CoinSkool

精選文章

每週為你嚴選系列文章

L2Beat 指控 RAIN 代幣遭嚴重操縱,移除 70 億美元供應

L2Beat 指控 RAIN 代幣遭嚴重操縱,移除 70 億美元供應

L2Beat 從 Arbitrum 的 TVS 中移除約 70 億美元由團隊控制的 RAIN 代幣,稱其「被嚴重操縱」。調整後 RAIN 仍佔 26 億美元 TVS,為 Arbitrum 最大資產。該代幣是預測市場協議,曾宣布 1 億美元流動性承諾。

CoinSkool2026/07/13
最後倒數:參議院僅剩四週決定《清晰法案》命運

最後倒數:參議院僅剩四週決定《清晰法案》命運

美國參議院僅剩約四週時間推進《清晰法案》(Clarity Act),否則可能錯過今年通過的最後機會。更新版法案文本預計本週出爐,但開發者保護、道德規則及能否獲得60票等爭議仍待解決。參議員Lummis稱該法案將提升美國人參與數字經濟的信心與安全。

CoinSkool2026/07/13
玻利維亞考慮將 USDT 納入國家支付系統,緩解外匯短缺

玻利維亞考慮將 USDT 納入國家支付系統,緩解外匯短缺

玻利維亞經濟部長表示,政府正技術評估將 USDT 納入國家支付系統,允許其與美元和玻利維亞諾正式流通。此舉因應外匯短缺及 USDT 採用率上升,已有兩家銀行提供相關服務。

CoinSkool2026/07/13
BlackRock、Goldman Sachs等54家公司加入英國代幣化工作小組

BlackRock、Goldman Sachs等54家公司加入英國代幣化工作小組

BlackRock、Goldman Sachs、JPMorgan等54家金融巨頭加入英國政府支持的代幣化工作小組,重點開發tokenized repo等實際應用案例。財政部報告預計到2035年,代幣化市場將為英國帶來330億英鎊額外經濟產出和140億英鎊稅收。

CoinSkool2026/07/13
為何做空BTC比做空MSTR更佳?回購機制深度解析

為何做空BTC比做空MSTR更佳?回購機制深度解析

探討做空BTC與MSTR的差異。MSTR因回購機制難以做空,而BTC的回購依賴MSTR的不回購。了解兩者回購邏輯,掌握更佳做空策略。

Lazy Beanz2026/07/13
Coinbase Ventures 上半年30筆交易居冠,加密創投熱度不減

Coinbase Ventures 上半年30筆交易居冠,加密創投熱度不減

CryptoRank數據顯示,Coinbase Ventures在2026年上半年參與30筆加密創投交易,領跑市場;其後為Animoca Brands(19筆)、a16z crypto(18筆)及Tether(15筆),顯示加密投資熱情持續高漲。

CoinSkool2026/07/12
Ripple CEO揭露2020年SEC訴訟後曾考慮關閉公司

Ripple CEO揭露2020年SEC訴訟後曾考慮關閉公司

Ripple執行長Brad Garlinghouse透露,2020年被美國SEC起訴後,公司曾認真考慮關閉。為了避免數百人失業,最終選擇繼續抗爭訴訟。

CoinSkool2026/07/12

ARFIMA模型:捕捉長記憶性的時間序列預測利器

ARFIMA模型允許分數差分參數d,能捕捉ARIMA無法描述的長記憶性(自相關雙曲衰減)。本文介紹ARFIMA核心思想、與ARIMA的關鍵區別及實務挑戰,適合中長期預測策略。

Voltima Quant2026/07/11

ML量化業界現況:GBDT非線性優勢與實戰心得

探討機器學習量化中因子與收益的非線性關係,解釋GBDT為何在截面預測上優於線性模型與深度學習,並分享業界實戰心法:特徵工程、時間切分、集成方法、市場漂移及交易成本控制。頭部量化私募主力模型多為LightGBM變體,真正的差異化在於因子庫廣度與數據質量。

Voltima Quant2026/07/10

MIDAS回歸:解鎖混合頻率數據的預測潛力,量化交易新利器

MIDAS回歸解決傳統模型要求變數頻率一致的問題,保留高頻數據細節。本文介紹MIDAS在GARCH-MIDAS波動率預測、投資組合優化及混合頻率因子構建中的實戰應用,並探討權重函數選擇和前視偏差等挑戰。

Voltima Quant2026/07/09
AI股回調?三星暴跌10%引爆記憶體板塊恐慌

AI股回調?三星暴跌10%引爆記憶體板塊恐慌

三星電子初步業績優於預期,股價卻暴跌10%,拖累韓國KOSPI跌8%熔斷。美光、SK海力士等記憶體股全線重挫,AI概念板塊輪動加劇。分析指基本面未變,急跌提供重新部署機會。

Voltima Quant2026/07/07

可微分排序:讓排序學習與深度學習無縫整合的關鍵技術

探討可微分排序如何解決排序不可微問題,使排序指標直接作為損失函數,與深度學習框架完美整合。比較其與LambdaMART的優劣,介紹軟排序與神經排序實現方法,並分析實戰中的計算成本與交易成本挑戰及應對策略。

Voltima Quant2026/07/07