mXRP,一種可產生收益的XRP代幣化產品,通過Lista DAO擴展至BNB Chain
Midas發行的收益型代幣化XRP產品mXRP,正通過Lista DAO擴展至BNB Chain。此次擴展使XRP持有者能夠接觸BNB Chain上的DeFi,並在mXRP的基礎收益策略之上獲取額外收益。
mXRP——由Midas與Axelar開發商Interop Labs合作發行的可產生收益的代幣化XRP產品——現正透過與該網絡上的借貸協議Lista DAO整合,擴展至BNB Chain。
該整合允許mXRP作為抵押品在Lista的借貸市場中使用,使持有者能將mXRP的基礎收益與流動性池和借貸市場中的額外DeFi回報結合。此次擴展讓mXRP超越了其現有在XRP Ledger及XRP Ledger的Ethereum虛擬機(EVM)側鏈上的可用性。
「Lista是我們在BNB Chain上的首個整合夥伴,」Midas聯合創辦人兼執行長Dennis Dinkelmeyer向The Block表示。「mXRP現已可作為Lista DAO的抵押品,流動性由Hyperithm XRP vault提供。在新鏈上啟動時,從第一天起就有實際應用場景非常重要,讓用戶能立即將他們的mXRP投入運作。」
mXRP於九月推出,允許用戶通過Midas質押XRP並獲得mXRP——一種ERC-20代幣——代表他們對基礎XRP的權益以及由Hyperithm等對手方執行的預定義「市場中性」策略所產生的回報。這些策略包括在中心化交易所和DeFi協議上的交易與借貸。贖回時將根據策略表現和可用抵押品兌付XRP。
mXRP建立於Axelar提供的基礎設施之上,Axelar為XRPL EVM提供互操作性,並橋接用於鑄造mXRP的gas代幣(Axelar-bridged XRP)。雖然Axelar已經支援BNB Chain,Dinkelmeyer表示Midas發行的代幣目前尚未可跨鏈橋接,因此mXRP是通過Lista在BNB Chain上原生發行。
「我們目前正致力於通過Axelar實現跨鏈功能,預計這項功能很快就會上線,」他說。
Axelar聯合創辦人兼Axelar Foundation董事Georgios Vlachos表示,mXRP選擇在Binance Chain原生發行,是出於用戶體驗考量,因為許多用戶已在該鏈持有Binance-Peg XRP。原生合約將允許他們直接從wrapped XRP鑄造mXRP,無需先轉換為原生XRP。
「未來,我們的目標是實現XRPL EVM上的mXRP與Binance Chain上的mXRP之間的無縫轉移,」他說。Vlachos補充,Lista的整合將有助於mXRP觸及大量BNB Chain用戶。
根據Midas引用BscScan數據,BNB Chain上大約有480,000名XRP持有者,合計持有約8億美元的wrapped XRP。該整合為這些用戶提供了利用其XRP頭寸賺取收益的新途徑。
根據Midas官網,目前mXRP的總鎖倉價值約為2,500萬美元。「通常,Midas產品的增長由其在Lista DAO等DeFi協議上的可重複利用性推動,」Dinkelmeyer表示。「隨著採用率提升,我們預計將看到更強勁的增長動能。」
Midas發行的代幣,包括mXRP,並不對美國、英國或受制裁地區的用戶開放。Midas報告其所有代幣化產品的總鎖倉價值超過12億美元。
免責聲明:文章中的所有內容僅代表作者的觀點,與本平台無關。用戶不應以本文作為投資決策的參考。
您也可能喜歡
美股錯過了眼前的「好消息」?盈利預期罕見上調,策略師:基本面強得「不像真的」
Seaport Research Partners認為,美股正面臨企業盈利與股價表現的明顯背離:第二季盈利強勁,分析師預期持續上修,但高利率與盈利持續性的擔憂壓抑估值,工業、交通運輸等板塊可能存在錯價機會。不過,如果聯準會重新釋放升息信號,短期內仍可能對股市帶來壓力。
美國中選在即,華爾街押注國會分裂,市場或迎來溫和喘息?
美國中期選舉臨近,華爾街普遍押注民主黨奪回眾議院、共和黨守住參議院的「分裂國會」格局,認為這將限制激進政策、緩解不確定性。歷史數據顯示,自1950年以來,共和黨總統任內出現分裂國會時,美股年均漲幅達13.7%,高於共和黨或民主黨單獨掌控國會時的8.3%和4.9%。若選舉結果偏離預期,市場仍可能劇烈波動。
美股知名投資人Eric Jackson加入盛大科技(SDA.US)顧問委員會 協助公司國際化戰略與投資者關係建設
EMJ Capital 創始人、知名科技投資人 Eric Jackson 正式加入公司顧問委員會。

AI推理時代「光互連」需求爆棚!「站在光裡」的Lumentum (LITE.US)搶跑NPO、擴容OCS 迎接盈利躍升時刻
從底層工程角度來看,光互連需求的增長來自更多計算節點之間更頻繁、更嚴格的數據交換:混合專家模型(MoE)的專家並行需要跨GPU分發和彙總數據;預填充與解碼分離(Prefill–Decode Disaggregation)需要傳輸鍵值快取(KV Cache);複雜智能體工作流增加模型調用、工具執行和數據訪問的併發量。

