитить капитал.
$IP #IP $MUB

#opg Самая серьезная часть OpenGradient, на мой взгляд, не в широком «децентрализованном ИИ».
Дело в том, что проект не рассматривает верификацию как единый бинарный выбор.

TEE, ZKML и ванильная верификация — это три совершенно разные модели доверия, и я думаю, что это различие имеет большее значение, чем маркетинг вокруг ИИ обычно признает.

TEE, по сути, является практическим компромиссом OpenGradient.
Инференция происходит в безопасной среде, а удаленная аттестация предназначена для подтверждения того, что утвержденное время выполнения действительно использовалось.

Это помогает сохранить конфиденциальность запросов и уменьшает необходимость доверять оператору узла напрямую.
Но TEE все еще доказывает целостность среды выполнения, а не математически доказывает, что вычисление модели было правильным.

ZKML переходит в другую категорию.

Цель здесь более амбициозна:
доказать, что конкретная модель выдала конкретный результат для данного ввода, не полагаясь на честность машины, которая это выполняла.
Это гораздо более жесткий стандарт, и он имеет значение для задач с высокими ставками, где «доверять анклаву» может быть недостаточно.

Проблема в том, что генерация доказательств дорогая, что делает ZKML трудным для использования в качестве стандартного слоя для повседневной инференции.

Ванильная верификация находится на противоположном конце.

Она держит накладные расходы низкими, но также предоставляет самые слабые гарантии.

Так что для меня настоящий вопрос OpenGradient не в том, что лучше — TEE, ZKML или ванильная верификация в изоляции.

Вопрос в том, могут ли разработчики действительно сопоставить эти уровни доверия с реальными рабочими нагрузками, не превращая развертывание ИИ в постоянный компромисс между стоимостью, задержкой, конфиденциальностью и силой доказательства.
@OpenGradient #OPG $OPG

#opg $OPG @OpenGradient
Я все чаще замечаю, как ИИ переходит в запросные конвейеры.
Инференция, исполнение, платеж и верификация теперь находятся в одном потоке.

OpenGradient $OPG кажется в унисон с этим направлением.

Конфиденциальность больше не ощущается как один слой.
Она охватывает весь жизненный цикл запроса.
Уже не только хранение или контроль доступа.
На уровне модели вы видите только вход и выход.
Но внутри систем, таких как архитектура в стиле $OPG , есть более глубокие слои.

Верификация, управление состоянием, отслеживание исполнения и логика расчетов.
Сначала я думал, что обеспечение безопасности хранения будет достаточным.
Но верифицируемость меняет это предположение.
Потому что доказательство требует отслеживаемости, а отслеживаемость создает метаданные.
Чем более верифицируемой становится система, тем больше ей нужна видимость.
А эта видимость напрямую формирует границы конфиденциальности.
Я все время задаюсь вопросом, будут ли будущие системы изолировать чувствительные вычисления.

Или все объединится в единый конвейер исполнения.
Где конфиденциальность обеспечивается математически, а не операционно.

Настоящий вопрос прост.

Если доверию нужно доказательство, а доказательству нужна видимость, то что остается частным на практике.
И я не уверен, что есть чистый ответ на этот вопрос еще.
$OPG
#OPG #OpenGradient @OpenGradient

#opg $OPG
Я всё время думаю, что мы по-прежнему описываем ИИ так, как будто это просто продукт API.

Но в реальных системах он медленно становится чем-то более похожим на инфраструктуру расчетов.

Сейчас процесс простой.

Вы вызываете модель.

Она выполняет вывод.

Вы получаете ответ.

Оплата происходит отдельно через подписки или отслеживание использования.

Таким образом, использование и оплата остаются на разных уровнях.

Но в модели, основанной на запросах, как в системах стиля x402, это разделение начинает рушиться.

Сам запрос несет в себе оплату, выполнение и верификацию вместе.

Таким образом, вместо того чтобы разделять шаги, такие как запрос, вычисление и выставление счета позже, всё происходит в одном непрерывном взаимодействии.

Это меняет больше, чем ценообразование.

Это меняет то, как системы координируют работу друг с другом.

Если каждый вызов атомарен и верифицируем, ИИ больше не зависит от внешних систем выставления счетов.

Он начинает вести себя как независимая экономическая единица внутри сети.

Вопрос, к которому я постоянно возвращаюсь, прост.

Если вычисления засчитываются за каждое взаимодействие, будем ли мы по-прежнему называть это использованием программного обеспечения?

Или это становится новым видом цифровой экономики по запросу, где каждый запрос является своей собственной транзакцией?

Чем больше я об этом думаю, тем больше мне кажется, что мы переходим от использования инструментов ИИ к взаимодействию с сетью расчетов для вычислений.

$OPG #OPG @OpenGradient $MUB

#opg $OPG @OpenGradient
Я всё чаще замечаю, что в нашем разговоре об ИИ есть что-то странное.

Обсуждение почти всегда сводится к одному и тому же:

какая модель лучше.

Быстрее, дешевле, умнее. Как будто мы сравниваем инструменты на полке.

Эта рамка сначала имела смысл для меня.

Но чем больше я вижу ИИ в реальных рабочих процессах, тем меньше эта рамка кажется полной.

Потому что как только система начинает участвовать в принятии решений, многоступенчатых процессах и других системах, зависящих от её выходов, она перестаёт вести себя как отдельный продукт.

Она начинает вести себя больше как инфраструктура.
А инфраструктура — это не только доступность.

Это последовательность под нагрузкой.

Это предсказуемое поведение при изменяющихся условиях. Это о том, могут ли нижестоящие системы безопасно полагаться на неё, не проверяя постоянно её надёжность.

Вот куда смещаются мои мысли.

Не к тому,

какой ИИ самый умный,

а к чему-то более фундаментальному: что на самом деле делает системы достаточно надёжными, чтобы другие системы могли безопасно строить на них в больших масштабах.

Потому что интеллект сам по себе кажется неполным, если вы не можете рассуждать о его стабильности при реальной зависимости, где входные данные шумные, условия меняются, и сбой — это не исключение, а часть среды.

В этом смысле,

доверие к ИИ — это не просто чувство.

Это становится результатом верификации, последовательности и системных гарантий, которые уменьшают неопределённость для всего, что построено поверх него.
$OPG

$OPG #opg @OpenGradient
Я раньше думал, что бездействующий капитал в DeFi в основном является рыночной проблемой.

Если деньги не движутся, я предполагал, что причина проста.

Люди ждали лучших доходностей.

Чем больше я обращаю внимание на то, как люди принимают решения, тем меньше я убеждён, что это реальное объяснение.

Много капитала не ждёт возможности.

Он ждёт уверенности.

DeFi стал невероятно хорош в создании опций.

С чем он всё ещё сталкивается, так это с помощью пользователям в проверке, какие опции заслуживают доверия.

Вот почему я потратил время на изучение @OpenGradient .

Что выделяется для меня, так это не угол с ИИ.

Это инфраструктурный аспект.

По мере того как всё больше решений становится зависимым от моделей, агентов и автоматизированных систем, качество результата имеет меньшее значение, если никто не может независимо проверить, откуда этот результат пришёл.

Это проблема, о которой, я думаю, мы не говорим достаточно.

Фокус @OpenGradient на проверяемом интеллекте кажется важным, потому что он рассматривает доверие как инфраструктурную задачу, а не задачу брендинга.

Если вывод можно проверить, аудировать и отследить через прозрачные механизмы, пользователи больше не должны полагаться исключительно на репутацию.

Они могут полагаться на доказательства.

Это может показаться небольшим сдвигом, но я думаю, что это меняет поведение.

Системы с минимизацией доверия, как правило, привлекают участие людей, которые в противном случае остались бы в стороне.

А участие — это то, что в конечном итоге приводит капитал в движение.

Чем больше я об этом думаю, тем больше мне кажется, что бездействующий капитал часто является симптомом, а не коренной проблемой.$OPG

Может быть, более глубокая проблема заключается в том, что уверенность всё ещё не масштабируется так же эффективно, как ликвидность.

Если это правда, инфраструктура, разработанная вокруг проверяемого интеллекта, может оказаться более важной, чем большинство людей ожидает.

Интересно, что думают другие:

Когда DeFi становится всё более управляемым интеллектуальными системами, что будет важнее — доступ к интеллекту или возможность его проверки?

$OPG #OPG

$OPG Почему капитализация может оказаться важнее доходности в следующем цикле.

Несколько лет назад я думал, что главным преимуществом в крипте является поиск самой высокой доходности.

С каждым годом, проведенным в этой индустрии, я все меньше в этом уверен.

Я заметил, что системы, создающие устойчивую ценность, часто не те, которые предлагают самые высокие доходы. Это те, которые используют ресурсы более эффективно.

Эта идея постоянно возвращается ко мне, когда я смотрю на развивающуюся инфраструктуру.

С ростом децентрализованного интеллекта вопрос не только в том, насколько мощной может быть модель. Важно также, насколько эффективно интеллект может быть доставлен, проверен и доверен в масштабах.

Вот почему я уделяю внимание @OpenGradient .

Меня интересует не только выход. Важна инфраструктура, стоящая за этим. Подход OpenGradient к проверяемому интеллекту, специализированным узлам и прозрачным механизмам верификации заставляет меня по-другому взглянуть на эффективность.

Во многих системах больше ресурсов не создает автоматически больше ценности. Важно, насколько эффективно эти ресурсы координируются и проверяются.

Тот же принцип применим к принятию.

Люди часто сосредотачиваются на том, что может сделать система. Со временем, я думаю, им будет важнее, можно ли доверять системе, проводить аудит и масштабировать её без жертвования прозрачностью.

Одно наблюдение, которое я пришёл ценить, таково:

Будущее может принадлежать не столько системам, которые генерируют наибольшую активность, сколько тем, которые делают эту активность более надежной.

Вот почему проекты, такие как @OpenGradient , и растущая роль $OPG , выделяются для меня. Инфраструктура редко получает наибольшее внимание, но она часто определяет, что может вырасти на её основе.

Как ты думаешь, что будет важнее в ближайшие несколько лет: сырая способность или возможность проверять и доверять системам, стоящим за этим?

#OPG $OPG #opg

$OPG Я раньше думал, что прозрачность — это решение большинства проблем в технологиях.

Если система с открытым исходным кодом, любой может её проверить, понять, как она работает, и решить, стоит ли ей доверять. Это казалось разумным предположением.

Чем больше я об этом думаю, тем больше мне кажется, что прозрачность и верификация — это на самом деле две разные вещи.

В теории, сделать код публичным — значит взять на себя ответственность. На практике очень немногие могут тратить время, иметь экспертизу или ресурсы, чтобы исследовать тысячи строк кода, воспроизводить результаты и проверять, что система работала именно так, как заявлено.

Большинство пользователей не читают исходный код, прежде чем использовать продукт. Большинство компаний не проверяют каждую модель, на которую они полагаются. Они доверяют посредникам, репутациям и предположениям.

Это создает интересное противоречие.

Мы часто воспринимаем прозрачность как нечто, что автоматически создает доверие. Но прозрачность может просто переносить бремя верификации на пользователя. Если никто не может реально проверить, что произошло, решает ли только видимость проблему?

Что меня больше всего интересует, так это как эта задача усложняется по мере интеграции ИИ в процесс принятия решений. Модель может быть открытой. Инфраструктура может быть видимой. Методология может быть задокументирована.

Но вопрос остается: как обычный человек знает, что конкретный результат был сгенерирован так, как он должен был быть сгенерирован?

Сначала я предполагал, что ИИ с открытым исходным кодом естественным образом решит многие проблемы доверия.

Теперь я не так уверен.

Может быть, следующая задача не в том, чтобы сделать системы более видимыми.
Может быть, в том, чтобы сделать утверждения легче проверяемыми.

Проекты, такие как @OpenGradient , заставили меня больше задуматься об этом различии. Не потому что верификация гарантирует правильность, а потому что это меняет разговор с "доверяй мне" на "вот доказательства."

Вопрос, к которому я постоянно возвращаюсь, заключается в том, достаточно ли прозрачности, когда системы становятся слишком сложными, чтобы большинство людей могли их проверить самостоятельно.

Возможно, будущее доверия в ИИ зависит меньше от того, что видно, и больше от того, что можно независимо доказать.

$OPG #OPG @OpenGradient #opg

$OPG Я заметил, что люди часто предполагают, что самой большой проблемой в ИИ является создание лучших технологий.

Сначала это кажется разумным.

Более мощные модели. Лучшая инфраструктура. Быстрее системы.

Но чем больше я об этом думаю, тем больше задумываюсь, не является ли более сложной задачей заставить людей на самом деле использовать новые решения.

Эта мысль вернулась ко мне, когда я читал о @OpenGradient и идее проверяемого ИИ.

Верификация звучит ценно в теории. Если выходные данные ИИ можно доказать, а не просто доверять им, это кажется улучшением.

Но принятие редко происходит только потому, что что-то технически лучше.

Разработчики уже имеют инструменты, рабочие процессы и системы, которые они понимают. Переход требует времени, усилий и причины, достаточно сильной, чтобы оправдать изменение.

Вопрос, к которому я постоянно возвращаюсь, заключается в том, чувствуют ли достаточно людей необходимость в верификации сегодня.

Большинство пользователей заботит скорость и удобство. Пока выходные данные выглядят надежными, немногие останавливаются, чтобы спросить, как они были получены.

Может быть, в этом и заключается проблема.

Верификация решает задачу, которую многие люди признают интеллектуально, но не обязательно чувствуют на практике.

Я продолжаю задумываться, придет ли принятие постепенно, по мере того как ИИ становится более важным, или же понадобятся несколько неудач, чтобы сделать верификацию необходимой.

Я не уверен.

Что меня больше всего интересует, так это то, что технологии могут быть спроектированы, оптимизированы и улучшены.

Спрос — это другое.

Спрос зависит от поведения, стимулов и времени.

И эти вещи всегда были гораздо сложнее предсказать, чем сами технологии.

@OpenGradient #OPG #OpenGradient $OPG #opg

$ASTER ЛОНГ
НЕ ПРОКРУЧИВАЙ ДАЛЬШЕ ИСЧИСЛЯЙ👀

Торговый план
Цена выполняет классический бычий прорыв, структурированный вокруг стабильных более высоких минимумов и в настоящее время уверенно держится выше ключевых зон поддержки тренда на 4-часовом графике.

Вход 0.6550 – 0.6710

Стоп Лосс 0.6380

Тейк Профит

✅TP1 0.6950

✅TP2 0.7200

✅TP3 0.7500

Почему эта установка
Цена держит сильный уровень поддержки и демонстрирует солидное бычье восстановление.

ВПЕРЕД 🚀
Потенциальная прибыль загружается...

Поставка и Риск
Основное сопротивление по поставкам готово около 0.6786 и выше, где предыдущие медвежьи свечи ограничили недавний импульс. Следуйте правилу максимального риска 2% и переместите СЛ в точку входа после достижения TP1, чтобы защитить капитал.
$ASTER #Aster

$UB ЛОНГ
Внимание сейчас … подождите минутку 👀

Торговый план
Цена рисует солидную двоичную нижнюю границу вокруг 0.11044 и начинает подниматься, преодолевая локальное давление продаж на 4-часовом графике (candlestick).

Вход 0.11400 – 0.11950

Стоп-лосс 0.10900

Тейк-профит

✅TP1 0.12500

✅TP2 0.13500

✅TP3 0.14500

Предложение и риск
Основное предложение ждет между 0.12568 и 0.13550, где предыдущие сильные свечи продаж вызвали более глубокую коррекцию. Следуйте правилу максимального риска 2% и переместите SL на уровень входа после достижения TP1, чтобы защитить капитал.
$UB #UB

$BASED ЛОНГ

Торговый план
Цена находит надежную поддержку после отката от локальных максимумов, стабилизируясь в ключевой зоне спроса на 4-часовом графике.

Вход 0.07450 – 0.07780

Стоп Лосс 0.07200

Тейк Профит

✅TP1 0.08300

✅TP2 0.08700

✅TP3 0.09200

Почему эта стратегия
Цена удерживает сильный уровень поддержки и демонстрирует солидное бычье восстановление.

Предложение и Риск
Основное предложение находится между 0.08346 и 0.08718, где предыдущие агрессивные ралли столкнулись с сильным сопротивлением. Следуйте правилу максимального риска в 2% и переместите СЛ на уровень входа после достижения TP1, чтобы защитить капитал.
$BASED #BASED

$XAUT ЛОНГ

Торговый план
Цена плотно консолидируется после значительного восходящего движения и сейчас стабильно держится чуть выше краткосрочных уровней поддержки на 4-часовых графиках (candlestick).

Вход 4305.00 – 4325.00

Стоп Лосс 4260.00

Тейк Профит

✅TP1 4345.00

✅TP2 4370.00

✅TP3 4390.00

Почему эта стратегия
Цена удерживает сильный уровень поддержки и показывает твердое бычье восстановление.

Спрос и Риск
Основной объем предложения находится около 4334.95 и выше к 4348.57, где предыдущая покупательская динамика остановилась. Следуйте правилу максимального риска в 2% и переместите Стоп Лосс к уровню входа после достижения TP1 для защиты капитала.
$XAUT #XAUT

$BSB ЛОНГ

🔺Вход 0.45500 – 0.49500

🛑Стоп Лосс 0.41000

Тейк Профит

✅TP1 0.54500

✅TP2 0.59500

✅TP3 0.65000

Предложение & Риск
Основное предложение находится между 0.53493 и 0.59734, где фиксация прибыли замедлила первоначальный импульс. Соблюдайте правило максимального риска в 2% и переместите SL к входу после достижения TP1, чтобы защитить капитал.
$BSB #BsB