期货交易所行业2019Q2研究报告 | TokenInsight

frontend-design skills 立即下载

640?wx_fmt=gif

○ ●

要点总结:

1. 2019年2月到7月数字通证期货交易量增幅明显。全市场期货交易总量达16,057亿美元,占全市场交易量的26.15%(本期现货交易总量为45,336亿美元;期货现货总交易量为61,393亿美元),日均期货交易量88.71亿美元。

2. 5月份起期货交易猛增,全市场期货交易量从2月份的1,045亿美元增长到7月份的4,127亿美元,半年内月均增长率高达39%。5、6、7三个月的总交易量为2、3、4三个月总交易量的3倍。

3. 始终占据市场合约交易量前三位的交易所仍为BitMEX、OKEx和Huobi DM,本期期货总交易量分别为6,497亿美元、5,321亿美元和2,801亿美元,日均达到36亿美元、29亿美元和15亿美元。

4. 期货交易量的大幅度提升一方面是由于4月起比特币市价一路高涨对市场情绪的抬升,原有期货交易所也纷纷开展了更丰富的合约业务,从标的交易对的增多到期货合约种类的创新;另一方面投资者们也越来越多地接触和认可期货合约的价值,对非主流币种合约标的的需求也有所上涨,给期货合约市场带来新增量。

5. 2018年9月之前数字通证期货交易市场被BitMEX和OKEx呈现寡头格局垄断,2018年12月初Huobi Global上线Huobi DM合约交易平台后,一路追赶,自2月到7月交易量不断攀升,市场份额逐渐扩大。本期交易总量占BitMEX的43%,全市场的17%,虽然增速较快,但就交易量上看,距离OKEx和BitMEX还有一些距离。

6. 继芝加哥期权交易所(CBOE)2019年3月份宣布下线比特币期货交易之后,传统期货交易所仅剩下芝加哥商品交易所(CME)能够交易比特币期货合约。数据显示本期数字通证期货交易约有97%发生在数字通证交易所,传统交易所交易占比不足3%。

7. 2019年以来加密货币衍生品不断创新,出现期权合约、指数合约和杠杆代币等新型衍生品。期权合约已成为新的风向标,主流平台纷纷开始研发期权合约产品。目前市场上以反向合约为主,永续合约较交割合约更受欢迎,百倍杠杆设计已成常态。

8. 衍生品合约标的不断丰富,不仅非主流标的大范围增多,还增加了稳定币标的,基于上半年IEO模式热度的上涨,平台币标的需求也有所扩大。

9. 期货产品设计及创新的落脚点大多在防穿仓设计机制上,目的在优化用户交易体验并降低平台运营风险。合理价格标记系统作为防穿仓设计机制的重要组成部分,通常是在价格指数的基础上设计而成。若指数成分组成数量较少,则在面临较大的行情波动或者指数所依赖的交易所API出现问题时,易出现大幅度插针问题或安全事故。

公众号后台回复“期货交易所”或点击阅读原文,即可获得报告PDF版。


因为热爱,所以不凡。
欢迎点击下图查看TokenInsight 招聘职位!
☟
640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

 END 
⊙

公众平台及联系方式
⊙   官      网    https://tokenin.cn
⊙  微      博    @TokenInsight
⊙  电报中文    https://t.me/TokenInsightChinese
⊙  电报英文    https://t.meTokenInsightOfficial
⊙  推      特    https://twitter.com/TokenInsight
⊙  商务合作    bd@tokeninsight.com

640?wx_fmt=png

640?wx_fmt=png


政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?.docx 政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题? 立即下载

相关推荐

用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计研究(Matlab代码实现)

内容概要:本文围绕用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计展开研究,深入探讨了卡尔曼滤波在动态系统状态估计中的核心作用。文章系统阐述了卡尔曼滤波的数学基础,包括状态空间模型的建立、先验与后验状态估计、协方差矩阵的递推更新,以及最优增益矩阵的推导过程,确保在高斯白噪声环境下实现对系统状态的最小均方误差估计。结合Matlab代码实现,完整展示了算法从理论建模到仿真实验的全流程,涵盖系统建模、噪声设置、滤波迭代、状态更新与误差分析等环节,并通过仿真实验验证了算法在噪声干扰下对系统真实状态的高精度跟踪能力。该研究为控制工程、导航系统、信号处理及自动化领域中的状态估计问题提供了坚实的理论依据与高效的数值实现方案。; 适合人群:具备一定控制理论、概率统计基础和Matlab编程能力,从事自动化、电子信息、航空航天、机器人、导航定位等相关领域的科研人员、工程技术人员及高校研究生。; 使用场景及目标:①掌握卡尔曼滤波的基本原理及其在状态估计中的数学推导过程;②学习如何利用Matlab实现卡尔曼滤波算法并进行系统仿真与性能评估;③应用于目标跟踪、传感器融合、惯性导航、故障诊断、时间序列预测等实际工程中的动态状态估计问题。; 阅读建议:建议读者结合文中提供的Matlab代码进行动手实践,通过调整系统模型参数、过程噪声与观测噪声强度,观察滤波效果的变化,深入理解卡尔曼增益的自适应调节机制与MMSE估计的收敛特性。同时可进一步拓展学习扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等非线性滤波方法,以应对更复杂的非线性系统状态估计挑战。

期货交易所行业2019 Q2报告精华图 | TokenInsight

END⊙微信小程序Tokenin指数| 项目GitHub代码提交次数Token白皮书| 项目的白皮书汇总TIindex指数| 基于通证生态制作的TI指数往日精选...

TokenInsight的博客 716

高校技术转移办公室人员如何提升成果转化服务效率?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

榜单:2019Q2期货交易所行业 | TokenInsight

END⊙微信小程序Tokenin指数| 项目GitHub代码提交次数Token白皮书| 项目的白皮书汇总TIindex指数| 基于通证生态制作的TI指数往日精选...

TokenInsight的博客 152

国央企创新负责人如何利用平台实现技术需求的精准挖掘与匹配?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

C语言—for循环打印矩形,正三角形,倒三角形,九九乘法,等腰三角形,倒着的等腰三角形(简易版代码)(重点考察for循环嵌套)

本章节教大家如何利用for循环打印正三角形,倒三角形,九九乘法表及等腰三角形(简易版代码)说明:1、循环语句的循环体内又包含另一个完整的循环结构,称为循环结构的嵌套。内嵌的循环语句中还可以再嵌套循环结构,这样就形成多重循环结构的嵌套。2、for 语句、while 语句和 do-while 语句都允许嵌套。三种循环语句可以相互嵌套。3、内层的循环语句必须完全被包含在外层的循环体中,不能发生交叉。

m0_63501145的博客 1697

2019 Q2交易所行业图景及IEO涨跌榜 | TokenInsight

○ ●2019年二季度交易市场整体向暖,4到6月交易量节节攀升。全市场交易量达40,801亿美元,较一季度上涨165%。比特币价格也迎来暴涨,冲击14,000美元。欲了解...

TokenInsight的博客 222

群晖Hyper Backup还原实战:加密与非加密备份的完整操作指南

本文详细介绍了群晖Hyper Backup在加密与非加密备份场景下的完整还原操作指南。通过实战案例和高级技巧,帮助用户应对硬盘故障或系统崩溃时的数据恢复挑战,特别是加密备份恢复中的关键节点和常见陷阱。

weixin_29323365的博客 445

交易所行业2019 Q2报告暨评级更新 | TokenInsight

2019年二季度交易市场整体向暖,4到6月交易量节节攀升。全市场交易量达40,801亿美元,较一季度上涨165%。比特币价格也迎来暴涨,冲击14,000美元,市场为之沸腾...

TokenInsight的博客 337

FDTD仿真实战:从材料导入到反射率曲线分析

本文提供了一份完整的FDTD仿真实战指南,详细讲解了从自定义材料(如WO3)数据导入、结构建模、仿真区域与网格设置,到光源与监视器配置、运行仿真并提取反射率数据的全流程。重点解决了材料库缺失、网格优化、边界条件设置等常见难题,旨在帮助研究人员高效、准确地通过FDTD仿真获取材料的关键光学特性——反射率曲线。

elastic6hunter的博客 345

计算文本相似度的常用算法

NLP、数据挖掘领域中,文本分析是一个很重要的领域,这有助于我们去让计算机理解语言的作用和使用。文本分析是数据挖掘的重要手段,利用文本分析,我们将很快的读取到一本书、一篇文章、一段话中的关键词和核心思想,而文本相似度就是我们用来剔除无用信息或者重复信息的重要手段,让计算机去找文本中的不同。 在生活中,信息检索、数据挖掘、机器翻译、文档复制检测等领域都应用到“文本相似度”。文本不仅仅是文字,文本相似度的应用更广,除了文字的匹配,还可以是图片、音频等,因为它们的实质都是在计算机中都是以二进制的方式存在的。相.

氧小氢的博客 2万+

2020 Q3数字资产衍生品交易所行业研究报告 | TokenInsight

↯ 要点总结1. $2.7万亿成交量2020年第三季度,TokenInsight共获取数字资产衍生品行业42家交易所相关数据,数字资产衍生品市场成交量报$2.7万亿,较上季度环比增长2...

TokenInsight的博客 1080

cmu15445 2023fall project4 详细过程(包括Bonus Tasks) Concurrency Control

CMU15-445 23fall project 4详解

LA的博客 1606

合约产品同质化?交易所竞争加剧,永续合约占比首超8成 | TokenInsight

↯ 导言TokenInsight于10月底发布了《2020Q3数字资产衍生品交易所行业研究报告》,数据显示80%的合约交易量分布在永续合约,占比较上季度提升5%。与第二季度相比,永续合约...

TokenInsight的博客 365

Unity3d移动端性能优化

以下条目主要针对移动端,大部分也适合PC端 一、Profiler的使用 1.性能优化应贯穿项目开发的全过程,如需求(性能能不能达到要求)、设计、开发、测试等。不能开发结束才优化性能。 2.官方推荐的优化工具是【Window】->【Profiler】 3.确认瓶颈是CPU-bound(Gfx.WaitForCommands)还是CPU-bound(Gfx.WaitForPresent) 4.内存分析使用Memory Profiler 二、内存优作 5.减少内存收集的影...

zouxin_88的专栏 3063

把数字化转型真正落到组织里:读懂 SAP 的 OCM 六维框架

摘要: SAP的变革管理框架(OCM)强调数字化转型不仅是技术任务,更需关注组织与人的适应性。OCM包含六大维度:变革战略(明确方向与风险)、变革领导力(统一关键管理者行动)、变革沟通(分层传递信息)、变革实现(细化岗位级影响)、变革赋能(按角色设计培训)和变革有效性(持续评估)。该框架贯穿项目全周期,尤其在云项目中,需从早期规划变革策略,避免后期高代价调整。OCM的核心是将系统设计转化为组织语言,确保业务真正采纳新方式运作。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1439

2020.10期权合约产品研究报告 | TokenInsight

↯ 要点总结① 2017年末,芝加哥期权交易所(CBOE)与芝加哥商品交易所(CME)推出比特币期货合约,同一时期,LedgerX启动其首个长期交易的比特币期货期权(LEAPS)。自20...

TokenInsight的博客 1693

本地Pycharm连接远程服务器详细配置过程(直接在本地使用服务器显卡,很棒)

相信很多人都遇见过这种情况:实验室成员使用同一台服务器,每个人拥有自己的独立账号,我们可以使用服务器更好的配置完成实验,毕竟自己哪有money拥有自己的3090呢。

NorthSmile的博客 4万+

TI 研报 | 2021 Q1 期货与期权市场研究报告

↯ 要点总结2021 年 Q1,开展期货交易业务的交易所共有 17 家,季度总成交量 2.07 万亿美元,占全市场成交量 6.77%。尽管与去年相比,期货成交量亦随着Q1牛市渐入佳境而大幅...

TokenInsight的博客 766

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

赛程总结:第二届全球数字资产量化大赛 | TokenInsight

↯活动预告“洞察可信数据,甄选可投量化”。TokenInsight第二届全球数字资产量化大赛协同57支优秀团队,经过了3月28日至6月27日91天的激烈角逐,甄选出各组别三甲团队与特...

TokenInsight的博客 437

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

Injective 项目评级:B,展望正面 | TokenInsight

↯ 要点总结Injective Protocol致力于打造一个完全去中心化,且能够覆盖跨链资产的Layer-2交易平台,尤其着重于衍生品交易。Injective Protocol由三部分...

TokenInsight的博客 801

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

2020年4月永续合约市场分析报告 | TokenInsight

↯ 要点总结1. 数据显示,数字资产合约交易所行业壁垒已经建立。后期的竞争,或将更多体现于产品方面。2. 尽管合约交易是数字资产行业当前最热门的话题,但4月30日前,除Huobi DM永...

TokenInsight的博客 2420

全球区块链第20周看点 | BTC突破年内新高,大盘普涨,牛市已来?

TokenInsight整理了5月11日-5月18日,区块链行业在监管、交易所、ETF、行业应用、钱包方面发生的大事件,并对此进行了点评。本周值得关注的内容区块链赋能律所...

TokenInsight的博客 373

TI 研报 | 2021 Q1 现货市场研究报告

↯ 要点总结· 2021年第一季度,数字资产现货成交总量达到季度新高,为14万亿美元,超越2019年全年成交量,相当于2020年全年成交量(21.08万亿美元)66.4%,占全市场比重约为...

TokenInsight的博客 461

0420-0427赛程周报 | TI第二届全球数字资产量化大赛

↯ 周报总结上周数字资产交易市场在短暂回调后,开启了一波持续上涨行情。当前,各主流资产的价格均已创造了“312”暴跌以来的新高。趋势类策略在这一段行情的表现良好,大多基金实现了净值的大幅...

TokenInsight的博客 221
上一篇: 9月第1周Staking周报 | TokenInsight
下一篇: 榜单:2019Q2期货交易所行业 | TokenInsight
TokenInsight
博客等级 码龄8年 115粉丝 286原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值