Bitunix расширяет режим мульти-активов: добавляет USDe и FDUSD в качестве маржинальных опций для фьючерсов

cryptonews.ru_editorialDipublikasikan tanggal 2025-03-06Terakhir diperbarui pada 2025-03-27

Bitunix расширяет режим мульти-активов: добавляет USDe и FDUSD в качестве маржинальных опций для фьючерсов

06 Март 2025 12:22, UTC

Сингапур, 5 марта 2025 г. — Одна из самых быстрорастущих криптовалютных бирж объявила о поддержке Ethena USDe (USDe) и First Digital USD (FDUSD) в качестве маржинальных активов в своем режиме мульти-активов. Это улучшение позволит пользователям торговать более гибко и удобно.

Теперь трейдеры на Bitunix могут использовать USDe и FDUSD напрямую в качестве маржи для фьючерсных контрактов USDT-M. Вместо того чтобы конвертировать эти стейблкоины в USDT, пользователи могут просто перевести USDe или FDUSD со своего спотового счета на фьючерсный счет и начать торговать сразу же. Это экономит время и снижает количество лишних транзакций.

Что такое маржинальные активы и почему это важно?

Маржинальные активы — это средства, которые трейдеры используют в качестве залога при открытии фьючерсных сделок. Поддержка большего количества маржинальных активов дает трейдерам больше возможностей для управления капиталом. Теперь пользователи могут держать не только USDT, но и USDe или FDUSD, что делает торговлю еще более удобной.

Новые активы, добавленные в качестве маржи, уже зарекомендовали себя в криптоиндустрии:

  • USDe (Ethena USDe) — децентрализованный стейблкоин от Ethena Labs, поддерживающий стабильную стоимость с использованием деривативов и спотовых активов.

  • FDUSD (First Digital USD) — стейблкоин от First Digital Group, обеспеченный прозрачными резервами и соответствующий нормативным требованиям, что делает его стабильным и выгодным по транзакционным издержкам.

Bitunix предлагает один из самых широких выборов маржинальных активов среди криптобирж

По данным UPay, в 2024 году объем торгов на мировом рынке криптовалютных фьючерсов достиг 2 триллионов долларов в месяц. Учитывая этот рост, Bitunix уже предлагает один из самых больших выборов маржинальных активов в индустрии и планирует продолжать расширять этот список. Это часть стратегии биржи по созданию максимально комфортных условий для трейдеров любого уровня.

В своем заявлении Bitunix подтвердила, что будет и дальше улучшать режим мульти-активов, добавляя новые токены. Эти обновления сделают фьючерсную торговлю еще более привлекательной, удобной и доступной для криптосообщества.

«Мы поддерживаем наибольшее количество маржинальных активов среди всех бирж, и это только начало. Мы стараемся сделать нашу платформу максимально удобной для пользователей во всех аспектах. Наша цель — обеспечить простую и эффективную торговлю для всех», — отметил Аллен, CEO Bitunix.

О Bitunix

Bitunix — глобальная биржа криптовалютных деривативов, основанная в 2021 году. Платформа предлагает простые, безопасные, прозрачные и экономичные торговые решения, включая спотовую торговлю и бессрочные фьючерсы. В настоящее время на платформе доступно более 700 торговых пар с кредитным плечом до 125x.

Благодаря глубокой ликвидности, круглосуточной поддержке и соблюдению нормативных требований, Bitunix остается одной из ведущих платформ в криптоиндустрии. Биржа привлекла более 2 000 000 пользователей из 100+ стран, а ее суточный объем торгов превышает $5 миллиардов.

Официальный сайт | Telegram | X | LinkedIn

Bacaan Terkait

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

Meskipun harga Ethereum (ETH) turun 20-45% sejak awal tahun, minat institusional terhadap aset kriptu terkemuka ini tetap kuat. SharpLink, setelah jeda delapan bulan, kembali membeli 5.000 ETH senilai sekitar $7,88 juta, diikuti penambahan 26.324 LSETH senilai $45,54 juta. Total kepemilikannya kini mencapai 876.285 ETH, menunjukkan keyakinan pada utilitas jangka panjang dan pendapatan staking Ethereum, meski menghadapi kerugian belum terealisasi hampir $1,71 miliar. Tren akumulasi ini juga tercermin pada aktivitas "paus" (whale), dengan satu dompet baru mengakumulasi 18.361 ETH senilai $28,9 juta dalam sembilan hari terakhir, menandakan persiapan untuk pergerakan harga di masa depan. Namun, kepercayaan yang kembali bangun ini belum sepenuhnya tercermin dalam permintaan institusional yang lebih luas. ETF Spot Ethereum justru mencatat arus keluar bersih, dengan penarikan $12,85 juta pada 26 Juni. Meski demikian, total aset yang dipegang penerbit ETF masih signifikan, senilai lebih dari $8,38 miliar, yang mengindikasikan penyesuaian posisi berkelanjutan daripada pelepasan total. Pada intinya, akumulasi oleh treasury perusahaan dan paus mendukung prospek jangka panjang Ethereum, tetapi pemulihan berkelanjutan masih bergantung pada membaiknya sentimen pasar dan arus masuk ETF yang lebih kuat untuk mengimbangi tekanan penjualan institusional yang masih ada.

ambcrypto4j yang lalu

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

ambcrypto4j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

Baru-baru ini, DeepSeek V4 diperbarui dengan framework *Speculative Decoding* baru bernama **DSpark**, yang diklaim meningkatkan kecepatan inferensi hingga 80%. Pembaruan ini, yang juga disertai open-sourcing framework **DeepSpec**, berfokus pada optimasi teknikal dan peningkatan performa, bukan perubahan arsitektur model inti. DSpark mengimplementasikan **Semi-Autoregressive Generation** untuk menjaga throughput tinggi dan meningkatkan akurasi token yang dihasilkan oleh model draf (*draft model*). Inovasi utamanya adalah **Confidence-Scheduled Verification**, yaitu sistem penjadwalan yang cerdas dan adaptif. Sistem ini menggunakan *Confidence Head* untuk memperkirakan probabilitas penerimaan setiap token kandidat dan secara dinamis menyesuaikan panjang verifikasi berdasarkan beban kerja sistem (*hardware-aware*), sehingga mengalokasikan daya komputasi hanya ke token yang paling potensial. Dalam pengujian di berbagai domain (penalaran matematika, generasi kode, percakapan), DSpark menunjukkan peningkatan signifikan dibandingkan model *state-of-the-art* seperti Eagle3 dan DFlash. Pada kondisi *throughput* yang setara, DSpark meningkatkan kecepatan respons pengguna sebesar 57%-85% untuk model DeepSeek-V4 Flash dan Pro. DeepSpec, yang dirilis bersamaan, adalah *codebase* lengkap untuk melatih dan mengevaluasi model draf *speculative decoding*. Framework ini menyediakan pipeline standar (persiapan data, pelatihan, evaluasi) dan mendukung beberapa algoritma (DSpark, DFlash, Eagle3) serta model target (Qwen3, Gemma), memudahkan peneliti dan insinyur untuk mengembangkan dan menerapkan teknik percepatan inferensi pada model bahasa besar mereka sendiri.

marsbit6j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

marsbit6j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

Sejak bergabung dengan Anthropic, aktivitas Andrej Karpathy di komunitas terbuka berkurang drastis. Baru-baru ini, sebuah dokumen bernama CLAUDE.md yang diklaim sebagai panduan penggunaan Claude milik Karpathy beredar di komunitas. Isinya berisi sejumlah prinsip ketat untuk memandu AI dalam menulis kode, yang bertujuan mengurangi kesalahan umum model bahasa besar (LLM). Prinsip-prinsip utama mencakup: 1) **Baca dahulu sebelum menulis** – pahami struktur dan gaya kode proyek yang ada. 2) **Berpikir sebelum menulis kode** – klarifikasi asumsi, pertimbangkan trade-off, dan uraikan rencana. 3) **Tetap sederhana** – hindari desain berlebihan, abstraksi prematur, dan fleksibilitas yang tidak diperlukan. 4) **Modifikasi terarah** – lakukan perubahan minimal yang sesuai dengan gaya kode asli, jangan melakukan reformatting atau pembersihan yang tidak relevan. 5) **Verifikasi dan uji** – pastikan kode berfungsi seperti yang diharapkan dengan pengujian yang tepat. 6) **Debug secara sistematis** – jangan menebak, selidiki akar masalahnya. 7) **Hati-hati dengan dependensi** – hindari menambah dependensi yang tidak perlu. 8) **Komunikasi yang jelas** – jelaskan apa yang dilakukan dan alasannya. Dokumen ini juga menyoroti pola kegagalan umum seperti abstraksi yang salah, "optimistic path", dan "halusinasi pengetahuan". Meskipun keaslian dokumen ini diragukan, isinya sangat selaras dengan pemikiran Karpathy yang telah banyak mengkritik kelemahan LLM dalam pemrograman. Prinsip-prinsip ini, yang juga telah dijadikan template populer di GitHub, dianggap dapat meningkatkan efektivitas dan mengurangi kesalahan saat menggunakan asisten AI seperti Claude untuk pengembangan perangkat lunak.

marsbit7j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

marsbit7j yang lalu

Trading

Spot
活动图片