FX168财经网_全球视野外汇黄金加密货币NFT资讯网

金色Web3.0日报 | Coinbase跃升成为全球第四大上市交易所

用流行的编程语言Javascript和Python编写QED智能合约。本次融资将有助于QED推动比特币生态系统的革新，提供更多创新性的解决方案。 LBank Labs当前管理着高达1亿美元的资产规模，专注于支持和助力 Web3 初创企业发展的同时，为这些企业提供全方位的资源支持，帮助它们在竞争激烈的市场中脱颖而出。 2.Parallel Network抢先体验版将在未来1-2周内推出金色财经报道，基于Arbitrum的全链L2 Parallel Network在X上发文称，抢先体验版将在未来1-2周内推出。 3.marginfi：已完成YBX代币早期开发，将于三月中下旬登陆主网 2月29日消息，Solana生态借贷平台marginfi在X上称，其已完成YBX代币早期开发，将于三月中下旬登陆主网。YBX由marginfi上的LST铸造生成，并获得jitoSOL、mSOL、bSOL及LST资产支持。 4.EthStorage与Celestia集成，以推进以太坊L2/L3长期DA解决方案 2月29日消息，EthStorage已与模块化数据可用性网络Celestia集成，此次集成将为以太坊L2/L3提供完整的长期数据可用性（DA）解决方案。Celestia的Blobstream将Celestia的模块化DA层桥接到以太坊，而EthStorage由其原创的随时间采样的数据可用性证明算法作支持，将作为DA BLOB的永久数据存储解决方案。 5.以太坊L2 TVL突破300亿美元，7日增幅9.63% 金色财经报道，L2BEAT数据显示，当前以太坊Layer2总锁仓量（TVL）为302.2亿美元，7日增幅为9.63%。其中，锁仓量前五分别为： Arbitrum One TVL为137亿美元，7日增幅9.6%； OP Mainnet TVL为76.4亿美元，7日增幅6.29%； Manta Pacific TVL为18.7亿美元，7日增幅1.44%； Starknet TVL为13亿美元，7日增幅1.38%； Metis TVL为9.92亿美元，7日增幅18.15%。游戏热点 1.Portal宣布将于明日启动质押 2月29日消息，Web3游戏平台Portal宣布将于明日启动质押，以获取代币预售、NFT铸造和品牌抢购的VIP访问权限。Portal表示，明天将揭示3月/4月的路线图，包括首次亮相的Launchpad等。 2.Arbitrum推出为期8周链上游戏黑客松项目“Arbitrum Arcade” 金色财经报道，据官方消息，Arbitrum宣布推出为期8周链上游戏黑客松项目“Arbitrum Arcade”，共有24款Arbitrum游戏参与，旨在突出Web3最具创新性的游戏体验，并推动游戏在Arbitrum One、Nova 和更广泛的Arbitrum Orbit链生态系统上发展。内容创作者将有机会在 Arbitrum X 官方帐户上展示内容，据悉注册将在美东时间3月4日中午12点结束；而游戏团队需要在4月15日之前将游戏部署在 Arbitrum One、Nova或Orbit链上。免责声明：金色财经作为区块链资讯平台，所发布的文章内容仅供信息参考，不作为实际投资建议。请大家树立正确投资理念，务必提高风险意识。来源：金色财经

金色财经2024-02-29

MT Capital 研报：去中心化排序器赛道拆解研究

28 名员工，他们的专业技能涵盖了从 Python 编程、区块链技术、机器学习到 C 语言等广泛领域。 Flashbots 的创始团队包括 Philip Daian 和 Stephane Gosselin，后者于 2022 年 10 月因与团队在审查制度方面的分歧而离职。此外，Alex Obadia，另一位联合创始人和顶级策略研究员，于 2023 年 6 月因个人原因离开了 Flashbots。核心成员中包括 Andrew Miller，他以破解英特尔 SGX 代码的研究而知名，目前担任可信执行环境和 SUAVE 的研究主管。Miller 计划从伊利诺伊大学的助理教授职位中暂时休假，他在学术界的工作专注于电气和计算机工程。另一位核心成员 Hasu，担任 Flashbots 的战略主管，他在区块链领域有着广泛的影响，包括担任流动性质押协议 Lido 的战略顾问和 Paradigm 投资公司的研究合作者。Hasu 通过写作、社交媒体和播客等方式，致力于推动行业的发展和教育。 SUAVE 是一个独特的去中心化构建器和排序器，与其他共享层或排序层的设计有明显区别。它旨在为以太坊及其他区块链提供交易排序服务，但并不直接嵌入到任何链的协议中。用户可以将交易发送到 SUAVE 的加密内存池，而SUAVE的执行者网络则负责为链输出区块或部分区块。这些区块将与传统的中心化以太坊构建者生成的区块竞争，由以太坊提议者选择。 SUAVE 并不取代 Rollup 选择区块的机制，也不会改变链的分叉选择规则。它专注于为任何链提供最优利润的排序，通常拥有完全状态以模拟不同交易的结果并创建最佳排序。这种设计允许 SUAVE 与共享排序器或其他 MEV-aware 构建者协作，以提供原子跨链套利等服务，确保若干交易以原子方式执行或同时取消。长期来看，Rollup 可能是一个更好的选择。Rollup 通过 L1 保障其安全性、抗审查和活性，而 SUAVE作为一个专注于交易排序的链，不适合普通用户使用，其目标是限制用户将资金桥接到SUAVE 的需求，而是专注于为搜索者/构建者提供一个操作平台。SUAVE 专注于为交易提供最有利的排序，而不是完全取代现有的排序机制。它可以处理完全状态的交易，以创造出最佳的交易排序。关于 MEV 的处理，有多种机制来减少与交易排序和包含相关的潜在竞争和负外部性。例如，Arbitrum 的时间提升机制和 Flashbots 提出的 FBA-FCFS 模型都试图通过允许用户通过费用表达他们对快速包含交易的偏好来减少延迟竞争的动机。 Arbitrum 的时间提升机制时间提升机制是一种安全措施，用于防止一种特定类型的攻击，称为“时间强盗攻击”（Time Bandit Attack）。在这种攻击中，攻击者可能会尝试重新组织已经确认的区块，以利用某些之前不为人知的信息（例如，事后利用某个交易的知识）来获利。 Arbitrum 通过一种独特的机制来防御这种攻击，它允许任何人在发现有人尝试进行时间强盗攻击时，提交一个“挑战”，证明攻击者的行为。这种机制基于一种经济激励，确保攻击者的潜在利益被抵消，从而保护网络的安全和公正。 Flashbots 的 FBA-FCFS 模型 FBA-FCFS（First Bid Auction - First Come, First Served）模型是 Flashbots 提出的一种交易排序机制。这个模型的目的是为了解决传统的交易选择和排序问题，尤其是在MEV抽取环境中。 First Bid Auction（FBA）部分意味着交易者可以通过出价（通常是支付给矿工的额外费用）来优先处理他们的交易。这类似于拍卖，最高出价者获得优先权。 First Come, First Served（FCFS）则意味着在某些条件下，交易将按照提交的顺序进行处理，确保公平性和透明度。 FBA-FCFS 模型试图平衡公平性和效率，通过允许对交易进行出价来优化网络资源的使用，同时确保不会因为支付能力不足而完全排除某些用户。这些机制各有优缺点，但共同目标是提高交易处理的效率和公平性。通过与 Rollup 和其他 MEV-aware 构建者的合作，SUAVE 旨在为跨链操作提供更高的经济安全性和效率，同时探索新的经济安全模型和 MEV 减缓机制，改善区块链交易排序和执行的去中心化。总结与展望 Metis, Astria, Espresso, Radius, 和 SUAVE 这些项目虽然各有侧重，但共同关注于提高区块链的可扩展性和交易效率，同时解决 MEV 问题，增强系统的去中心化和互操作性。 Metis 通过其 Layer 2 解决方案，专注于优化以太坊的交易处理能力，以降低成本并提高效率，旨在为开发者和企业提供更便利的开发平台。Astria 和 Espresso 则提出了去中心化的共享排序器网络概念，支持多个 Layer 2 解决方案的交易数据处理，这不仅简化了开发和运营流程，还加强了系统之间的可组合性和互操作性。Radius 项目通过引入加密内存池和区块空间划分，致力于创建一个无需信任、抗审查的网络，旨在减少MEV的有害影响，同时提高交易的隐私性和安全性。SUAVE 关注于通过去中心化排序器网络解决 MEV 对交易公平性和透明度的影响，展现了对于提高交易环境公正性的承诺。在探索去中心化排序器的发展方向时，Metis 和 Espresso 提供了两种截然不同的模式，分别是“自营店”模式和“外包模块”方式。这两种模式各自反映了社区在如何构建和维护去中心化排序器方面的不同思考和策略。 Metis采用的“自营店”模式，强调的是通过内部管理和运营其去中心化排序器网络，以确保网络的安全性和稳定性。这种方式使得Metis能够直接控制其网络内的节点，通过质押和激励机制来维持一个健康的网络环境。尽管这种模式能够提高网络的安全性和可靠性，但它也要求Metis承担较大的运营责任和资源投入，可能会在一定程度上限制网络的灵活性和扩展性。相比之下，Espresso 采用的“外包模块”方式，则提供了一种更为灵活和开放的解决方案。通过允许任何区块链项目接入其排序服务，Espresso促进了技术的通用性和多样性，同时也降低了单个项目的运营负担。这种模式的挑战在于，它可能引入额外的信任问题，因为项目方需要依赖Espresso以公正和安全的方式处理交易。此外，任何针对 Espresso 服务的问题或攻击都可能对广泛的客户项目产生影响。 Metis的“自营店”模式和 Espresso 的“外包模块”方式展示了去中心化排序器领域内的两种主要发展路径。每种模式都有其独特的优势和面临的挑战，而选择哪一种取决于项目的具体需求、资源状况以及对去中心化和安全性的重视程度。去中心化排序器的发展前景预示着区块链技术在提升网络安全、增强抗审查能力、提升交易效率、降低成本以及促进生态系统多样性和互操作性方面的巨大潜力。随着去中心化排序器技术的不断进步，我们可以预见一个更加安全、高效的区块链网络，其中去中心化排序机制能够有效地防御单点故障和恶意攻击，保护用户资产和数据的安全。此外，去中心化排序器的优化和创新，如批量处理和状态通道等，将进一步提高 L2 平台的交易处理能力，降低用户交易成本，实现高吞吐量和低延迟的交易确认，从而在不牺牲安全性和去中心化的基础上提升用户体验。同时，去中心化排序器的普及预计将推动一个更加多样化和互操作的区块链生态系统的形成。共享排序器网络，如 Espresso 和 Astria 等，将不仅为多个 L2 平台提供服务，还能促进不同平台间的数据和资产流动，打造一个更加开放和联通的去中心化世界。此外，激励机制和代币经济模型的创新将为去中心化排序器网络的参与者提供合理的激励，同时通过代币经济模型实现网络治理和收益分配，吸引更多参与者，激发社区活力。尽管去中心化排序器前景光明，但它们在技术实现、网络性能优化、治理模型设计等方面仍面临挑战。因此，未来的发展方向可能会集中在研究更高效的共识机制、探索可扩展的网络架构以及开发用户友好的接口和工具上，以满足市场需求和用户期望的增长。总之，去中心化排序器作为推动区块链技术和应用发展的关键因素之一，其未来的演进将在构建一个更高效、安全、开放的去中心化世界中发挥至关重要的作用。来源：金色财经

金色财经2024-02-27

传智教育上涨5.06%，报12.25元/股

集团，主要培养人工智能、鸿蒙应用开发、Python+大数据开发、集成电路应用开发、智能制造、软件、互联网等数字化专业人才及数据分析、新媒体、短视频直播运营、电商视觉设计等数字化应用人才。公司由一批拥有10年以上开发管理经验的IT精英组成，具有完善的课程研发体系，一直走在行业发展的前端，树立了良好的品质口碑。截至9月30日，传智教育股东户数3.6万，人均流通股4746股。 2023年1月-9月，传智教育实现营业收入4.46亿元，同比减少28.42%；归属净利润1.02亿元，同比减少38.84%。

金融界2024-02-22

传智教育上涨5.38%，报11.17元/股

集团，主要培养人工智能、鸿蒙应用开发、Python+大数据开发、集成电路应用开发、智能制造、软件、互联网等数字化专业人才及数据分析、新媒体、短视频直播运营、电商视觉设计等数字化应用人才。公司由一批拥有10年以上开发管理经验的IT精英组成，具有完善的课程研发体系，一直走在行业发展的前端，树立了良好的品质口碑。截至9月30日，传智教育股东户数3.6万，人均流通股4746股。 2023年1月-9月，传智教育实现营业收入4.46亿元，同比减少28.42%；归属净利润1.02亿元，同比减少38.84%。

金融界2024-02-21

ChatGPT 周年纪念反思：AIGC的瓶颈与Web3的机遇

物理硬件。Fetch.ai 提供基于 Python 的开发套件 AEA 框架，该框架是模块化的，使开发人员能够构建他们的智能代理。在此架构之上，Fetch.ai 推出了 Co-Learn（智能体之间共享机器学习模型）和 Metaverse（智能体云托管服务）等后续产品和服务，以支持用户在其平台上开发智能体。关于代币，$FET 作为 Fetch.ai 的原生代币，涵盖了支付 Gas、验证质押以及在网络内购买服务等标准功能。超过90%的$FET代币已解锁，具体分配如下：自成立以来，Fetch.ai 经历了多轮代币稀释融资，最近一次是 2023 年 3 月 29 日从 DWF Lab 获得的 3000 万美元投资。鉴于 $FET 代币不能从项目收入中获取价值，其价格动能主要依赖于项目更新和市场对人工智能领域的情绪。事实上，在两次人工智能市场繁荣的浪潮中，Fetch.ai 的价格在 2023 年初和年底经历了超过 100% 的飙升。 Fetch.ai 的发展轨迹更像是一家 Web2.0 人工智能初创公司，重点是完善其技术。它通过持续的筹款和广泛的合作寻求认可和盈利。这种方法为未来在 Fetch.ai 上开发的应用程序留下了充足的空间，但也意味着它可能对其他区块链项目没有那么大的吸引力，从而可能限制生态系统的活力。Fetch.ai 的一位创始人甚至尝试基于 Fetch.ai 推出一个 DEX 项目 Mettalex DEX，但最终以失败告终。作为一个专注于基础设施的项目，生态系统的衰弱也阻碍了 Fetch.ai 内在价值的增长。四．生成式人工智能的美好未来 NVIDIA首席执行官黄仁勋将生成大型模型的推出比作人工智能的“iPhone时刻”，表明人工智能角色的关键转变，高性能计算芯片成为人工智能稀缺资源的核心。锁定Web3 AI子赛道大部分资金的AI基础设施项目仍然是投资者长期关注的焦点。随着芯片巨头逐渐升级计算能力，AI的能力将会扩展，很可能在Web3中催生更多的AI基础设施项目，甚至可能是专门为Web3中的AI训练而设计的芯片。虽然以消费者为中心的生成式人工智能产品仍处于实验阶段，但一些工业级应用已经显示出巨大的潜力。其中一种应用是将现实世界场景转移到数字领域的“数字孪生” 。考虑到工业数据中尚未开发的价值，NVIDIA 的元宇宙数字孪生平台将生成式 AI 定位为工业数字孪生的重要组成部分。在Web3中，包括虚拟世界、数字内容创作和现实世界资产，受人工智能影响的数字孪生将发挥重要作用。新型交互硬件的开发也至关重要。从历史上看，计算领域的每一次硬件创新都带来了革命性的变化和机遇，比如现在无处不在的电脑鼠标或 iPhone 4 的多点触控电容屏。 Apple Vision Pro宣布将于 2024 年第一季度发布，以其令人印象深刻的演示吸引了全球关注，有望为各行业带来意想不到的变化和机遇。以快速内容制作和广泛传播而闻名的娱乐行业往往首先受益于硬件更新。这其中包括Web3的元宇宙、区块链游戏、NFT等，都是值得长期关注和研究的。从长远来看，生成式人工智能的发展代表着量变导致质变。ChatGPT 的核心是推理问答这一长期研究的学术问题的解决方案。只有通过扩展数据和模型迭代，才达到了 GPT-4 令人印象深刻的水平。Web3中的AI应用也类似，目前正处于Web2模型适应Web3的阶段。完全基于 Web3 数据的模型尚未出现。未来富有远见的项目和致力于研究 Web3 特定问题的大量资源将为 Web3 带来自己的 ChatGPT 级杀手级应用程序。生成式人工智能的技术基础还有很多有前景的探索途径，比如思想链技术。这项技术允许大型语言模型在多步推理方面取得重大飞跃。然而，它也凸显甚至加剧了大型模型在复杂逻辑推理方面的局限性。有兴趣的读者可以探索原作者关于Chain-of-Thought的论文。 ChatGPT之后，Web3中出现了各种以GPT为主题的项目，但简单地将GPT与智能合约结合起来并不能满足用户需求。ChatGPT 发布大约一年后，未来仍然拥有巨大的潜力。未来的产品应该从Web3用户的真实需求出发。随着Web3技术的日益成熟，生成式AI在Web3中的应用必将是广阔而令人兴奋的。来源：金色财经

金色财经2024-02-18

[空投致富]潜力项目Pyth,原来有这么多潜在质押空投机会!

者。 Pyth 网络主要由数据提供者、Python协议、数据使用者三个部分组成。预言机赛道龙头是link，它的数据刷新频率是几分钟到几小时不等，而Pyth数据刷新间隔在300-400毫秒，这种低延迟、高频更新的优势非常明显，特别是在高波动性情况下。最早，Pyth Network是基于Solana公链构建，后迁移至基于 Solana 技术自有的Pythnet 区块链。它覆盖了加密货币、股票、外汇等多种资产类别的数据，为各种DeFi应用提供关键支持。团队背景方面，Pyth Network的核心团队由多位OG组成。创始人之一的Mike Cahill曾任Jump Trading和DRW的高管，拥有丰富的金融市场从业经验。另一创始人Jayant Krishnamurthy曾在高盛和亚马逊网络服务任职，负责过复杂系统的研发。核心开发者Ciaran Cronin来自Chorus One，参与过Cosmos开发，团队阵容是十分豪华的。 Pyth于去年12月5日完成战略融资，融资金额未知，像知名的Castle Island Ventures、Multicoin Capital、Wintermute Ventures、Distributed Global等参与投资。 Pyth代币总供应量100亿，初始释放15%，即目前的15亿枚，当前流通市值为6.12亿美元，排名77位，质押率达到30%。接下来在2024/05/20，将会解锁超21亿枚，占总量的21.3%。根据 TVS 和支持的协议数量， Pyth 已经是预言机板块的龙二协议了。Chronicle 基本是MakerDAO的单机预言机，WINkLink 是为Tron服务的。所以代表华尔街实力派的 Pyth 还是非常有潜力。介绍完Pyth的基本情况，那我们有什么可以从中获利的机会呢？ Tia 早前的空投盛宴应该给大家好好地上了一课，单纯质押居然能够收获利润如此多的其他项目代币，那么新晋的Pyth 也很有机会。参与步骤很简单，把PYTH存进幻影phantom钱包，然后去https://staking.pyth.network，进行质押，之后每周投票就可以了。不过这里需要注意的是，有种说法是质押数量需要在前 20% 队列，才能获得资格领取空投。据官网显示，目前已有超14万地址质押，算下来的话，大概需要单个钱包质押2000多个代币，成本要1000多U，这对小散户会有一定的门槛。在大牛市的背景下，这类金钗子币种是很容易起飞的！ PYTH的强庄控盘很严重，之前多次到了0.4U以上，很快就把价格打下来，2月2日，币安宣布上线PYTH现货交易对，价格大涨突破0.54美元（未突破历史高点0.65美元），很可能已经成为阶段高点！为了配合5月的首次大额解锁，前期庄家很有可能先不让价格飙升太高，洗盘集中筹码，等到临近解锁再进行拉盘，配合解锁后出货。剧本到底是不是这样走，我们也不妨拭目以待。最后，本文为大家整理了一份有潜在空投给PYTH质押者的项目清单： Kamino、Drift Protocol、Monad (evm/acc)、Zeta Markets、marginfi、cega、Parcl、Blast、Flash.Trade、Paradex、Pontem Lumio、Polynomial Protocol P.S 本文不构成投资建议！来源：金色财经

金色财经2024-02-08

初始阶段价值洼地 Tkshib前景及价值分析

b代币也将提前上交易所。本次空投启用python机器学习识别作弊,被识别为作弊者将取消空投。 2、预售详情Tkshib 预售数量300万亿枚。预售时间:2024-01- 30至 2024-02-09(UTC-8)。预售价格:1 ETH = 9000亿 Tkshib;220 USDT = 900 亿 Tkshib,最小购买 0.05 ETH/110,最大购买 10 ETH/22000 USDT 预售地址:0x88Fc281427167A3e847a5b1E134502FA40F1d932 额度按照时间排序,开始发放代币。先到先得,越早参与成功率越大。如预售完毕,未能购买成功将原路自动退款。根据路线图披露,2024年2月Tkshib将上线Binance,Coinbase,Huobi和Hotbit等主流交易所,届时或将实现价值飞速攀升! 来源：金色财经

金色财经2024-02-06

重新审视比特币基于时间的幂律和协整

显着改变我们的结果和结论。我们将使用 python 的statsmodels.tsa.stattools.adfuller函数，其中“maxlag”为 1，并将使用“n”、“c”和“ct”作为“回归”参数（相当于上面维基百科描述的三种风格））。在下图中，我们显示了测试返回的p 值（统计显着性的度量），其中较低的值意味着较高的平稳性可能性（通常使用 0.05 的阈值）。我们观察到，第一种风格（绿线）明确地得出结论：log_price 时间序列是非平稳的。测试的第三个版本（橙色线）得出相同的结论，但不太果断。有趣的是，考虑常数项（蓝线）的检验无法确定时间序列是否平稳（蒂姆很可能也使用了带有常数项的 ADF 检验）。为什么这三个版本如此不同，特别是为什么带有常数项的版本不排除 log_price 是平稳的？只能有一种解释：在 log_price 差异中仅使用常数项（导致 log_price 中存在线性项）可以“很好地”拟合时间序列，从而产生看起来几乎静止的残差信号（尽管具有相当大的开始和结束偏差）。到目前为止，在 log_price 中根本不使用确定性趋势，或者使用二次项确定性效应都效果不佳。这已经给了我们一个强烈的暗示，即时间和 log_price 之间存在关系。事实上，如果使用常数项的 ADF 测试得出信号是平稳的结论，这将意味着线性时间项能够足够好地逼近 log_price 以获得平稳残差。获得平稳残差是可取的，因为它是非虚假关系的标志（即我们已经找到了正确的解释变量）。线性时间趋势并不完全是我们所需要的，但看起来我们已经很接近了。我们的结论与马塞尔·伯格的结论明显不同，他（在另一篇文章中）指出： “在之前的分析中，我表明比特币的价格是一阶积分的，而且现在仍然如此。比特币在价格随时间的演变中没有表现出任何确定性因素。” 我们的结论是，线性时间并不能完全解释比特币随时间的价格行为，但绝对清楚 log_price 具有确定性的时间元素。此外，在删除适当的确定性组件（根据恩格尔和格兰杰的要求）后，log_price 是否为 I(1) 还不清楚。相反，它看起来是趋势平稳的，但仍然需要找到适当的确定性成分。如果我们正在寻找协整，那么 log_price 不是 I(1) 的事实已经是一个问题，因为对于要协整的两个变量，它们必须都是 I(1) 或更高。 log_time 变量现在让我们看看 log_time 变量。Marcel Burger 得出结论，log_time 似乎是六阶积分（他一直保持差分直到遇到数值问题）。他期望像对数这样的数学函数从完全确定性变量转换为随机变量的方法是荒谬的。 Nick对于 log_time 和 log_price 变量得出相同的结论：毫无疑问，它是非平稳的，因此 I(1) 或更高。Tim Stolte 声称log_time 在构造上是非平稳的。这些都是令人惊讶的声明！积分阶和协整是指随机变量的概念，并且从中删除了任何确定性趋势（参见上面的 Engle 和 Granger [2]）。提醒一下：确定性变量的值是提前已知的，而随机变量的值则不然。时间（显然）是完全确定性的，对数函数也是完全确定性的，因此 log_time 也是完全确定性的。如果我们遵循 Engle 和 Granger 并从 log_time 中删除确定性趋势，我们剩下的是一个由零组成的向量，因为 log(x) — log(x) = 0，即我们仍然有一个完全确定性的信号。这意味着我们陷入了困境——我们无法将完全确定性的变量 log_time 转换为随机变量，因此我们无法使用 Engle 和 Granger 的框架。了解协整分析中完全确定性变量的问题有多大的另一种方法是考虑平稳性检验（例如迪基-富勒检验）如何处理它。让我们考虑最简单的情况（其中 y 是感兴趣的变量，rho 是要估计的系数，u 是假设为白噪声的误差项）：应该发生什么？对于 t 的所有值，误差项 u_{t} 均为 0，因为我们没有随机分量 — 不需要误差。但由于 log_time 是时间的非线性函数，因此 rho 的值也必须取决于时间。对于随机变量，该模型更有用，因为变量 rho 捕获了先前随机值的记忆程度。但如果没有随机值，这个模型就没有意义。其他类型的测试也存在与确定性变量相同的问题。因此，完全确定性变量不属于协整分析。或者换句话说：协整分析不适用于确定性信号，并且如果其中一个信号是确定性的，则协整分析是一种声称虚假关系的不合时宜的工具。怎么办？协整仅在两个均为 I(d) 的变量之间定义，其中 d 至少等于 1。我们已经证明 log_time 是一个完全确定性变量，不能在平稳性检验中使用。我们不能说 log_time 是 I(0)、I(1) 还是 I(6)。此外，log_price 也不是 I(1)，而是趋势平稳的。 log_time 和 log_price 之间未定义协整这一事实是否意味着基于时间的幂律在统计上无效或虚假？在任何适当的统计分析中使用混合确定性变量和趋势平稳变量都是完全有效的。正如我们的批评者试图相信的那样，协整并不是统计关系分析的中心点。所以协整是不可能的。但平稳性分析可能仍然有一席之地应用于幂律模型。让我们进一步探讨一下。我们之所以首先对输入变量之间进行协整分析，是因为我们希望找到两者的平稳线性组合。没有根本原因说明为什么不可能将确定性变量 (log_time) 和趋势平稳变量 (log_price) 组合起来以获得平稳变量。因此，我们可以简单地对残差进行平稳性测试，而不是寻找严格意义上的协整（因为残差只是两个输入信号的线性组合）。如果残差是平稳的，即使我们没有严格遵循恩格尔-格兰杰协整检验，我们也会找到平稳的线性组合（这是协整的目标）。更深入的研究 James G. MacKinnon在他的论文“协整检验的临界值”[3] 中准确地解释了这一点：协整检验（Engle Granger 检验）与残差的平稳性检验（DF 或 ADF 检验）是一样的，如果“协整”回归”（将 log_time 链接到 log_price 的回归）已经执行： MacKinnon 重复了这一说法：如果连接 log_time 和 log_price 的参数是先验已知的，则可以跳过 Engle Granger 协整检验，而是可以对残差执行三种常见风格之一的平稳性检验（DF 或 ADF 检验）：因此，我们可以使用两种方法中的任何一种，除了生成的检验统计量之外，它们是相同的：将 log_time 拟合到 log_price 并计算残差（误差）。根据该残差，计算 DF 或更好的 ADF 检验。由此产生的统计数据告诉我们残差是否平稳。假设 log_time 和 log_price 为 I(1)，并运行 Engle-Granger 协整检验。得到的统计数据还告诉我们残差是否平稳。对于 ADF 测试，使用 python 的statsmodels.tsa.stattools.adfuller函数；对于 Engle-Granger 测试，我们使用statsmodels.tsa.stattools.coint。对于这两个函数，我们使用不使用常数的风味（随着时间的推移没有恒定的漂移），因为我们的残差不应该包含随着时间的推移恒定的漂移（因为这意味着随着时间的推移，模型开始过度或低估价格）。我们写道，ADF 和 Engle-Granger 检验是等效的，但这并不完全正确：它们不会产生相同的检验统计量。Engle-Granger 协整检验假设 N=2 个随机变量，而 ADF 检验假设 N=1 个随机变量（N 是自由度的度量）。一个随机变量可以受到另一个随机变量或确定性变量的影响，但确定性变量不能受到随机变量的影响。因此，在我们的例子中（只有一个确定性变量 log_time），ADF 测试返回的统计数据（假设 N=1 随机变量）是首选。原则上，Engle-Granger 和 ADF 检验可能不一致，但实际上，基于时间的模型并非如此。如下图所示，结论是一样的：我们得到了一个平稳残差向量。两项测试最初均未指示平稳残差，这是正常的。这是因为残余信号中存在低频分量，可能会被误认为是非平稳信号。只有随着时间的推移，残差均值才会明显恢复并且实际上是静止的。 S2F 和长期股指价格 S2F 模型似乎已被普遍忽视，因为严格意义上的协整被证明是不可能的，其原因与基于时间的幂律相似：（部分）确定性输入变量。然而，模型产生的残差看起来非常稳定。事实上，Engle-Granger 协整检验和 ADF 平稳性检验（首选，因为有一个确定性变量和一个随机变量）都产生非常接近 0 的 p 值。因此，不应排除 S2F 模型“缺乏协整”的基础（实际上意味着“缺乏平稳性”）。然而，我们在 2020 年初指出，还有其他迹象表明 S2F 模型不应该成立。我们预测 BTCUSD 价格将低于 S2F 模型的预测，事实证明这一预测是有先见之明的。查看长期股价指数与时间的关系也很有趣（这里是没有再投资股息的标准普尔 500 指数）。众所周知，主要股票市场指数平均以7%左右的指数速度增长。事实上，我们通过指数回归证实了这一点。这里我们再次有一个确定性变量（时间）。Engle Granger 协整检验产生约 0.025 的 p 值，ADF 检验（首选）产生约 0.0075 的 p 值（但这些值高度依赖于选择的确切时间段）。再次是平稳残差。股票价格的指数时间趋势是有效的。影响 S2F 模型最初因其良好的计量经济学基础（特别是协整的存在）而受到高度赞扬（尤其是 Marcel Burger 和 Nick Emblow）。随着潮流的转变，人们发现 S2F 模型无法存在协整（严格意义上的），Marcel 和 Nick 都跳槽并宣布 S2F 模型无效。看来，这次事件之后，人们对S2F模型的看法也发生了变化。埃里克·沃尔（Eric Wall）对事件的转变做了精彩的简短总结。我们已经解释过，并且计量经济学文献（MacKinnon [3]）也同意我们的观点，即协整性和平稳性几乎可以互换使用（统计值除外）。利用这一见解，我们发现 S2F 模型在协整/平稳性方面没有任何问题，因此因为假设缺乏协整而改变对 S2F 模型的看法是错误的。我们同意S2F 模型是错误的，但它的错误除了缺乏协整之外还有其他原因。比特币基于时间的幂律因其缺乏协整性而受到批评，据称将 log_time 和 log_price 之间的关系标记为虚假关系。我们已经证明，比特币基于时间的幂律具有明显静止的残差，因此我们批评者的推理路线是没有意义的。比特币基于时间的幂律模型是有效、稳定和强大的。一如既往。来源：金色财经

金色财经2024-02-04

Web3技术引领商业变革：2024年的应用前景

0％的业务用例，因此现在又为长期运行的Python作业开发了一个类似的解决方案。它使任何人都能从现有数据库中提取数据并加载到Space and Time中，而无需使用任何代码，然后将Python作业连接到具有ZK证明担保的智能合约。该解决方案可实现大量新的区块链用例，例如链上永久期权的防篡改价格计算，或基于链外馈送的大量数据开发链上指数。我们所看到的企业区块链的发展正处于一个关键时刻，企业采用区块链的势头已经开始加快。 2024年似乎将成为一个转折点，人们的兴趣将首次与真正就绪的Web3技术相遇。来源：金色财经

金色财经2024-02-01

零时科技 ||《2023年全球Web3行业安全研究报告》正式发布

金色财经2024-02-01

24小时热点