加密货币迎来华尔街升级:纳斯达克与芝商所深化合作

bitcoinist發佈於 2026-01-11更新於 2026-01-11

文章摘要

纳斯达克与芝加哥商品交易所集团(CME)加强合作,联合推出“纳斯达克-CME加密指数(NCI)”,旨在为机构投资者提供受监管的加密货币市场基准。该指数由CF Benchmarks计算,并由双方交易所代表组成的联合委员会监督,采用与传统股票及衍生品指数类似的透明方法和定期调整机制。 NCI追踪一篮子主流加密货币,提供多样化投资敞口而非单一资产风险,未来将支持ETF及结构化产品等金融工具。此次合作整合了纳斯达克的指数编制能力与CME的受监管交易平台资源,旨在为机构管理者开发合规加密产品提供可靠基准。 相关市场数据更新将于2026年1月下旬逐步生效,操作调整自2025年12月已启动。目前加密货币总市值达3.07万亿美元。

纳斯达克与芝商所集团已加强合作,为大型投资者提供统一的受监管加密货币市场衡量工具。据纳斯达克透露,双方将重新推出"纳斯达克加密货币指数",更名为"纳斯达克-芝商所加密货币指数(NCI)",该基准指数旨在支持ETF和结构化基金等产品。此项公告于本月初发布,被视为为基于指数的加密货币投资引入更清晰规则和治理机制的重要举措。

两大交易所强强联合

据披露,NCI将由CF Benchmarks负责计算,并由包含两家交易所代表的联合委员会监督。这种安排旨在复制股票和衍生品领域的传统指数实践,包含定期调整和透明化的方法论。CF Benchmarks此前已负责纳斯达克加密货币指数的调整工作,包括2025年12月1日实施的调整——这也是该指数系列在品牌重塑前的重要工作。

加密货币总市值目前为3.07万亿美元。图表来源:TradingView

交易所官方表态

芝商所公开材料将此举描述为扩大合作的一部分,将纳斯达克的指数编制工作与芝商所的受监管交易平台相结合。芝商所官网还强调计划开展更多与加密货币相关的产品和合约活动,并指出其支持全天候市场运作的能力。根据这些报告,目标是为机构管理者提供构建受监管产品时可使用的基准。

多元化加密货币投资指数

根据新闻稿和市场报道,纳斯达克-芝商所指数不局限于单一代币。该指数追踪一篮子主要代币,因此与之挂钩的产品将提供多元化投资敞口,而非单一资产押注。市场媒体迅速跟进报道:多家交易和金融新闻网站在公告发布后数日内刊文,重点关注指数名称变更及合作方的共同治理模式。

运营与时间安排

纳斯达克已更新其市场数据列表以反映指数系列的名称变更,部分生效日期定于2026年1月下旬。这个时间安排表明两家公司计划分阶段推进:首先是命名和治理架构的统一,随后为发行商和做市商提供数据与产品支持。CF Benchmarks的调整时间表显示,运营工作自2025年12月起已持续开展。

头图来源:Unsplash,图表来源:TradingView

相關問答

Q纳斯达克和CME集团合作推出的新指数名称是什么?

A纳斯达克-CME加密货币指数(NCI)。

Q新指数NCI的主要目标是什么?

A为大型投资者提供单一、受监管的加密货币市场衡量方式,支持ETF和结构化基金等产品,并为基于指数的加密货币敞口带来更清晰的规则和治理。

QNCI指数由哪家公司负责计算?

A由CF Benchmarks公司负责计算。

QNCI指数跟踪的是单一加密货币吗?

A不是,它跟踪一篮子主要加密货币,以提供多样化的敞口,而不是单一资产投资。

Q指数更名和相关更新的生效时间是什么时候?

A部分更新计划在2026年1月下旬生效,而重组工作自2025年12月已经开始进行。

你可能也喜歡

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。

marsbit49 分鐘前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit49 分鐘前

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。

marsbit2 小時前

年薪百万抢电工,Meta急到自己办技校

marsbit2 小時前

交易

現貨
活动图片