纳斯达克与芝商所联合加密指数更名以扩大市场覆盖

TheNewsCrypto发布于2026-01-10更新于2026-01-10

文章摘要

纳斯达克与芝商所(CME)宣布将合作推出的加密货币指数重新命名为“纳斯达克-CME加密货币指数”(Nasdaq-CME Crypto Index),以进一步深化双方近三十年的合作关系。该指数旨在为投资者提供除单一加密货币策略之外更广泛的市场敞口,反映监管环境逐渐清晰及机构参与度不断提高的趋势。 新指数涵盖比特币、以太坊、XRP、Solana、Chainlink、Cardano和Avalanche等多种主流加密货币,致力于呈现整体加密市场表现,而非仅聚焦比特币,显示出投资者对多元化资产配置的需求增长。纳斯达克指数产品管理部门负责人Sean Wasserman指出,随着加密市场日趋复杂,投资者正逐渐转向基于指数的投资方式。 该指数由CF Benchmarks负责计算,并由联合治理委员会监督,设有明确的资产准入规则、流动性门槛及季度再平衡机制,强调透明度与治理结构,以满足机构投资者在风险控制和合规方面的要求。此次合作也延续了纳斯达克与芝商所自1990年代推出纳斯达克100期货以来的长期伙伴关系。

纳斯达克与芝商所集团已将其加密指数业务整合至同一框架下,将原"纳斯达克加密指数"重新命名为"纳斯达克-芝商所加密指数"。据纳斯达克表示,此举深化了两家拥有近三十年合作历史的市场基础设施提供商之间的协作关系。

随着监管透明度与机构参与度的持续提升,修订后的指数旨在为寻求超越单一资产加密策略的投资者提供基础基准。

芝商所集团股票及另类产品执行总监Giovanni透露,这不仅是名称变更。他进一步解释称,该指数融合了两大成熟市场标准,旨在提供相较于传统资产类别更优越的治理机制与多元化配置。

进一步更新

纳斯达克-芝商所加密指数追踪多数主流加密资产,新增比特币、以太坊、瑞波币、Solana、Chainlink、Cardano和Avalanche。纳斯达克强调,该指数旨在反映更广泛的加密市场全景,而非完全聚焦比特币,这一转变体现了投资者对标普等其他资产类别的配置思路。

纳斯达克指数产品管理主管Sean Wasserman表示,随着加密市场日趋复杂,投资者正逐渐转向指数化配置方案。他指出:"我们观察到基于指数的投资方式正成为超越单纯比特币投资的主流趋势"。

治理机制与透明度构成该指数结构的核心。该基准采用CF Benchmarks的估值体系,由联合治理委员会监督运作,通过公开发布的方法论明确资格规则、流动性门槛及季度再平衡机制。

官方声明称,该基础架构旨在符合机构风险管控与合规预期。此次发布也延续了纳斯达克与芝商所自1990年代纳斯达克100期货开始合作的传统,现已发展成为全球流动性最强的股票指数衍生品生态系统之一。

今日加密要闻:

NFT销售额逆势增长27%,尽管市场活跃度骤降

标签芝商所加密资产纳斯达克

相关问答

Q纳斯达克和CME集团将联合加密货币指数重新命名为什么?

A纳斯达克和CME集团将联合加密货币指数重新命名为纳斯达克-CME加密货币指数(Nasdaq-CME Crypto Index)。

Q新的纳斯达克-CME加密货币指数追踪哪些主要加密货币?

A该指数追踪比特币(BTC)、以太坊(Ether)、瑞波币(XRP)、Solana、Chainlink、Cardano和Avalanche等主流虚拟资产。

Q这次指数更名和调整的主要目的是什么?

A目的是为寻求超越单一资产加密策略的投资者提供基准指标,通过治理透明化和多样化设计,满足监管明确化背景下机构投资者日益增长的需求。

Q指数治理结构的核心特点是什么?

A指数采用联合治理委员会监督机制,包含资产准入规则、流动性门槛和季度再平衡规则,所有方法论公开透明,以符合机构风险与合规要求。

Q纳斯达克与CME集团的合作历史可追溯至何时?

A双方合作始于1990年代的纳斯达克-100期货合约,现已发展成为全球流动性最强的股权指数衍生品生态系统之一。

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。

marsbit10分钟前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit10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