Bitwise向SEC提交申请,将在美国市场推出首只Uniswap ETF

TheNewsCrypto发布于2026-02-06更新于2026-02-06

文章摘要

Bitwise资产管理公司已向美国证券交易委员会(SEC)提交申请,计划推出首只专注于Uniswap去中心化协议代币UNI的交易所交易基金(ETF)。该ETF将以UNI为主要标的资产,为投资者提供受监管的传统投资渠道,但不涉及代币质押。若获批,这将是美国市场首只DeFi协议代币ETF。Coinbase托管信托公司将担任托管方。此举被视为机构对合规加密投资产品需求增长的表现,也延续了自2021年监管政策调整后美国加密ETF的申请趋势。此前SEC对Uniswap Labs调查的结束为此类产品创造了更有利的监管环境。

Bitwise资产管理公司已向美国证券交易委员会提交注册声明,拟推出专注于Uniswap的交易所交易基金。该产品将通过传统投资工具为投资者提供受监管的UNI治理代币投资渠道。若获批准,这将成为美国首只专注于DeFi协议代币的ETF。

Bitwise Uniswap ETF将以UNI代币作为跟踪投资者风险敞口的主要资产。「该信托基金的投资目标是提供UNI价值敞口,扣除信托基金运营费用」。若获批,Coinbase Custody Trust Company将担任该ETF托管人。同时Bitwise确认,基金成立初期不会开展与UNI代币相关的质押服务。

周四SEC正式受理该申请,使该产品向大众金融市场迈进一步。正如所述,通过传统应用渠道投资DeFi代币一直是该公司的重点战略,这亦是机构投资需求的新兴趋势。经纪账户可能为该ETF提供便利,为UNI资产类别开辟更多渠道。此次申请将延续2021年监管政策变化后美国加密ETF的申报趋势。

监管与市场背景

此次申请正值SEC去年结束对Uniswap Labs相关案件的调查之后,这缓解了去中心化金融协议面临的监管压力。在向SEC提交申请前,特拉华州法定信托备案是必要前置程序。信托备案是正式向SEC提交申请前的技术流程。

S-1表格的实际提交标志着其Uniswap ETF产品已准备启动监管流程。分析师指出,该ETF送交SEC处理后的具体审批时间仍有待观察。该ETF能否在美股交易所交易的标准将由SEC决定。

Bitwise向SEC申请Uniswap ETF标志着将DeFi治理代币纳入受监管投资产品的新里程碑。该新基金旨在让投资者通过传统方式投资UNI且无需代币质押,目前正待监管批准。此举凸显了机构对链接去中心化金融协议的受监管加密投资工具的持续需求。

重点加密新闻:

比特币暴跌致公共养老基金大幅缩水

标签Bitwise区块链DeFiETFSECUniswapUniswap (UNI)

相关问答

QBitwise申请推出的Uniswap ETF主要跟踪什么资产?

A该ETF主要跟踪Uniswap的治理代币UNI,旨在为投资者提供对UNI价值的敞口,同时扣除信托费用。

Q如果获得批准,哪家公司将担任该ETF的托管人?

A如果获得批准,Coinbase Custody Trust Company将担任该ETF的托管人。

QBitwise Uniswap ETF在推出时是否会进行UNI代币质押?

A不会,Bitwise已确认在ETF推出时不会进行任何UNI代币的质押。

QSEC对Uniswap Labs的调查结束对该ETF的申请有何影响?

ASEC去年结束对Uniswap Labs的调查,缓解了去中心化金融协议面临的监管问题,为ETF的申请创造了更有利的监管环境。

Q这是美国首个针对什么类型的ETF申请?

A如果获得批准,这将是美国首个专注于去中心化金融(DeFi)协议代币的ETF。

你可能也喜欢

给AI喂“噪声”也能涨分,这项工作让噪声实现正迁移

这篇发表于ICML 2026的研究提出了一种名为“半监督噪声自适应(SSNA)”的新方法,其核心思想是:迁移学习中,用于辅助训练的“源数据”可以不是真实的图像或文本,而是**完全没有语义的随机噪声**。 传统迁移学习需要大量有标签的源数据,但在隐私、版权等限制下,真实数据往往难以获得。SSNA框架(NAF)打破了这一限制。研究者为每个目标类别(例如CIFAR-10的10个类)生成一组对应的高斯分布噪声样本,并为每个噪声类预先指定一个目标类别编号(但编号本身无意义)。 NAF通过三个步骤实现“正迁移”: 1. **利用少量真实标签**:使用目标域中极少的标注样本进行基础监督学习,建立噪声与真实类别间的初步联系。 2. **在噪声域构建判别结构**:训练模型将同类噪声聚集、异类噪声分离,形成清晰的类别结构。 3. **跨域对齐**:将噪声域中学习到的类别结构(分布)与目标域的对齐,从而将判别性知识迁移到真实数据上。 实验表明,在每类仅有4个标注样本的极端少样本设定下,NAF相比仅使用标注数据的基线方法(ERM)在多个数据集上取得显著提升(如CIFAR-10提升12.35%)。研究还发现,关键因素在于噪声域中是否形成了**可分离的类别结构**,而非噪声数量多少。当把所有噪声压缩为一点(无结构)时,性能会大幅下降。 这项工作的意义在于,它揭示了迁移学习中可迁移的知识可能不限于数据的“语义内容”,**表征空间的“组织结构”本身也是一种有效的知识**。这为无法获取真实源数据的场景提供了一种低成本、保护隐私的替代方案。

marsbit5分钟前

给AI喂“噪声”也能涨分,这项工作让噪声实现正迁移

marsbit5分钟前

交易

现货
活动图片