Cboe Eksplorasi Opsi "All-or-None" Seiring Perdagangan Berbasis Acara Kian Populer

ccn.comDipublikasikan tanggal 2026-02-03Terakhir diperbarui pada 2026-02-03

Abstrak

Cboe Global Markets sedang mengeksplorasi opsi "all-or-none" yang memberikan pembayaran tetap jika kondisi tertentu terpenuhi, mirip dengan kontrak pasar prediksi. Produk ini ditujukan untuk menarik minat trader ritel yang menginginkan perdagangan sederhana berbasis peristiwa. Struktur binary ini membayar return tetap jika kondisi terpenuhi, dan tidak membayar apa pun jika gagal. Cboe sebelumnya telah meluncurkan opsi binary pada 2008 tetapi gagal menarik minat berkelanjutan. Inisiatif ini muncul ketika regulator AS, CFTC, berencana membuat regulasi baru untuk kontrak peristiwa. Cboe masih dalam tahap awal dan belum mengungkap detail spesifik atau waktu peluncuran. Lanskap kompetitif juga berkembang, dengan platform seperti Kalshi dan perusahaan tradisional seperti CME Group memasuki ruang perdagangan berbasis peristiwa. Langkah selanjutnya termasuk mengamati apakah Cboe mengajukan produk secara formal, respons broker, dan kerangka regulasi yang lebih jelas dari CFTC.

Cboe Global Markets sedang mengeksplorasi produk opsi yang diatur yang memberikan pembayaran "all-or-none", menurut sumber yang familiar dengan masalah ini, karena bursa tersebut berusaha menangkap minat ritel yang tumbuh untuk perdagangan gaya acara yang lebih sederhana yang menyerupai pasar prediksi.

Struktur yang diusulkan membayar pengembalian tetap jika kondisi tertentu terpenuhi dan tidak membayar apa pun jika tidak. Pembayaran bergaya biner ini mencerminkan mekanik yang digunakan oleh banyak kontrak acara di platform pasar prediksi.

Coba Pertukaran Crypto yang Kami Rekomendasikan
Disponsori
Keterangan
Kami terkadang menggunakan tautan afiliasi dalam konten kami, saat mengklik tautan tersebut kami mungkin menerima komisi tanpa biaya tambahan untuk Anda. Dengan menggunakan situs web ini, Anda menyetujui syarat dan ketentuan serta kebijakan privasi kami.
Pilihan Teratas untuk Bitcoin
  • Pertukaran Terbaik untuk Bitcoin Dapatkan Penawaran Hebat Saat Anda Bergabung dengan Pertukaran Ini
  • Beli Bitcoin dengan Cepat & Mudah Cara Membeli Bitcoin Dengan Kartu Kredit Sekarang
  • Kasino Online Terbaik untuk Bitcoin Lihat Pilihan Kami untuk Situs Perjudian Crypto Terbaik

Pertanyaan Terkait

QApa yang sedang dieksplorasi oleh Cboe Global Markets untuk menarik minat pedagang ritel?

ACboe sedang mengeksplorasi produk opsi yang diatur dengan pembayaran 'all-or-none' (semua-atau-tidak-sama-sekali) yang memberikan hasil tetap jika kondisi tertentu terpenuhi dan tidak membayar apa pun jika tidak terpenuhi.

QMengapa produk opsi 'all-or-none' ini dianggap lebih menarik bagi pedagang ritel?

AKarena produk ini lebih sederhana dan mudah dipahami dibandingkan opsi tradisional. Pedagang ritel sering kesulitan dengan konsep seperti volatilitas tersirat dan time decay, sementara pembayaran tetap yang terikat pada satu kondisi lebih mudah dipahami dan diukur.

QApa yang membedakan inisiatif baru Cboe ini dengan produk biner yang mereka tawarkan di masa lalu?

ACboe sebelumnya telah memperkenalkan opsi biner yang terkait dengan S&P 500 dan Cboe Volatility Index pada tahun 2008. Namun, produk lama itu akhirnya dihapus karena gagal menarik minat berkelanjutan dan didominasi oleh pedagang profesional, bukan audiens ritel yang menjadi target Cboe sekarang.

QBagaimana perkembangan regulasi di AS mempengaruhi peluncuran produk semacam ini?

AKetua CFTC, Michael Selig, menyatakan bahwa CFTC berencana untuk menyusun regulasi baru untuk 'kontrak acara' dan akan menarik proposal sebelumnya yang membatasi kontrak terkait politik dan olahraga. Kerangka regulasi yang lebih jelas dari CFTC dapat membentuk sejauh mana 'perdagangan acara' dapat masuk ke saluran ritel utama.

QSiapa saja pesaing yang juga bergerak di ruang 'event trading' ini?

APesaing lain termasuk platform pasar prediksi seperti Kalshi, serta perusahaan keuangan tradisional besar seperti CME Group dan FanDuel yang juga telah mengambil langkah ke ruang 'perdagangan acara' yang lebih luas seiring dengan meningkatnya permintaan.

Bacaan Terkait

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

Model generatif seperti model difusi atau autoregresif yang dominan saat ini biasanya tidak melatih seluruh proses generasi secara end-to-end. Mereka dilatih hanya untuk memprediksi satu "langkah kecil" dalam proses, namun saat inferensi, langkah ini harus diulang ratusan atau ribuan kali. Ketidaksesuaian ini menyebabkan masalah "exposure bias," di mana kesalahan menumpuk seiring waktu. Makalah terbaru dari UIUC dan Harvard memperkenalkan paradigma baru bernama **Explorative Modeling (XM)**. Inti dari metode ini sangat sederhana: alih-alih menghasilkan satu sampel, model menghasilkan **K kandidat** dalam setiap langkah pelatihan. Kemudian, hanya kandidat yang paling dekat dengan data target yang dipilih untuk menghitung gradien dan memperbarui model. Mengapa ini berhasil? Dalam tugas generatif, satu input bisa memiliki banyak output yang valid (mode). Fungsi kerugian rekonstruksi tradisional cenderung menyebabkan "mode blurring," di mana model hanya mempelajari rata-rata dari semua mode, menghasilkan output yang tidak realistis. Dengan menghasilkan beberapa kandidat, model dapat "mengeksplorasi" dan menangkap beberapa mode yang berbeda sekaligus, sehingga menghindari rata-rata yang kabur. Penelitian ini menunjukkan bahwa **"eksplorasi" (K) bertindak sebagai sumbu penskalaan ketiga** yang efektif, selain parameter dan data. Eksperimen pada gambar, video, dan bahasa menunjukkan peningkatan kinerja yang monoton dengan peningkatan K, dengan keuntungan yang lebih besar pada skala yang lebih besar. XM dapat meningkatkan efisiensi FLOP hingga 4.1x dan efisiensi sampel hingga 6.2x. Yang lebih menarik, ketika diterapkan secara ekstrem, XM memungkinkan **pelatihan generatif yang benar-benar end-to-end**. Dalam tugas kontrol robot, "Explorative Policy" berbasis XM mencapai kinerja yang setara dengan "Diffusion Policy" yang membutuhkan 100 langkah inferensi, sementara hanya membutuhkan satu langkah inferensi maju. Ini membuktikan bahwa kompleksitas untuk menangani banyak mode dapat dipindahkan dari inferensi ke pelatihan. Meskipun ide "best-of-K" bukan hal baru, kontribusi utama makalah ini adalah penjelasan teoritis bahwa mekanisme ini secara langsung meningkatkan **ekspresivitas generatif** model. Dengan demikian, ini menawarkan cara baru yang ampuh untuk mengatasi tantangan mendasar dalam pemodelan generatif.

marsbit46m yang lalu

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

marsbit46m yang lalu

OpenAI Tidak Lagi Mengandalkan Model Termahal untuk Menghasilkan Uang

OpenAI tidak lagi mengandalkan model termahal untuk menghasilkan uang. Pada 30 Juli, perusahaan mengumumkan penyesuaian harga, menurunkan harga model GPT-5.6 Luna sebesar 80% dan Terra sebesar 20%. Yang lebih penting dari angka penurunan harga adalah pesan intinya: untuk banyak tugas, model terkuat (seperti Sol) tidak selalu diperlukan. OpenAI secara eksplisit merekomendasikan strategi di mana model mahal (Sol) menangani perencanaan dan analisis kompleks, sementara model yang lebih terjangkau (Luna) mengeksekusi tugas, menulis kode, dan menjalankan pengujian. Pergeseran ini mencerminkan perubahan industri AI dari hanya mengejar kecerdasan tertinggi menuju optimisasi biaya dan efisiensi untuk penggunaan skala besar. Anthropic juga mengikuti pola serupa dengan meluncurkan Claude Opus 5 dengan harga setengah dari model andalannya, Fable 5. Kedua raksasa Silicon Valley ini menunjukkan bahwa model flagship kini berfungsi lebih untuk nilai merek dan pembuktian teknologi, sementara model "kendaraan massal" yang lebih murah (seperti Luna, Terra, Opus) yang akan mendorong adopsi komersial luas dan menghasilkan pendapatan utama. OpenAI mengungkapkan bahwa penurunan biaya ini sebagian didorong oleh model AI (Sol) yang mengoptimalkan kode produksi dan alur kerjanya sendiri, menciptakan siklus peningkatan efisiensi yang dapat mempercepat penurunan biaya di masa depan. Intinya, kompetisi AI bergeser dari "siapa yang paling pintar" menjadi "mana yang paling bernilai". Perusahaan tidak lagi membeli satu model tunggal, tetapi merancang sistem dengan beberapa model yang cocok untuk tugas yang berbeda—mirip dengan arsitektur komputasi awan. Tujuan akhir OpenAI adalah membangun ekosistem yang mengunci alur kerja pengembang melalui volume panggilan API yang sangat besar dan biaya yang sangat rendah, sehingga menciptakan daya tarik yang kuat. Ketika AI menjadi murah dan tersebar luas seperti listrik, tertanam dalam setiap proses tanpa diperdebatkan, era sesungguhnya baru dimulai.

marsbit2j yang lalu

OpenAI Tidak Lagi Mengandalkan Model Termahal untuk Menghasilkan Uang

marsbit2j yang lalu

Trading

Spot
活动图片