VanEck推出美国首支Avalanche ETF,AVAX持续承压

TheNewsCrypto发布于2026-01-27更新于2026-01-27

文章摘要

1月26日,资产管理公司VanEck推出美国首只Avalanche ETF(代码VAVX),在纳斯达克上市,提供直接AVAX敞口及质押收益。但AVAX价格仍承压,交易价低于12美元,周跌幅近7%。该ETF在2026年1月26日至2月28日期间,对前5亿美元资产免管理费,超额部分费率0.20%。基金可质押最多70%的AVAX持仓,若需求稳定,可能减少市场流通量。 AVAX现报11.77美元,日涨1.11%,但24小时交易量降超20%,月跌幅近8%。未平仓合约增至4.92亿美元,表明投资者开新仓,可能酝酿价格波动。技术指标显示RSI为39(中性),MACD线低于信号线,呈卖压。支撑位11美元,跌破或下探10美元;突破13美元可能测试14-15美元区间。

资产管理公司VanEck于1月26日推出美国首支Avalanche ETF,该产品以代码VAVX在纳斯达克开始交易,提供直接的AVAX敞口及质押奖励。尽管如此,AVAX仍持续承压,交易价格低于12美元,周跌幅近7%。

根据文件显示,在2026年1月26日至2026年2月28日期间,VanEck将对首批5亿美元资产免除全部管理费。若信托资产在2026年2月28日前超过5亿美元,超出部分将收取0.20%的管理费。

此外,该基金可质押最多70%的AVAX持仓,若需求保持稳定,这可能锁定相当部分的供应量并减少公开市场上的流通代币。

AVAX价格分析

当前AVAX交易价格为11.77美元,日内微涨1.11%。尽管日线小幅反弹,但截至发稿时24小时交易量下降超20%,近一个月累计跌幅近8%。

根据Coinglass数据,未平仓合约量增长10.43%至4.92亿美元,表明尽管交易量放缓,交易员仍在开立新仓位。这个阶段可能意味着一旦AVAX突破当前区间,将出现更剧烈的价格波动。

AVAX目前交易于11.50-12.00美元支撑区间附近,整体趋势仍看跌,价格持续形成更低的高点和低点。

相对强弱指数(RSI)位于39的中性区域,显示动能疲软。同时MACD(移动平均收敛散度)指标显示强烈的卖出压力,MACD线位于信号线下方确认了这一趋势。

价格近期支撑位在11美元,若进一步回调可能下探10美元;而上行方面,若能明确突破13.00美元,则可能推动价格上探14.00-15.00美元区间。

今日加密新闻聚焦:

华尔街指数收高,加密市场维持交易价格

标签Avalanche (AVAX)ETFVanEck

相关问答

QVanEck推出的首只美国Avalanche ETF的代码是什么?

AVanEck推出的首只美国Avalanche ETF的代码是VAVX。

QVanEck Avalanche ETF在什么情况下会收取0.20%的费用?

A如果信托资产在2026年2月28日之前超过5亿美元,则对超过5亿美元的部分收取0.20%的费用。

QAVAX当前的价格是多少?

AAVAX当前的价格是11.77美元。

Q根据文章,AVAX价格的技术指标RSI和MACD分别显示了什么信号?

ARSI为39,处于中性区域,表明动量较弱;MACD线位于信号线下方,显示出强烈的卖出压力。

QAVAX价格的上行阻力位和下行支撑位分别在什么水平?

A上行阻力位在13.00美元,突破后可能测试14.00-15.00美元区间;下行支撑位在11.00美元,进一步下跌可能触及10.00美元。

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