币圈「最佳定投标的」JLP,为什么这么抗跌?

Odaily星球日报Publicado a 2024-08-08Actualizado a 2024-08-08

Resumen

今年以来,Jupiter上的合约玩家总共只赚了370万美元,而他们给JLP贡献了1.368亿美元的手续费。

没有永远赚钱的赌徒,但有永远赚钱的赌场,那么在链上,可不可以也靠「投资赌场」来赚钱呢?在推出 JLP 后,Jupiter 似乎给出了一个答案。

今年以来,Jupiter 的永续合约平台 JLP(Jupiter liquidity provider)成为了表现最好、收益最高的赌场之一。据Dune 数据,仅 8 月 5 日一天开仓费就达 247.5 万美元,而每笔开仓费仅 0.0006 美元。但据flyingfish 数据,从今年年初至今,在 Jupiter 上玩合约的玩家,总共只赚了 370 万美元,而他们给 JLP 贡献了 1.368 亿美元的手续费。

币圈「最佳定投标的」JLP,为什么这么抗跌?

8 月 5 日大盘暴跌,加密资产全面崩盘,以太坊抹平年内涨幅,SOL 也一路下跌触及 110 美元。然而,在底层资产都是比特币、以太坊和 SOL 的情况下,JLP 跌幅却较底层资产小,不少人开始好奇,为什么 JLP 这么抗跌?

合约玩家:开仓那一刻起就在欠债

在 JLP 上,用户的交易对手方是平台本身,当交易者寻求开杠杆头寸时,他们从池中借入代币,由预言机直接喂价。这种模式也被称为「合伙开赌场」,即用户赚钱,平台亏钱。

JLP 池支持五种资产:SOL、ETH、WBTC、USDC、USDT,合约支持 1.1 x-10 0x 的杠杆倍数,从 JLP 池中借出相关流动性,在平仓后,交易者获取收益或了结亏损,并将剩余代币返还给 JLP 池。

以做多 SOL 为例,假设 SOL 价格 150 美元,开设 5 倍杠杆,即向池子中借出 5 枚 SOL,价值 750 美元。若 SOL 价格上涨至 160 美元,仓位升至 800 美元,交易者获利平仓。平仓后,交易者需归还最初的 750 美元本金,总盈利 50 美元。但对于平台来说,由于此时 SOL 上涨,本金价不足 5 枚 SOL,因此平台 U 本位资金不变,而币本位处于亏损状态。

若 SOL 价格下跌至 140 美元,仓位仅剩 700 美元,交易者止损平仓,因此交易者需将剩余 700 美元的资产还给平台,并补交 50 美元。由于 SOL 下跌, 50 美元对应的 SOL 数量增加,平台币本位处于盈利状态,U 本位资金依旧不变。同理,做空 SOL 则需借出稳定币。

JLP 与一般永续合约最大的不同点可能就在于,后者可能会出现负费率的情况,为了让永续合约的价格贴近现货价格,平台会补贴利率,但是在 JLP 的情况下,并不存在平台补贴。

无论盈利还是亏损,开仓本金都来自 JLP 平台,因此,无论做多还是做空,从开仓那一刻起,交易者就在欠平台的债。据JLP Pool页面显示,目前 JLP 的 APR 为 72.47% ,但该数据每周更新一次,与实际收益有所差距。

币圈「最佳定投标的」JLP,为什么这么抗跌?

可直接在合约交易页面手动计算,不同池子的利率不同,即下图中的借款费率(Borrow rate)。若以 SOL 的利率来算,每小时 0.0028%(x24 小时 x365 天),年化达 24.53%,同理,以太坊年化 16.64%,比特币年化 44.68%,即总年化为 85.58%。

币圈「最佳定投标的」JLP,为什么这么抗跌?

从左至右分别是 SOL、ETH、wBTC 的合约相关费用 

JLP 投资者:收益与亏损都小于底层资产

交易产生的费用会反映到平台代币 JLP 上。据官方介绍,JLP 的价值来自三个方面。

一是建仓、平仓、借贷费用以及资金池交易费用的 75% 。由于能拿到平台手续费分成,因此这部分的 JLP 净值基本处于上涨状态。

二是来自 5 种底层资产,理论上(下图中的 Target Welghtage),一枚 JLP 价格由 44% 的 SOL、 10% 的 ETH、 11% 的 WBTC、 26% 的 USDC 和 9% 的 USDT 组成。在官方平台页面上也会根据这些因素计算出 JLP 的净值,目前为 3.18 美元。

币圈「最佳定投标的」JLP,为什么这么抗跌?

SOL、以太坊和比特币的上涨与下降也会让 JLP 随之变化。因此有社区成员认为,逢低抄底 JLP 是个不错的选择,不仅可以吃到底层资产的涨幅,又能吃到平台手续费。

然而仔细对比 JLP 和其余资产的涨跌幅可发现,JLP 的波动都要更小。最主要的原因就是 JLP 的价值组成中, 35% 来自稳定币(USDT 和 USDC),而稳定币的价格并不会出现剧烈波动。

币圈「最佳定投标的」JLP,为什么这么抗跌?

为了更具体比较 JLP 涨幅,DeFi 研究员 @22333D计算了 5 月 7 日至 5 月 19 日,JLP 与等份额的 SOL、以太坊和比特币的价格变化,发现 JLP 涨幅是最小的,其中 JLP 涨幅 5.3% ,而对应的 SOL、以太坊和比特币涨幅总计 6.8% 。

@ 2233 3D 解释,不足的部分可能来自 JLP 平台的币本位亏损。这也是 JLP 价值的第三部分来源,即交易者盈亏,其与 JLP 价格成负相关。假如一个交易员赚了非常多钱,那 JLP 的净值就会下降,相当于 JLP 的资产组成被合约玩家赚走了,反之亦然。

虽然短期来看,平台也会处于亏损状态,但据flyingfish 数据,自今年以来,JLP 的盈利总体上大于亏损。

币圈「最佳定投标的」JLP,为什么这么抗跌?

把 JLP 当理财?

目前,可以直接在 JLP 官网通过 Jupiter 现价单购买 JLP,实现 0 手续费。购买的一部分 JLP 来自 LP 提供,一部分是新铸造的 JLP。当 JLP 达到 TVL 限制(7 亿美元)时将停止铸造,目前 TVL 达 5.91 亿美元。

币圈「最佳定投标的」JLP,为什么这么抗跌?

@ 2233 3D 指出,如果用 SOL 购买 JLP,那可以等同于把 56% 的 SOL 换成了稳定币、以太坊和比特币。再用占 JLP 总仓位 35% 的资金量做多 SOL,就可以用对冲的方式实现 SOL 的理财。

如果用 USDT 或 USDC 购买 JLP,可以用占 JLP 总仓位 44% 的资金量做空 SOL, 10% 做空以太坊、 11% 做空比特币,这样其实就把 JLP 变成了一个稳定币本位的理财产品。

除此之外,JLP 也有别的套利玩法,比如在 Solana 借贷平台 Kamino 存入 JLP,借出稳定币后再买入 JLP,实现杠杆挖矿。但正因为 JLP 的赌场因素使其价格存在不可控风险,无论是作为合约玩家或是代币投资者,均需谨慎处理,DYOR。

Lecturas Relacionadas

Informe de Ethereum del primer trimestre de 2026: caen las tarifas, usuarios y volumen de transacciones alcanzan máximos históricos

Resumen del informe del primer trimestre de 2026 sobre Ethereum, por Token Terminal. El reporte destaca una tendencia clave: la cantidad de usuarios activos mensuales (13.2 millones, +53.5%), las transacciones (200.4 millones, +38%) y el rendimiento de la red (25.78 TPS) alcanzaron máximos históricos, mientras que las tarifas de transacción en la capa principal cayeron un 47.9% intertrimestral. Este fenómeno, denominado la "Paradoja de Jevons", sugiere que Ethereum está priorizando deliberadamente la expansión a corto plazo sobre la captura de ingresos inmediatos. La actualización Fusaka, que aumenta la capacidad de datos y reduce el costo del espacio de bloque, es un factor clave. La narrativa central de Ethereum se está desplazando de una cadena de bloques DeFi a una capa de liquidación financiera global. Ethereum mantiene una posición dominante en activos tokenizados, con una capitalización total de $2 billones (-0.7% intertrimestral). Destacan el crecimiento de los fondos tokenizados ($194 mil millones, +4.9%) y las materias primas tokenizadas ($47 mil millones, +60%), reflejando una mayor adopción institucional por parte de entidades como BlackRock y JPMorgan. A pesar de una caída del 30.3% en su capitalización de mercado totalmente diluida, la base de titulares de ETH creció a 292.8 millones. En resumen, Ethereum está sacrificando ingresos a corto plazo para impulsar la adopción, consolidándose como la infraestructura de liquidación preferida para las finanzas tokenizadas, con el objetivo de que una mayor demanda de red compense las tarifas más bajas a largo plazo.

marsbitHace 5 min(s)

Informe de Ethereum del primer trimestre de 2026: caen las tarifas, usuarios y volumen de transacciones alcanzan máximos históricos

marsbitHace 5 min(s)

Entrevista inaugural en podcast del CEO de Intel, Tan Lip Bu: Nuestro objetivo es '10 veces en 5-10 años', apostamos por empaquetado avanzado, sustratos de vidrio y diamantes artificiales

El CEO de Intel, Chen Lifu, expresó en una entrevista en un podcast su objetivo de multiplicar por diez el valor de la empresa en un plazo de 5 a 10 años. Para lograrlo, está centrando la estrategia en la superación de los límites físicos de la miniaturización de los semiconductores, invirtiendo en tres áreas clave: tecnologías avanzadas de empaquetado como EMIB, nuevos materiales como el nitruro de galio (GaN), carburo de silicio (SiC), fosfuro de indio (InP) y diamante sintético, y sustratos innovadores como el de vidrio. Destacó que la explosión de la IA, especialmente los agentes autónomos y la inferencia, está impulsando una fuerte demanda de CPUs, cambiando la proporción CPU/GPU en servidores. Chen Lifu también defendió la apuesta de Intel por el negocio de fundición (foundry), subrayando que es crucial para la seguridad de la cadena de suministro en EE.UU. y que se basa en generar confianza a través de altos rendimientos y fiabilidad. Reveló detalles de la colaboración Terafab con Elon Musk para construir fábricas de chips y abordar la escasez de capacidad. Reconoció que Intel aún está en una fase de transformación ("gatear"), reconstruyendo equipos y capacidades fundamentales, pero proyecta que su verdadero potencial en mercados como la informática de borde, la IA física y la de agentes comenzará a materializarse hacia 2030-2032. Con una mentalidad de capitalista de riesgo, su meta clara es entregar un retorno de 10x a los accionistas en la próxima década.

marsbitHace 7 min(s)

Entrevista inaugural en podcast del CEO de Intel, Tan Lip Bu: Nuestro objetivo es '10 veces en 5-10 años', apostamos por empaquetado avanzado, sustratos de vidrio y diamantes artificiales

marsbitHace 7 min(s)

Acaba de recaudar 2.700 millones, y Li Feifei también invirtió

En la actualidad, el mercado de inversión está obsesionado con los "Modelos del Mundo". Sin embargo, Pete Florence, ex científico de DeepMind y co-creador de la arquitectura Vision-Language-Action (VLA), fundó Generalist AI y rechaza esta etiqueta. Para él, el objetivo concreto es más importante: crear robots que realicen cualquier tarea con alta tasa de éxito sin datos específicos. Recientemente, Generalist AI recaudó 400 millones de dólares (unos 2.700 millones de RMB) en una ronda de financiación, alcanzando una valoración de 2.000 millones de dólares. Inversores incluyen NVentures de Nvidia, Bezos Expeditions, NFDG, y figuras como el cofundador de Xiaomi Lin Bin, el fundador de Zoom Eric Yuan, y la renombrada científica Fei-Fei Li. Florence, influenciado por su mentor en el MIT Russ Tedrake, prioriza comprender el mundo físico. Su enfoque comienza estableciendo una meta clara, luego diseña la ruta técnica. Tras dejar Google, lanzó Generalist AI en 2025. La compañía presentó su primer modelo de IA incorporada, GEN-0, en noviembre de 2025, demostrando que las leyes de escalado de los LLMs también se aplican al movimiento físico. En abril de 2026, presentaron GEN-1, entrenado con más de 50.000 horas de datos de interacción física recogidos por un dispositivo portátil. GEN-1 logra un 99% de éxito en tareas como plegar cajas y empaquetar teléfonos, siendo tres veces más rápido que GEN-0. Este avance acerca el modelo a un punto de inflexión similar al GPT-3, mostrando un rendimiento apto para despliegues comerciales en ciertas tareas. La inversión récord respalda la visión de Florence: robots universales que sean lo suficientemente expertos en tareas reales como para ser útiles, avanzando hacia la reducción del coste marginal del trabajo físico a cero. La etiqueta "Modelo del Mundo" queda así en segundo plano frente a los resultados tangibles.

marsbitHace 14 min(s)

Acaba de recaudar 2.700 millones, y Li Feifei también invirtió

marsbitHace 14 min(s)

Perdiendo a dos leyendas en tres días: ¿Se está resquebrajando el dique de talento de IA de Google?

En solo tres días, Google ha perdido a dos leyendas de la IA. El 18 de junio, Noam Shazeer, coautor del seminal trabajo "Attention is All You Need" y copresponsable de Gemini, anunció su salida para unirse a OpenAI. Dos días después, John Jumper, ganador del Nobel de Química 2024 y líder de AlphaFold, dejó Google DeepMind para incorporarse a Anthropic. Estas partidas no son incidentes aislados, sino parte de una tendencia clara de fuga de talento de Google hacia OpenAI y Anthropic, como lo confirma también la reciente incorporación a Anthropic del exmiembro fundador de OpenAI, Andrej Karpathy. El trasfondo de este éxodo es fundamentalmente una cuestión de misión y enfoque. El modelo de negocio central de Google, basado en la publicidad, impone una lógica orientada a productos y métricas comerciales que, en última instancia, restringe la investigación pura. En contraste, tanto OpenAI (con su misión de AGI) como Anthropic (centrada en la seguridad y la ciencia) ofrecen un entorno de trabajo enfocado únicamente en empujar los límites de las capacidades de los modelos. A esto se suma la fuerte atracción financiera: OpenAI y Anthropic están en camino a una OPI, lo que promete una recompensa económica masiva a través de capital para sus empleados, algo que la ya gigantesca Google difícilmente puede igualar. La fusión de Google Brain y DeepMind en 2023, destinada a consolidar esfuerzos, ha generado en cambio tensiones culturales y ha hecho más evidente la presión por alinear la investigación con los objetivos de los equipos de productos. El resultado es una reorganización estructural del mapa del talento en IA. Google, a pesar de sus vastos recursos en computación y datos, está perdiendo a las personas que definen el futuro del campo. La verdadera ventaja competitiva en IA reside en retener a las mentes más brillantes, y Google está descubriendo que esa es quizás su batalla más difícil.

marsbitHace 2 hora(s)

Perdiendo a dos leyendas en tres días: ¿Se está resquebrajando el dique de talento de IA de Google?

marsbitHace 2 hora(s)

Tras las notas de la IA, se esconde un "creador de exámenes" chino

Cada vez que se lanza un modelo de IA de vanguardia, la comunidad fija su atención en ciertas "hojas de resultados" familiares: MMLU-Pro, MMMU, MMMU-Pro. Estos puntos de referencia se han convertido en exámenes estándar para evaluar y comparar modelos como GPT, Claude, Gemini, Llama, Qwen y DeepSeek. Detrás de estas influyentes evaluaciones está el investigador chino Wenhu Chen, profesor asistente en la Universidad de Waterloo y fundador del TIGERLab (apodado "虎头帮"). Su trabajo surge de una necesidad crítica: a medida que los modelos avanzaban, las pruebas antiguas como MMLU se saturaban con puntuaciones casi perfectas, dejando de ser útiles para discernir diferencias reales. En 2024, Chen y su equipo presentaron MMLU-Pro, una renovación exhaustiva del original. Con 12,032 preguntas de 14 disciplinas, aumenta las opciones de respuesta de 4 a 10 para reducir las conjeturas e incorpora problemas más complejos que requieren razonamiento. El resultado fue una caída del 16% al 33% en la precisión de los modelos y una evaluación más estable y discriminatoria, rápidamente adoptada por la industria. Su contribución se extiende al ámbito multimodal con MMMU, un conjunto de 11,500 preguntas que combinan imágenes (gráficos, mapas, fórmulas) con conocimientos académicos para probar una comprensión integrada. Incluso los mejores modelos como GPT-4V inicialmente solo alcanzaron un 56% de precisión, revelando un largo camino por recorrer. Su sucesor, MMMU-Pro, cierra aún más las brechas, obligando a los modelos a utilizar la información visual y no solo el texto. La experiencia de Chen, que incluye investigación doctoral en preguntas complejas y una etapa en Google DeepMind trabajando en Gemini, le permite anticipar cómo los modelos pueden "aparentar" competencia. Su laboratorio no solo diseña evaluaciones, sino que también desarrolla modelos (como UniVideo para video o MoCha para avatares), asegurando que sus "exámenes" reflejen desafíos reales y los límites actuales de la tecnología. Actualmente, Chen continúa este trabajo en el laboratorio de superinteligencia de Meta, enfocado en datos y evaluación multimodal. Su historia destaca el papel fundamental, aunque a menudo menos visible, de los investigadores que construyen las herramientas para medir el verdadero progreso de la IA.

marsbitHace 2 hora(s)

Tras las notas de la IA, se esconde un "creador de exámenes" chino

marsbitHace 2 hora(s)

Trading

Spot
Futuros
活动图片