狗狗币和柴犬币可能正酝酿新一轮上涨,此前发生此事

bitcoinist發佈於 2026-03-20更新於 2026-03-20

文章摘要

美国金融监管机构发布关于联邦证券法如何适用于加密资产的澄清声明,狗狗币(DOGE)和柴犬币(SHIB)成为直接受益者。美国证券交易委员会(SEC)和商品期货交易委员会(CFTC)联合发布指引,首次明确将这两种迷因币归类为“数字商品”,与比特币、以太坊和XRP属于同一监管类别。 该指引将加密资产分为五类:数字商品、数字收藏品、数字工具、稳定币和数字证券。前四类默认不属于证券,而数字证券仍受联邦证券法监管。数字商品的价值源于区块链生态系统和供需动态,去中心化是其重要特征。 监管明确化意味着狗狗币和柴犬币不再受证券类监管约束,为现货ETF的推出铺平道路。灰度投资已表示柴犬币符合现货ETF上市标准,狗狗币现货ETF也已上市。尽管市场反应暂时平淡,但这一分类可能推动这两种迷因币突破近期价格阻力位。

美国金融监管机构就联邦证券法如何适用于加密资产发布了澄清说明,狗狗币和柴犬币成为直接受益者。这份由美国证券交易委员会(SEC)和商品期货交易委员会(CFTC)联合发布的指导意见,正式确立了数字资产的五大分类,并明确将这两种 meme 币命名为数字商品,使它们与比特币、以太坊和 XRP 处于同一监管类别。

狗狗币和柴犬币被正式归类为数字商品

美国监管机构的一项有趣决定,现在正为狗狗币和柴犬币等 meme 币的价格可能出现转机奠定基础。这是有史以来第一次,该澄清说明直接将 meme 加密货币的领头羊(狗狗币和柴犬币)命名为数字商品,使它们摆脱了困扰加密货币行业多年的证券属性争论。

SEC 和 CFTC 的这份联合解释性声明,最终结束了这两个美国监管机构之间关于如何对数字资产进行分类的、长达十多年的管辖权争议。根据该声明,加密资产现在被分为五类:数字商品、数字收藏品、数字工具、稳定币和数字证券。

前四类默认不具有证券属性,而数字证券本质上是股票和债券等传统金融工具的代币化版本,仍然受联邦证券法管辖。

另一方面,数字商品是指其价值来源于功能性区块链生态系统和供需动态的资产,去中心化也是一个重要标准。狗狗币和柴犬币都与比特币、以太坊、XRP 和 Cardano 等一起被归入这一类别。

SEC 主席保罗·阿特金斯(Paul Atkins)表示,该指导意见旨在“用清晰的术语”提供监管清晰度,并确认挖矿、链上质押和协议空投等区块链网络活动不会自动被定性为证券发行。

该分类对 DOGE 和 SHIB 的具体意义

市场反应迄今相对平淡。价格数据显示,即使在该指导意见发布后,加密价格也并未立即飙升。然而,对于狗狗币和柴犬币而言,被归类为商品的重要性怎么强调都不为过,考虑到这两者最初是作为 meme 诞生的。SEC 公司金融部门在 2025 年 2 月的一份澄清说明曾指出,meme 币不是证券,但该指导意见并未形成正式分类。

最近几个月,狗狗币和柴犬币在价格走势上一直横盘整理或难以突破阻力位。然而,这种情况可能很快就会改变。商品地位使狗狗币和柴犬币等同于在美国有比特币和以太坊现货 ETF 相同法规支持的产品。现货狗狗币 ETF已经上市交易,柴犬币可能是下一个。有趣的是,灰度投资(Grayscale Investments)已经表示,根据 SEC 的通用上市标准框架,SHIB 有资格推出现货 ETF。

DOGE 价格再次尝试反弹 | 来源:Tradingview.com 上的 DOGEUSDT

相關問答

Q美国金融监管机构将加密货币分为哪五类?

A根据SEC和CFTC的联合指引,加密货币被分为五类:数字商品(Digital Commodities)、数字收藏品(Digital Collectibles)、数字工具(Digital Tools)、稳定币(Stablecoins)和数字证券(Digital Securities)。

Q狗狗币和柴犬币被归类为哪一类数字资产?这对它们意味着什么?

A狗狗币和柴犬币被正式归类为数字商品(Digital Commodities)。这意味着它们与比特币、以太坊等处于相同的监管类别,不再受证券法约束,为未来推出现货ETF等金融产品铺平了道路。

Q数字商品的定义标准是什么?

A数字商品的价值源自功能性的区块链生态系统和供需动态,去中心化是其重要标准。这类资产不包括证券属性,无需遵守联邦证券法。

Q这一分类对狗狗币和柴犬币的价格可能产生什么影响?

A尽管市场初期反应平淡,但商品地位使它们可能获得类似比特币和以太坊现货ETF的监管支持。灰度投资已表示柴犬币符合现货ETF标准,这可能推动价格突破近期阻力位。

QSEC主席关于区块链网络活动发表了什么声明?

ASEC主席Paul Atkins明确表示,挖矿、链上质押和协议空投等区块链网络活动不自动构成证券发行,为相关操作提供了监管确定性。

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。

marsbit10 分鐘前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit10 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。

marsbit1 小時前

年薪百万抢电工,Meta急到自己办技校

marsbit1 小時前

交易

現貨
活动图片