两千亿稳定币:压低短端利率的新结构性力量

链捕手Publié le 2025-06-09Dernière mise à jour le 2025-06-09

作者:北户

去年十月第一次写稳定币的时候,稳定币总市值只有 1700 亿美元。随后的几个月,链上市场火热,美国政府不断推动,稳定币总市值已经狂飙到 2300 亿,半年多的时间增长了 35%。夸张点说,稳定币已经成为了宏观研究不能忽视的范式转变。

图片

目前主流的稳定币发行模式是“抵押 1 美元,发行 1 美元稳定币”。发行方会把抵押的美元用于购买美债和货币市场基金,把利息作为公司的收入。

仅看最大的两个,$USDT 市值为 1500亿,持有了近 1000 亿美元 3 个月内到期的美债、外加 200 亿美元的逆回购和货币市场基金;$USDC 市值为 586 亿,持有了 240 亿 3 个月内到期的美债、外加 304 亿的逆回购。这两家加起来,持有美债的总量已经接近韩国。

图片

这也和 BIS 最新论文的结论一致,研究发现:

(1)每当稳定币出现约 35 亿美元(2倍标准差)的资金净流入时,会在 10 天内令 3 个月国债收益率下行 2 至 2.5 个基点;

(2)而当发生同等规模的资金流出时,收益率上行幅度可达 6 至 8 个基点,显示出明显的非对称效应;

(3)这种影响主要集中在短端收益率曲线上,几乎不波及长期国债(因为他们买的都是短期);

(4)$USDT 对利率影响的贡献最大,占总影响的七成(因为量大)。

从边际购买量看,从 2024 年 Q1 到 2025 年 Q1,$USDT 和 $USDC 两家一共增持了 353 亿美债,这个量跟英国(+429 亿)和加拿大(+568 亿)的增持、日本(-362 亿)的减持是一个数量级的。

更进一层,NBER 最近的研究深入揭示了美债市场的结构,将美债市场的玩家分为两大类:

一类是具有期限偏好和制度约束的“细颗粒度需求投资者”(granular-demand investors),包括商业银行、保险公司、养老金、共同基金、货币市场基金、外国央行与私人投资者等,他们的配置行为通常受久期匹配、流动性监管要求或收益目标驱动,需求对价格变化不敏感,具备跨期限替代性;

另一类是“套利者”(arbitrageurs),主要由对冲基金、券商做市商与主承销商构成,具备较强风险承受能力,负责吸收市场失衡并在期限结构中承担风险定价角色,尤其在短期国债市场中活跃。

研究的一大结论是短期美债市场中,套利者介入程度高、风险低,市场更具弹性(利率对供需更不敏感);长期债券市场中,风险更高,套利参与度下降,价格对供需更敏感。为了快速兑现大额赎回,稳定币发行商只能持有高度流动、安全的资产(比如 3 个月以内到期的美债),属于美债市场的第一类玩家。随着规模的扩张,稳定币正在形成压低短端利率的新结构性力量。

稳定币如何影响美国的货币量?1 美元从银行账户 on ramp 成链上稳定币,会降低经典口径的 M1 和 M2 统计;但其作为影子货币存在,并未减少经济中的实际购买力。如果稳定币被用于日常支付,而不是仅仅交易和生息,其流通速度 V 会显著高于传统货币。

但如果,1 阿根廷比索被直接转换成美元稳定币,这个影响就太大了。

Lectures associées

Les grands modèles américains tendent vers le confinement, au nom de la sécurité

Le 27 juin, Anthropic a annoncé que le gouvernement américain avait autorisé le redéploiement de son modèle de cybersécurité Mythos 5 à plus de 100 organismes américains, mais la version publique Fable 5 reste suspendue sans calendrier de retour. Le même jour, OpenAI a lancé GPT-5.6, dont l'accès via API est restreint aux partenaires approuvés par le gouvernement. Ces décisions font suite à un ordre exécutif sur l'IA signé début juin et à une injonction du Département du commerce du 12 juin ordonnant la suspension de Fable 5, marquant un cycle complet d'"arrêt-négociation-autorisation conditionnelle" pour le contrôle des modèles d'IA de pointe par les autorités américaines en moins d'un mois. Les entreprises concernées contestent la base technique de ces mesures. OpenAI indique que son modèle Sol n'a pas franchi son propre cadre de sécurité, tandis qu'Anthropic a réfuté point par point les raisons avancées par le gouvernement. Dean W. Ball, ancien conseiller de la Maison Blanche, critique un processus de régulation manquant de transparence, de normes claires et d'expertise technique, créant une incertitude dommageable pour l'industrie. L'article établit un parallèle avec la "Guerre du Chiffrement" des années 1990, où le contrôle américain sur les technologies de cryptage a finalement échoué, nuisant à la compétitivité des entreprises nationales. Aujourd'hui, le risque est que ces restrictions étouffent l'innovation et la diffusion économique essentielle aux technologies génériques comme l'IA, d'autant plus que les modèles open-source, notamment chinois, progressent rapidement. Cet épisode pourrait marquer un tournant : l'insertion durable du gouvernement comme autorité d'approbation entre les modèles d'IA commerciaux et leurs utilisateurs. Si l'objectif affiché est la sécurité, la méthode opaque et arbitraire menace les investissements et risque de concentrer le pouvoir de l'IA de pointe entre les mains d'une minorité déjà puissante.

链捕手Il y a 45 mins

Les grands modèles américains tendent vers le confinement, au nom de la sécurité

链捕手Il y a 45 mins

Il y a quelques instants, DeepSeek V4 a mis à jour DSpark, augmentant la vitesse d'inférence de 80 %

DeepSeek a annoncé une mise à jour majeure de son modèle DeepSeek-V4-Pro avec le lancement de DSpark, un nouveau cadre de décodage spéculatif (Speculative Decoding) open source, accompagné de l'infrastructure complète DeepSpec. Cette mise à jour, axée sur l'ingénierie et non sur les capacités fondamentales du modèle, vise à accélérer considérablement l'inférence des LLM en production. Le cœur de DSpark est l'introduction d'une **génération semi-autorégressive**. Cela combine la génération parallèle à haut débit d'un modèle "brouillon" léger avec une modélisation des dépendances entre tokens pour améliorer le taux d'acceptation. De plus, un système de **vérification planifiée par confiance et conscient du matériel** (Confidence-Scheduled Verification) évalue dynamiquement la probabilité que chaque token généré soit accepté par le modèle cible. Il adapte ainsi la longueur de vérification en temps réel pour optimiser l'utilisation des ressources GPU, notamment en charge élevée. Les résultats sont significatifs : face aux méthodes de pointe comme Eagle3 et DFlash, DSpark augmente la longueur moyenne de tokens acceptés de 26.7% à 30.9% et de 16.3% à 18.4% respectivement sur les modèles Qwen3. En déploiement réel, par rapport à la génération token par token précédente (MTP-1), **DSpark améliore la vitesse de génération pour l'utilisateur de 60% à 85% pour le modèle Flash et de 57% à 78% pour le modèle Pro**, à débit total constant. Le projet open source **DeepSpec** fournit une stack complète pour entraîner et évaluer des modèles brouillons pour le décodage spéculatif, supportant actuellement les algorithmes DSpark, DFlash et Eagle3, ainsi que les familles de modèles cibles Qwen3 et Gemma.

marsbitIl y a 7 h

Il y a quelques instants, DeepSeek V4 a mis à jour DSpark, augmentant la vitesse d'inférence de 80 %

marsbitIl y a 7 h

Trading

Spot
活动图片