Звіти 13F за Q1: професіонали скоротили BTC на 17%, а банки — подвоїли

Що сталося

Свіжі звіти 13F за перший квартал 2026 року (їх розібрала CoinShares) показали, хто насправді скорочував і нарощував позиції у спотових біткоїн-ETF на тлі просідання ринку. Картина розбіжна: тактичні гравці виходили, а банки вперше помітно заходили.

Деталі

  • Загальна картина. Професійні тримачі (заявники форми 13F) скоротили біткоїн-експозицію з 313 000 до 261 000 BTC за квартал (−17%), її вартість впала до $17,8 млрд (−35%). Це найбільше квартальне скорочення проф-володіння з моменту запуску спотових ETF. Їхня частка в активах BTC-ETF знизилася з 24,7% до 20,8%.
  • Хто продавав. Хедж-фонди скинули близько 31 400 BTC (−39%), брокери — близько 18 800 BTC (−53%). Разом це приблизно 95% усього скорочення.
  • Хто купував. Банки більш ніж подвоїли позицію (≈+7 800 BTC, до ~15 200 BTC): JPMorgan додав ~3 000 BTC, Wells Fargo ~4 000 BTC, а Citigroup з’явився у звітах уперше.
  • Хто тримає. Найбільші тримачі — інвестиційні радники (≈150 300 BTC); вони скоротилися лише на 5,9%.

Аналітик CoinShares Метт Кіммелл прокоментував: «Ці дані відповідають тому, як ринок біткоїна історично поводився на просіданнях, — кредитні й тактичні стратегії згортаються».

Що це означає

Заголовок «інституціонали виходять» — лише половина правди. З ETF справді пішли тактичні гроші (хедж-фонди і брокери дали майже все скорочення) — вони заходили в розрахунку на короткий ріст. Але водночас «повільні» гроші — банки — вперше помітно наростили позицію, а головні тримачі, інвестрадники, майже не здригнулися. Це не масовий вихід, а зміна складу тримачів: спекулятивний капітал поступається місцем довгостроковому. Структурно для ринку це здоровіше за короткостроковий відтік — хоча саме скорочення проф-володіння рекордне й збіглося з падінням ціни.

Поділитися цією статтею
Зв'язатися:
Крипто-аналітик, Data-аналітик і розробник з 17-річним досвідом у IT. Спеціалізація — інженер-програміст.Мій підхід до ринку ґрунтується виключно на цифрах і верифікованих даних. Я використовую Python (pandas, numpy, scipy, matplotlib), математичну статистику та розвідувальний аналіз даних (EDA) для дослідження ончейн-метрик, макроекономічних індикаторів і токеноміки проектів.Інвестую на основі власної data-driven моделі, що враховує понад 30 метрик.Автоматизую дослідження за допомогою AI-агентів і власних скриптів.