交易所平台币综合研究报告 | TokenInsight

手机Camera硬件电路设计:从电源管理到信号完整性的实战解析 本文深入解析了手机Camera硬件电路设计的核心挑战与实战经验,重点聚焦于电源管理与信号完整性两大基石。文章详细阐述了AVDD、DVDD、IOVDD和AFVDD四路电源的差异化设计要点与噪声控制策略,并剖析了MIPI等高速信号通道的完整性设计原则,为硬件工程师提供了从理论到PCB布局布线的完整实战指南。 阅读详情

640?wx_fmt=gif

○ ●

要点总结:

1. 平台币的内在价值受到交易平台的支撑和影响,两者相互推动,相互制约。交易平台的稳定性、发展趋势和内在价值是用户选择其平台币作为资产投资的重要考虑因素之一;而平台币可以为交易平台带来融资、引流、锁定新用户、增加用户粘性以及完善交易所生态系统等诸多正面效应。

2. 二级市场中,大户持币现象普遍,大部分平台币的前十地址持有比例之和均超过80%,持币地址数上来看BNB有明显优势;除头部交易所外的大部分平台币价格波动率较高;MXC, BiKi,Bibox等几家交易所交易量明显虚高,其平台币交易量与交易所交易总量(未调整)正向关系不明显。

3. 2019年第一、第二季度平台币平均涨幅(统计范围内)分别为327%和229%,第三季度平均涨幅-22%,呈现下跌趋势,这与近期行业的持续震荡有着一定联系,由于交易平台的支撑,平台币对短期震荡具有更强的可抗性。

4. 大部分交易所平台币的生态和应用场景仍较为局限,平台币多限于其交易所内部应用及流通;头部交易所已率先建立了更加广阔的布局和完备的生态,其平台币流通的市场范围也相对较广;BNB, HT, OKB的流通平台数分别为49、27、15个。

5. 目前,市场上的平台币主要经济模型包括回购销毁、交易挖矿、分红几种机制。90%以上的交易所平台对其平台币采取“回购销毁”模式,但回购销毁周期、力度、回购资金来源以及已销毁比例有着较大的差异性;ZB,NEAL, CET, KCS和BIKI已销毁比例相对较大,MX, FT, BIKI, BHT的销毁力度相对较大。

6. 交易挖矿模式在短期内可迅速打通流动性、高效引流,但存在较大风险和弊端,挖矿机制的设计和运营方式决定了其可持续性。

7. IEO可有效增加项目方及用户对平台币的需求和应用,增加持仓量,提升平台币价值;3大头部交易所中,Binance相较火币和OKEx具有较明显优势,其IEO项目总体收益率较高,项目市值在CoinMarketCap基本排名300以内。

8. 总体来看行业头部效应明显,头部交易所从项目质量、平台热度、用户分布情况等各方面看均难以超越,KuCoin,BitMart及Binance的国际性布局较领先,而BHEX,MXC,BiKi,FCoin等交易平台的用户分布国家非常局限。

公众号后台回复“平台币”,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

 END 
⊙

〓 交易所真实交易量报告(上) | TokenInsight

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

基于simulink的电气弹簧ES稳压控制模型仿真 若要补偿母线电压的谐波,需控制ES上的谐波,即在单闭环母线电压有效值控制的基础上,增加谐波抑制环节来进行谐波控制,现有的各种检测和抑制谐波的方法有采用模拟滤波器、傅里叶分析进行谐波分析、基于瞬时无功功率理论的方法等。当关键负载ZC为电流源型非线性负载时,电路原理图如图7所示,由于电流源型非线性负载可以等效为谐波电流源,关键负载电流ic便会含有谐波分量,导致输电线电流is和母线电压VS同样会含有谐波分量,导致供电质量的严重下降,对用电设备的正常工作造成影响。分别为流过线路阻抗、非关键负载、关键负载的电流, 阅读详情

相关推荐

ZYNQ Linux环境下PS端I2C驱动OV5640摄像头全流程解析

本文详细解析了在ZYNQ Linux环境下,通过PS端I2C驱动OV5640摄像头的完整流程。内容涵盖从Vivado硬件配置、PetaLinux系统构建、设备树节点添加,到用户空间I2C编程与寄存器配置实战,并提供了关键的调试技巧与常见问题排查方法,帮助开发者快速实现嵌入式视觉应用的传感器配置。

vulkan6gpu的博客 854

预告:2020,量化将如何进化?——TokenInsight对话首席

○ ●本周六(10月12日)下午3点,TokenInsight《对话首席》第23期即将举办,本期主题为:量化。特邀嘉宾Bybit CEO Ben,BHEX 创始人兼CE...

TokenInsight的博客 323

英飞凌TLF35584 SBC实战:手把手教你配置WDG看门狗与ERR监控(基于AUTOSAR架构)

本文详细介绍了基于AUTOSAR架构的英飞凌TLF35584 SBC芯片WDG看门狗与ERR监控功能的配置方法。通过硬件平台搭建、寄存器级配置、AUTOSAR模块集成及诊断策略优化,帮助开发者快速掌握关键配置技巧,提升嵌入式系统的安全性和可靠性。

weixin_30256901的博客 479

2020 Q3现货交易所综合评级排行榜 | TokenInsight

↯ 要点总结TokenInsight公开2020 Q3现货交易所综合评级排行榜。TokenInsight•END微信小程序Tokenin指数| 项目GitHub代码提交次数Token...

TokenInsight的博客 390

智能车图像处理5-入门级分析4 ---环岛的状态机与补线

PS :入门级文章适合新手,如果已经有基础可以去看进阶篇文章。

taiyuezyh的博客 8274

图像拼接——ITKMontage

ITKMontage是一个开源的、高性能的图像拼接软件模块。它的核心任务是将多张部分重叠的图像瓦片(Tiles)拼接成一幅完整的大图,专为处理材料显微科学中产生的大规模、高分辨率图像而设计。针对ITKMontage模块中示例进行了修改,解决了没有文件TileConfiguration.txt的情况,以及使用中的一些BUG。ITKMontage可以单独编译,也可以作为ITK的一个模块进行编译,介绍后一种的cmake设置。本文介绍使用ITKMontage模块进行图像拼接的方法。此处省略编译后的库配置。

2301_79131410的博客 103

2020 Q3数字资产现货交易所行业研究报告 Part2 | TokenInsight

↯ 要点总结《2020 Q3数字资产现货交易所行业研究报告-Part1》已发布,点击链接快速跳转至Part1了解行业生态及交易动态。TokenInsight*本文为《2020 Q3数字...

TokenInsight的博客 553

基于matlab的主成分分析的人脸二维码识别系统

人脸识别因其在系统安全验证、信用验证、刑侦跟踪、身份管理、视频会议、人机交互、智能家居等方面的巨大应用前景,成为当前模式识别和人工智能领域越来越热门的一个研究方向。随着安全入口控制和二维码智能扫描应用需求的快速增长,基于二维码识别的生物人脸统计识别技术也引起了人们的重视。本案例将详细讲解基于主成分分析的人脸特征提取的原理与方法,并将其与 QR 二维码的编解码进行结合,将 MATLAB 作为工具平台,调用 QR 二维码编解码应用程序,进而实现一个人脸二维码自动识别的系统原型。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 981

交易所流动性案例研究 | TokenInsight

在数字资产领域,流动性(Liquidity)简单的说就是指通证转换为其他通证或现金的能力。在数字交易所交易量的数据真实性越来越难以保证的情况下,通过引入交易深度、买卖价差...

TokenInsight的博客 419

一次请求穿过的六道关卡:微服务基础组件的通信与IO、事件驱动、负载均衡、服务路由、API网关与配置协调

微服务的稳定性往往取决于看不见的基础组件。本文跟随一次下单请求,依次穿过API网关、服务路由、负载均衡与服务通信,再沿事件分支扇出,并从控制面审视配置中心。通信层剖析握手成本、连接复用、epoll与主从Reactor、心跳判活、退避抖动、截止时间与重试预算;事件层讲解编舞与编排、事务发件箱和幂等消费;均衡与路由对比静态与动态算法、路由链、全链路灰度与同区保底;网关讨论过滤器链与限流算法;配置部分给出四类配置、长轮询与共识协调,最后归纳五道防线。文中关键数据均来自可在Java8运行的演示程序。

曾经“等你生日那天”都遥远得像未来,如今却可欢愉的挥手说“下个十年见” 172万+

计算机视觉与深度学习 | 基于Matlab的多特征融合可视化指纹识别系统(附完整代码)

此系统展示了一个完整的指纹识别流程,实际应用中可以根据需求进一步优化算法,如改进方向场计算、增加脊线频率特征、使用更精确的匹配算法等。

尘世冰封的专栏 362

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

基于STM32设计的遥控灭火消防小车_296

随着城市化进程的加速和火灾发生频率的增加,传统的消防方式在应对初期火灾时存在反应慢、效率低等问题。为了提高火灾响应速度和灭火效率,本设计开发了一款基于STM32单片机的遥控灭火消防小车。该小车配备了烟雾检测、温湿度监测、火源定位、灭火操作等功能,能够通过蓝牙和WIFI实现远程控制与实时视频传输。设计采用了MQ2烟雾传感器、SHT30温湿度传感器、火光传感器和ESP32摄像头模块等硬件设备。系统不仅能够自动检测和定位火源,还可以手动调整灭火器对准位置,进行干粉灭火。此外,蜂鸣器用于火源报警,确保操作人员及时得

727

交易所安全性报告 | TokenInsight

据TokenInsight统计,2014年至2019年上半年,各交易所共被盗取至少价值16亿美元的数字货币资产,2019年上半年就至少有2亿美元资金被盗。那么作为用户,如...

TokenInsight的博客 751

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。

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

交易所翻车记 | TokenInsight

○ ●用户使用中心化交易所,需无条件信任交易所的资金管理能力;然而,数字资产作为依赖于互联网的产物,从始至终都被黑客所觊觎。除被盗外,某些交易所存在员工...

TokenInsight的博客 1580

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

2020Q2衍生品交易所评级榜单 | TokenInsight

↯ 要点总结TokenInsight公开2020Q2衍生品交易所评级榜单。TokenInsight•END微信小程序Tokenin指数| 项目GitHub代码提交次数Token白皮...

TokenInsight的博客 264

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")

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

去中心化交易所研究报告 | TokenInsight

近年来随着智能合约的兴起与区块链技术的发展,去中心化交易所(以下简称DEX)逐渐进入人们的视野。DEX的实施方式多种多样,但最核心的要素是用户掌握自己的财产,在交易过程中...

TokenInsight的博客 420

区块链赋能供应链金融研究报告 | TokenInsight

区块链技术在传统行业中的应用日渐清晰,TokenInsight 对其行业分类框架下的传统行业进行了系统研究,结合海内外使用区块链技术解决供应链金融的案例进行了初探。根据研...

TokenInsight的博客 3709

TokenInsight BTC永续合约流动性实时数据 | TokenInsight

↯ 要点总结TokenInsight官网已上线BTC永续合约流动性实时数据,详情请点击阅读原文。TokenInsight•END微信小程序Tokenin指数| 项目GitHub代码提...

TokenInsight的博客 634

BIKI 研究报告 | TokenInsight

○ ●要点总结:BIKI是BiKi.com平台发行的平台币,总发行量10亿枚,平台采用较为激进的“回购销毁”模式,以100%手续费对BIKI进行定期回购并销毁,持续减少B...

TokenInsight的博客 344

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

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

Tokeninsight与币coin达成战略合作,量化交易大赛排行已接入展示

据官方消息,11月14日,币coin已正式完成Tokeninsight量化交易大赛的排行榜的服务对接。用户可以直接使用币coin APP随时随地查看本次参赛的量化团队排名。未来双方还将在更深层次的方面展开合作。据介绍,此次TokenInsight主办全球数字资产量化大赛,就是旨在帮助优秀的量化团队在市场中脱颖而出,帮助投资者发现好的投资渠道,提高行业透明度,推动创建一个健康的行业发展环境。Toke...

TokenInsight的博客 894

榜单:2019年第三季度现货交易所 | TokenInsight

○ ●要点总结:2019年第三季度现货交易所榜单已更新,本次榜单包含:现货交易所综合评级排行榜、现货交易所安全性评级排行榜、最受量化团队信赖现货交易所排行榜、最受用户喜爱现货交易所排行榜、季度之星排行榜。《2019Q3现货交易所研究报告暨评级更新》也将于2019年11月12日发布,敬请期待!因为热爱,所以不凡。欢迎点击下图查看TokenInsight 招聘职位!☟END⊙微信小程序Tokeni...

TokenInsight的博客 234

TokenInsight官网上线BTC永续合约流动性实时数据 | TokenInsight

↯ 要点总结TokenInsight官网上线BTC永续合约流动性实时数据,详情请点击阅读原文。TokenInsight•END微信小程序Tokenin指数| 项目GitHub代码提交...

TokenInsight的博客 682
上一篇: 2019年第41周DApp影响力排行榜 | TokenInsight
下一篇: 倒计时2天:TokenInsight全球数字资产量化大赛
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