CoinMarketCap 发布 2026 年 1 月主要加密货币交易所储备排名报告

TheNewsCrypto发布于2026-02-04更新于2026-02-04

文章摘要

CoinMarketCap发布了2026年1月主流加密货币交易所储备金排名报告。币安以1556.4亿美元总储备位居榜首,OKX(312.9亿美元)和Bybit(141.7亿美元)分列二三位。库币以21.6亿美元排名末位。 报告将储备金分为五类:稳定币、其他山寨币、平台币、ETH及衍生品、BTC及衍生品。MEXC的稳定币占比最高(78.97%),库币稳定币占比55.08%位列第二。HTX稳定币占比最低(23.37%)。Bitget的BTC及衍生品占比最高(53.02%),所有交易所均大幅持有稳定币和BTC相关资产。 社区评论指出,交易所更注重流动性质量而非规模,并肯定币安的市场主导地位。同期CMC20指数下跌2.47%,加密货币总市值约2.57万亿美元,跌幅2.21%。

CoinMarketCap 刚刚发布了新数据,分享了 2026 年 1 月交易所储备的详细信息。该榜单对交易所进行了排名,同时还细分了它们的储备构成。社区已认可该榜单,并将流动性的质量与规模进行了比较。

CoinMarketCap 发布的 2026 年 1 月交易所储备排名报告

CoinMarketCap 通过一篇 X(推特)帖子,根据各交易平台 2026 年 1 月的总储备对其进行了排名。CoinMarketCap 强调了币安的主导地位,同时指出了每家公司在规模、资产策略和流动性方面的差异。

币安的总储备为 1556.4 亿美元。紧随其后的是 OKX,总储备为 312.9 亿美元。差距非常明显——因此确立了币安的主导地位。Bybit 以 141.7 亿美元的储备在榜单上排名第三。KuCoin 以 21.6 亿美元的储备排名第 8 位,位列最后。

Gate 和 HTX 分别位列榜单第 4 和第 5 位。它们的储备分别为 78.6 亿美元和 69.2 亿美元,按此顺序排列。Bitget 和 MEXC 位于 HTX 和 KuCoin 之间,按相同顺序排列,分别持有约 53.3 亿美元和 29.7 亿美元。

榜单上加密货币交易所储备的细分

CoinMarketCap 将其储备分为五类,即稳定币、其他山寨币、交易所自有代币、ETH 及衍生品、以及 BTC 及衍生品。MEXC 的稳定币储备占比最高,为 78.97%,其次是 KuCoin,其稳定币构成比例为 55.08%。HTX 的稳定币占比仅为 23.37%。

Bitget 的储备中 BTC 及衍生品占比最高(53.02%)。其他山寨币是储备中持有最少的代币。Bitget、KuCoin 和 MEXC 在山寨币领域没有任何配置。总体而言,所有 8 家交易所的储备主要由稳定币和 BTC 及衍生品主导。

社区评论

社区的一些成员指出,交易所更强调流动性的质量而非规模。另一位成员称赞了币安的主导地位,其无与伦比的流动性和市场信任度使竞争对手相形见绌。

CoinMarketCap 的更多亮点包括其 CMC20 指数,该指数下跌了 2.47%。该指数包含前 20 大加密货币,在撰写本文时显示价值为 157.08 美元。此外,加密货币领域的集体市值下跌了 2.21%,目前徘徊在 2.57 万亿美元左右。

今日重点加密货币新闻

Bitwise 收购 Chorus One 以加强加密货币质押服务

标签CoinMarketCap加密货币交易所

相关问答

QCoinMarketCap发布的2026年1月加密货币交易所储备排名中,哪家交易所排名第一?

A币安(Binance)以1556.4亿美元的储备金排名第一。

Q在储备金构成分析中,哪家交易所的稳定币储备比例最高?

AMEXC交易所以78.97%的稳定币储备比例位居榜首。

QOKX交易所在2026年1月的储备金排名中位列第几?储备金额是多少?

AOKX以312.9亿美元的总储备金排名第二。

Q根据文章内容,储备金构成中哪类资产被持有得最少?

A其他山寨币(Other Alt Coins)是储备金中持有最少的资产类别,Bitget、KuCoin和MEXC甚至没有配置这类资产。

Q社区用户对交易所储备金排名的主要关注点是什么?

A社区用户更关注流动性的质量而非规模,并认可币安凭借无与伦比的流动性和市场信任度建立的统治地位。

你可能也喜欢

生成模型也能端到端训练了?核心竟是一个for循环

长期以来,深度学习在图像分类、检测等任务上凭借端到端训练取得了巨大成功,但生成模型领域却始终是个例外。当前主流的自回归、扩散模型等训练时只学习预测“一小步”,推理时则需要反复展开数百上千步,这种训练与推理的不一致导致了“暴露偏差”等问题,使得生成模型一直未能实现真正的端到端训练。 最近,一篇来自UIUC与哈佛大学的论文提出了“探索式建模(Explorative Modeling,XM)”新范式,其核心是一个简单到近乎朴素的for循环:在每个训练步骤中,模型生成K个候选样本,然后仅选取其中最接近真实数据的一个样本来计算损失和回传梯度。这种做法巧妙地绕开了传统生成模型中因使用重构损失(如平方误差)而导致的“模态模糊”问题——即模型倾向于输出多个可能答案的平均值,而这个平均值往往不属于任何真实的数据模式。 XM通过这种方式,在不拆分生成过程的前提下,直接提升了模型的“生成表达力”,即模型捕捉数据分布中多个独立模式的能力。论文将“探索”验证为继模型参数量、数据量之后的第三根可扩展轴。实验表明,随着模型规模、数据量和计算量的增大,探索带来的性能收益越发显著,在图像、视频、语言等多种任务上均能带来效率与质量的提升。 更重要的是,当探索程度足够时,XM可以实现真正的端到端生成。在机器人控制等任务中,仅需一次网络前向传播的XM策略,其性能可媲美甚至超过需要上百次前向的扩散模型策略,实现了推理效率的飞跃。 尽管“最佳K样本选择”的思想并非全新,但该研究的贡献在于清晰地揭示了这一简单机制如何直接解决生成模型的核心瓶颈,并为实现高效、端到端的生成模型开辟了新的可能性。随着模型规模的持续扩大,探索这一新维度可能将发挥越来越关键的作用。

marsbit11分钟前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit11分钟前

年薪百万抢电工,Meta急到自己办技校

AI竞赛正面临新的瓶颈:工地。美国正面临严重的电工、建筑工等技术工人短缺,这已成为微软、Meta、OpenAI等公司快速建设超大规模AI数据中心(如OpenAI耗资160亿美元的“星际之门”项目)的“头号障碍”。 尽管AI公司愿支付高薪(如电工年薪可达24-28万美元),远超传统行业,但熟练技工仍供不应求。麦肯锡预测,美国在2023-2030年间需额外培养13万名电工和24万名建筑工,而劳工统计局预计每年仍有8万个电工岗位空缺。这种短缺导致项目延迟,每月可能造成数百万美元的收入损失。 AI数据中心建设复杂,需应对巨大功耗(一座设施耗电堪比数十万户家庭)、复杂的配电系统以及高密度散热(需液冷技术)等挑战,因此亟需大量技术娴熟的工人。 为此,科技巨头开始亲自下场培养人才。例如,Meta投入1.15亿美元建立建筑工人培训学校,提供免费培训及生活补贴,以快速输送工人上岗。OpenAI则与建筑工会合作,提前锁定熟练劳动力。同时,企业也将招聘目光投向高中生,鼓励年轻人投身技工行业。这些举措已见成效,Z世代对技工职业的兴趣显著上升。 然而,更深层的挑战在于电力。AI数据中心用电量正以惊人速度增长,已推高部分地区的电价。此外,数据中心建设是项目制的,建设期需要成千上万的工人,但建成后仅需少量常驻人员。这意味着未来可能面临熟练工人短期过剩、并流向其他行业压低薪资的风险。如何实现劳动力与电力资源的长期平衡,仍是悬而未决的问题。

marsbit1小时前

年薪百万抢电工,Meta急到自己办技校

marsbit1小时前

交易

现货
活动图片