Cointime

Download App
iOS & Android

Thông tin chi tiết về toán học của Uniswap v3: Hành vi giá của tài sản kỹ thuật số

Được viết bởi: ck.eth

Biên soạn: Lylia

Phân phối hyperbol [1], ban đầu được phát triển để mô phỏng biến động bão cát [2] (động lực cát ở sa mạc), có ứng dụng trong mô hình hóa lợi nhuận tài sản tài chính do tính linh hoạt của tham số [3].

Bên trái: Nhìn vào phân bố thống kê trên biểu đồ logarit sẽ giúp bạn hiểu rõ hơn về hình dạng của nó. Phân bố Hyperbora có hình dạng tương tự như hyperbol, trong khi phân bố Gaussian nét đứt có thể được xem như một parabol do sự hiện diện của số hạng e^-x²/2. Đúng: Bạn có thể hiểu rõ hơn các đặc điểm của phân phối bằng cách nhìn vào phần đuôi của nó trên biểu đồ log-log. Phân phối luật lũy thừa không thể hiện xu hướng phân rã trong biểu đồ log-log. Các phân phối khác nhau có thể được kết hợp bằng cách kết hợp các phân phối và sử dụng các tham số trọng số.

Hành vi giá của tài sản kỹ thuật số

Nó rất hữu ích cho các nhà cung cấp thanh khoản (LP) để hiểu được động lực giá của tài sản của họ. Nếu chúng ta xem xét dữ liệu lịch sử của Bitcoin (BTC), tài sản kỹ thuật số lâu đời nhất, dưới dạng biểu đồ logarit kể từ năm 2015, sử dụng lợi nhuận hàng ngày là 3091, chúng ta thấy rằng ngoài một số ngoại lệ, thì phân phối hyperbol tổng quát phù hợp về mặt lịch sử. hàng ngày trở lại tốt.

Những điểm bất thường trong sự phù hợp của chúng tôi tình cờ là các ngoại lệ ở ngoài cùng bên phải và bên trái, có thể được quan sát thấy trong biểu đồ log-log. Trong hình này, chúng ta có thể thấy rằng các đuôi của lợi nhuận âm được thể hiện bằng màu đỏ, trong khi các đuôi lợi nhuận dương được thể hiện bằng màu xanh lam.

Mặc dù những chiếc đuôi trông giống nhau nhưng có một số điểm không khớp ở các điểm ngoại lệ ở bên phải. Để làm mịn biểu đồ, tôi đã sử dụng phương pháp Ước tính mật độ hạt nhân (KDE).

Kể từ ngày 1 tháng 1 năm 2015, đuôi trái và đuôi phải của lợi nhuận hàng ngày của Bitcoin (BTC) cho thấy sự bất cân xứng, đặc biệt là đuôi phải.

Điều này có nghĩa là việc kết hợp một hyperbola tổng quát với định luật lũy thừa bất đối xứng có thể mô tả động lực của giá Bitcoin. Điều quan trọng cần lưu ý là tôi đã chọn Bitcoin làm ví dụ vì đây là chuỗi thời gian lâu đời nhất và cũng ít biến động nhất trong tất cả các tài sản kỹ thuật số, có nghĩa là các nhà cung cấp thanh khoản (LP) của các tài sản kỹ thuật số khác sẽ có hành vi biến động nhiều hơn.

Mô hình động giá

Có hàng chục phân bố thống kê có thể được trộn lẫn để mô phỏng hành vi sóng này. Ví dụ, trong tài chính truyền thống, một cách tiếp cận phổ biến là sử dụng chuyển động Brown hình học (phân phối logic chuẩn) và kết hợp nó với quy trình Löwy (phân phối Poisson) để tính đến sự tăng giá.

Các đường dẫn mô phỏng được Erik Bardoux và Antonis Papapantoleon hình dung trong bài giảng của họ về các quy trình Leveré.

Tôi đã tạo một thư viện gồm hơn 50 bản phân phối thống kê trên Desmos để giúp người dùng khám phá các bản phân phối này và cách sao chép vị trí LP của các bản phân phối này trên Uniswap thông qua tích phân Riemann.

Link Desmos cho thư viện phân phối thống kê: https://www.desmos.com/calcator/4ey6hbevzf

Link Desmos cho thư viện phân phối thống kê: https://www.desmos.com/calcator/4ey6hbevzf

Một tính năng thú vị của Desmos là khả năng chuyển sang biểu đồ log-log, cho phép bạn xem các đặc điểm đuôi của từng phân bố thống kê thay đổi như thế nào.

Nếu bạn muốn so sánh phân phối nào là tốt nhất cho dữ liệu của mình, bạn có thể sử dụng thử nghiệm Kolmogorov-Smirnov để so sánh hàm phân phối tích lũy với dữ liệu biểu đồ tích lũy theo kinh nghiệm của bạn. Tuy nhiên, chúng ta cũng có thể sử dụng một cách tiếp cận đơn giản dưới đây, trong đó chúng ta chỉ giả định phân phối xấu nhất có thể.

Nếu bạn không biết gì về tương lai thì sao? Chà, chúng ta có thể nghĩ về sự phân bố tồi tệ nhất có thể có trong không gian giá trông như thế nào, đó là định luật lũy thừa với các đuôi kéo dài vô tận. Một trong những phân bố như vậy là phân bố Cauchy (trong không gian giá, phân bố tương đương là phân bố log-Cauchy).

Phân bố Cauchy không tuân theo quy luật số lớn, nó có ý chí riêng. Bạn có thể tham khảo link này: https://en.wikipedia.org/wiki/Cauchy_distribution#/media/File:Mean_estimator_consistency.gif để tìm hiểu về đặc điểm của phân bố Cauchy.

Một đặc tính của phân bố Cauchy là nó không tuân theo quy luật số lớn. Bạn có thể tính toán mức trung bình trong 30 ngày qua và nghĩ rằng bạn nhìn thấy một khuôn mẫu, nhưng thực tế nó có thể đang đánh lừa bạn. Một ví dụ thú vị là mức trung bình của cặp giao dịch DOGE/ETH, có thể biểu hiện hành vi này do thiếu thanh khoản.

Mặc dù Dogecoin và Ethereum đã tồn tại được hơn 7 năm nhưng quá trình nhảy vọt của cặp giao dịch này có những đặc điểm riêng khiến việc áp dụng các phương pháp xấp xỉ thống kê trở nên khó khăn.

Mặc dù Dogecoin và Ethereum đã tồn tại được hơn 7 năm nhưng quá trình nhảy vọt của cặp giao dịch này có những đặc điểm riêng khiến việc áp dụng các phương pháp xấp xỉ thống kê trở nên khó khăn.

Có những ngoại lệ ngày càng tăng trong biểu đồ loglog ở bên phải. Tôi đã học được rằng phân phối với các giá trị ngoại lệ ngày càng tăng trong biểu đồ loglog là phân phối log-Cauchy.

Chúng ta có thể thấy phân bố Cauchy trông như thế nào so với phân bố logic chuẩn trong không gian giá.

Bên trái: Biểu đồ loglog của phân bố logarit chuẩn là parabol, với phần đuôi tuyến tính của định luật lũy thừa Cauchy được biểu thị bằng màu đỏ và đường đứt nét màu đen biểu thị phân bố log-Cauchy. Bên phải: biểu thị cùng một phân bố trong không gian giá, dao động từ [ 0, khổng lồ).

Phân phối log-Cauchy không tệ bằng toàn bộ vị trí Uniswap v2, nhưng đây là trường hợp xấu thứ hai. Dựa trên những gì chúng ta đã học về tối ưu hóa hiệu quả vốn ở Phần 12 , việc đặt giới hạn dưới khoảng 80-90% có thể giúp cải thiện điều đó vì khi giá tiến đến giới hạn dưới, phân phối bắt đầu tăng, do đó không cần phải giữ cung cấp thanh khoản cho đến khi bằng không.

Bắt đầu từ mức giá hiện tại 1, việc đặt giới hạn thấp hơn 80-90% có thể được sử dụng làm điểm khởi đầu để giới hạn phạm vi, nhưng tôi không khuyên bạn nên đầu tư/mua/bán bất kỳ tài sản nào dựa trên động thái như vậy. Đây không phải là lời khuyên tài chính. Cách tốt nhất là chờ đợi và tìm hiểu thêm về một nội dung.

Về phân bố luật lũy thừa trong các hệ thống phức tạp

Nhưng liệu một phân bố lũy thừa như phân bố Cauchy có đuôi ngắn hơn theo thời gian không? Trong một hệ thống đang phát triển và phức tạp như tiền điện tử, rất khó để loại bỏ hoàn toàn hiện tượng luật lũy thừa (xem phụ lục), nhưng có thể giảm mức độ không chắc chắn.

Nếu bạn nghĩ về điều đó, tất cả tài sản đều trải qua những khoảnh khắc không chắc chắn trong giai đoạn đầu. Trên thực tế, với sự phát triển của các nhà tạo lập thị trường tự động (AMM), chúng tôi đã phát hiện ra những mối liên hệ thú vị không thể đoán trước được trên thị trường tài chính truyền thống. Người ta sử dụng luật căn bậc hai để ước tính một cách thống kê hiệu ứng giá cả. Với AMM, chúng tôi có thể dự đoán chính xác mức độ ảnh hưởng của giá chỉ đơn giản là một chức năng của thanh khoản tập trung và không cần phải xem xét khối lượng hoặc sự biến động để xác định tác động của giá tại một thời điểm nhất định. Đưa lập luận lên mức cực đoan, giả sử Jerome Powell tải xuống MetaMask và quyết định tài trợ thanh khoản bằng DOGE/ETH và cung cấp thanh khoản hàng nghìn tỷ đô la. Mỗi người cố gắng bán DOGE đều có tác động tiêu cực gần như không đáng kể đến giá và như bạn có thể thấy từ phân phối lợi nhuận, độ biến động giảm dần theo thời gian, dần dần trở nên ít giống phân phối Cauchy hơn.

Do đó, việc có một nhà cung cấp thanh khoản có đủ tiền và đủ dũng cảm để cung cấp cho AMM thanh khoản dư thừa trong một thời gian dài có thể làm giảm tính biến động của tài sản. Mặc dù tôi nghi ngờ sẽ có ít người có thể sở hữu một chiếc máy in tiền kỹ thuật số trong tay để tăng thêm lòng can đảm.

Trong trường hợp không có máy in tiền kỹ thuật số, một cách để ngành công nghiệp tiền điện tử khắc phục vấn đề này là giới thiệu các tài sản trên blockchain có thể cung cấp cho các nhà cung cấp thanh khoản những đảm bảo mua hàng liên tục. Những tài sản này có thể bao gồm: cổ phiếu trả cổ tức lớn (được mua bởi các quỹ hưu trí dành cho người về hưu), trái phiếu (được các ngân hàng và doanh nghiệp mua để tài trợ ngắn hạn), ngoại hối (rất khó đạt được một loại tiền tệ fiat tập trung toàn cầu duy nhất, vì vậy người Trung Quốc khó có thể đạt được một loại tiền tệ pháp định tập trung duy nhất). nhân dân tệ, đô la Mỹ, các cặp tiền tệ như đồng euro sẽ vẫn được sử dụng) và hàng hóa (thực phẩm và sưởi ấm sẽ luôn có nhu cầu). Là nhà cung cấp thanh khoản, bạn yên tâm hơn khi cung cấp thanh khoản cho một cặp giao dịch như McDonald's/Corn vì bạn biết sẽ luôn có một số nhu cầu, do đó không làm mất đi tính thanh khoản. Ngay cả khi có những khoản lỗ chênh lệch, với tư cách là nhà cung cấp thanh khoản, bạn có thể yên tâm vì bạn sẽ là chủ sở hữu của một loạt máy làm Bữa ăn vui vẻ hoặc một chùm ngô.

ruột thừa

Về luật quyền lực và lý do tại sao hiện tượng này sẽ tiếp tục tồn tại trong tiền điện tử và tài chính truyền thống:

Một ví dụ điển hình gần đây là (ngày 8 tháng 1 năm 2023) hệ thống DeFi đang cùng phát triển, trong đó Curve bị tấn công thông qua Vyper, từ đó ảnh hưởng đến các giao thức khác như Aave, từ đó ảnh hưởng đến quyết định rút tiền của những người dùng khác. Sự tồn tại của lỗ hổng zero-day khiến hệ thống liên tục phát triển và trở nên mất cân bằng, tạo ra các sự kiện đuôi.

Đây là mã để lấy dữ liệu lịch sử từ Internet:

nhập toán

nhập numpy dưới dạng np

nhập yfinance dưới dạng yf #đảm bảo 'pip cài đặt yfinance'

nhập gấu trúc dưới dạng pd

nhập matplotlib.pyplot dưới dạng plt

nhập matplotlib.animation dưới dạng hoạt ảnh

#Tải xuống BTC/EUR làm mặc định

nhập matplotlib.animation dưới dạng hoạt ảnh

#Tải xuống BTC/EUR làm mặc định

ticker1="BTC-USD" #^GSPC, ^IXIC, CL=F,^OVX, GC=F, BTC-USD, JPY=X, EURUSD=X, ^TNX, TLT, SHY, ^VIX, LLY, XOM

ticker2="EURUSD=X"

t_0="2017-07-07"

t_f="2023-07-07"

data1=yf.download(ticker1, start=t_0, end=t_f)

data2=yf.download(ticker2, start=t_0, end=t_f)

dữ liệu3=dữ liệu1

dat=data1['Đóng']

dat = pd.to_numeric(dat,error='coerce')

dat=dat.dropna()

dat_ret=dat.pct_change(1)

x = np.array(dat.values)

dat_recurrence=dat/max(dat)

xr = np.array(dat_recurrence.values)

fig, (ax1, ax2) = plt.subplots(nrows=1, ncols=2, figsize=(6.5,3))

# Vẽ sơ đồ logistic ở ô con đầu tiên

ax1.plot(range(len(x)), x, '#056398', linewidth=.5)

ax1.set_xlabel('Thời gian')

ax1.set_ylabel(str(ticker1)+'/'+str(ticker2)+' Tỷ lệ giá')

ax1.set_title(str(ticker1)+'/'+str(ticker2)+' Biến động kể từ '+ str(t_0))

ax1.set_yscale('log')

n_end=len(x)

# Tạo biểu đồ lặp lại của bản đồ logistic trong ô con thứ hai

R = np.zeros((n_end, n_end))

cho tôi trong phạm vi (n_end):

cho j trong phạm vi (i, n_end):

nếu abs(xr[i] - xr[j]) < 0,01:

R[i, j] = 1

R[j, i] = 1

ax2.imshow(R, cmap='viridis', Origin='low', vmin=0, vmax=1)

ax2.set_xlabel('Bước thời gian')

ax2.set_ylabel('Bước thời gian')

ax2.set_xlabel('Bước thời gian')

ax2.set_ylabel('Bước thời gian')

ax2.set_title('Biểu đồ lặp lại của ' +str(ticker1)+'/'+str(ticker2))

loạt = pd.Series(dat_ret).fillna(0)

hình, ax = plt.subplots()

mật độ = stats.gaussian_kde(series)

series.hist(ax=ax, bins=400, edgecolor='black',color='#25a0e8', linewidth=.2,figsize=(6.5,2),histtype=u'step', mật độ=True)

ax.set_xlabel('Trả về nhật ký')

ax.set_ylabel('Tần suất nhật ký')

ax.set_title('LogLog Biểu đồ trả về ' +str(ticker1)+'/'+str(ticker2))

ax.set_yscale('log')

ax.set_xscale('log')

ax.grid(Không có)

plt.scatter(loạt, mật độ(loạt), c='#25a0d8', s=6)

hình, ax2 = plt.subplots()

series.hist(ax=ax2, bins=400, edgecolor='black',color='#25a0e8', linewidth=.2,figsize=(6.5,2),histtype=u'step', mật độ=True)

ax2.set_xlabel('Trả về nhật ký')

ax2.set_ylabel('Tần suất nhật ký')

ax2.set_title('Biểu đồ trả về Log-y ' +str(ticker1)+'/'+str(ticker2))

ax2.set_yscale('log')

ax2.grid(Không có)

plt.scatter(loạt, mật độ(loạt), c='#25a0d8', s=6)

plt.show()

双曲线分布和混合模型

nhập numpy dưới dạng np

từ matplotlib nhập pyplot dưới dạng plt

từ số liệu thống kê nhập scipy

p, a, b, lộc, tỷ lệ = 1, 1, 0, 0, 1

rnge=15

x = np.linspace(-rnge, rnge, 1000)

#Mô hình hỗn hợp cho đuôi

rnge=15

x = np.linspace(-rnge, rnge, 1000)

#Mô hình hỗn hợp cho đuôi

w=.999

dist1=stats.genhyperbolic.pdf(x, p, a, b, loc, thang đo)

dist2=stats.cauchy.pdf(x, loc,scale)

hỗn hợp=np.nansum((w*dist1,(1-w)*dist2),0)

plt.figure(figsize=(16,8))

plt.subplot(1, 2, 1)

plt.title("Nhật ký phân phối hyperbol tổng quát-Y")

plt.plot(x, stats.genhyperbolic.pdf(x, p, a, b, loc,scale), label = 'GH(p=1, a=1, b=0, loc=0,scale=1) ', màu='đen')

plt.plot(x, stats.genhyperbolic.pdf(x, p, a, b, loc,scale),

color = 'đỏ', alpha = .5, label='GH(p=1, 0

[plt.plot(x, stats.genhyperbolic.pdf(x, p, a, b, loc,scale),

color = 'red', alpha = 0,2) cho a trong np.linspace(1, 2, 10)]

plt.plot(x, stats.genhyperbolic.pdf(x, p,a,b,loc,scale),

color = 'blue', alpha = 0,2, label='GH(p=1, a=1, -1

plt.plot(x, stats.genhyperbolic.pdf(x, p,a,b,loc,scale),

color = 'xanh', alpha = 0,2, nhãn='GH(p=1, a=1, 0

[plt.plot(x, stats.genhyperbolic.pdf(x, p, a, b, loc,scale),

color = 'blue', alpha = .2) cho b trong np.linspace(-10, 0, 100)]

[plt.plot(x, stats.genhyperbolic.pdf(x, p, a, b, loc,scale),

color = 'green', alpha = .2) cho b trong np.linspace(0, 10, 100)]

plt.plot(x, stats.norm.pdf(x, loc,scale), label = 'N(loc=0,scale=1)', color='purple', dashes=[3])

plt.plot(x, stats.laplace.pdf(x, loc,scale), label = 'Laplace(loc=0,scale=1)', color='black',dashes=[1])

plt.plot(x,mix, label = 'Cauchy(loc=0,scale=1)', color='blue',dashes=[1])

plt.xlabel('Trả về')

plt.ylabel('Mật độ nhật ký')

plt.ylim(1e-10, 1e0)

plt.yscale('log')

x = np.linspace(0, 10000, 10000)

dist1=stats.genhyperbolic.pdf(x, p, a, b, loc, thang đo)

dist2=stats.cauchy.pdf(x, loc,scale)

hỗn hợp=np.nansum((w*dist1,(1-w)*dist2),0)

plt.subplot(1, 2, 2)

plt.title("Nhật ký đuôi phân phối hyperbol tổng quát-Y Log-X")

plt.plot(x, stats.genhyperbolic.pdf(x, p, a, b, loc,scale), label = 'GH(p=1, a=1, b=0, loc=0,scale=1) ', màu='đen')

plt.plot(x, stats.genhyperbolic.pdf(x, p, a, b, loc,scale),

color = 'đỏ', alpha = .5, label='GH(p=1, 0

[plt.plot(x, stats.genhyperbolic.pdf(x, p, a, b, loc,scale),

color = 'red', alpha = 0,2) cho a trong np.linspace(1, 2, 10)]

plt.plot(x, stats.genhyperbolic.pdf(x, p,a,b,loc,scale),

color = 'blue', alpha = 0,2, label='GH(p=1, a=1, -1

plt.plot(x, stats.genhyperbolic.pdf(x, p,a,b,loc,scale),

color = 'xanh', alpha = 0,2, nhãn='GH(p=1, a=1, 0

[plt.plot(x, stats.genhyperbolic.pdf(x, p, a, b, loc,scale),

color = 'blue', alpha = .2) cho b trong np.linspace(-10, 0, 100)]

[plt.plot(x, stats.genhyperbolic.pdf(x, p, a, b, loc,scale),

color = 'green', alpha = .2) cho b trong np.linspace(0, 10, 100)]

plt.plot(x, stats.norm.pdf(x, loc,scale), label = 'Gaussian', color='purple', dashes=[3])

plt.plot(x, stats.laplace.pdf(x, loc,scale), label = 'Laplace(loc=0,scale=1)', color='black',dashes=[1])

plt.plot(x, stats.cauchy.pdf(x, loc,scale), label = 'Cauchy(loc=0,scale=1)', color='blue',dashes=[1])

#Mô hình trộn đuôi nặng

plt.plot(x,mix, label = 'GH+Cauchy Mix(loc=0,scale=1)', color='red',dash=[1])

plt.xlabel('Trả về nhật ký')

plt.ylabel('Mật độ nhật ký')

plt.ylim(1e-10, 1e0)

plt.xlim(1e-0,1e4)

plt.xscale('log')

plt.yscale('log')

plt.legend(loc="phía trên bên phải")

plt.subplots_ adjustment(right=1)

Các bình luận

Tất cả bình luận

Recommended for you

  • Iran phóng tên lửa tấn công mới vào Israel, báo động vang lên khắp Israel

    Theo Jerusalem Post: Iran đã tiến hành một loạt cuộc tấn công tên lửa mới vào Israel và báo động vang lên khắp Israel. Người ta nghe thấy tiếng nổ ở các thành phố Tel Aviv và Jerusalem của Israel.

  • ZKJ đã tăng hơn 80% trong giờ qua và mức giảm trong 24 giờ đã thu hẹp xuống còn 77%.

    Theo dữ liệu thị trường, ZKJ đã tăng hơn 80% trong giờ qua, giá trị thị trường của cổ phiếu này phục hồi lên 140 triệu đô la Mỹ và mức giảm trong 24 giờ thu hẹp xuống còn 77%.

  • Nhà phân tích: Khối lượng giao dịch của Binance Alpha đã giảm trong nhiều ngày liên tiếp, đây có thể là nguyên nhân khiến KOGE và ZKJ "bán tháo" vào đêm nay

    Nhà phân tích dữ liệu trên chuỗi Ai Yi (@ai_9684xtpa) đã đăng một bài viết để phân tích sâu hơn về sự cố sập giá đột ngột của KOGE và ZKJ tối nay:

  • Đêm qua, máy bay chiến đấu của Israel đã bay hơn 2.000 km từ Israel và tấn công Sanaa, Yemen.

    Người phát ngôn quân đội Israel cho biết, đêm qua, trong khi tiến hành các cuộc không kích vào Iran, các máy bay chiến đấu của không quân đã bay hơn 2.000 km từ Israel và tấn công Sanaa, Yemen. Chúng tôi sẽ cập nhật kết quả của cuộc không kích này sau.

  • BNB vượt qua mức 650 đô la

    Thị trường cho thấy BNB đã vượt qua mức 650 đô la và hiện đang giao dịch ở mức 650,05 đô la, với mức giảm 0,12% trong 24 giờ. Thị trường rất biến động, vì vậy hãy kiểm soát rủi ro thật tốt.

  • Đại diện Trung Quốc: Câu chuyện của Hoa Kỳ về "thuế quan qua lại" là một chiều và gây hiểu lầm, bỏ qua thặng dư trong thương mại dịch vụ

    Tổ chức Thương mại Thế giới đã tổ chức cuộc họp thường niên lần thứ hai của Hội đồng Thương mại Dịch vụ tại Geneva, Thụy Sĩ vào ngày 13. Trung Quốc chỉ ra lời kể gây hiểu lầm và logic sai lầm của "thuế quan qua lại" của Hoa Kỳ và yêu cầu Hoa Kỳ tuân thủ các quy tắc của WTO, giải quyết bất đồng thông qua hợp tác đa phương thay vì các biện pháp đơn phương và cùng nhau duy trì sự ổn định của hệ thống thương mại toàn cầu với tất cả các bên. Đại diện Trung Quốc chỉ ra rằng Hoa Kỳ là quốc gia lớn nhất thế giới có thặng dư thương mại trong lĩnh vực dịch vụ và từ lâu đã duy trì thặng dư thương mại trong lĩnh vực dịch vụ với các đối tác thương mại lớn, với thặng dư gần 300 tỷ đô la Mỹ vào năm 2024. Không chỉ vậy, Hoa Kỳ đã thu được lợi nhuận cao hơn nhiều từ thương mại quốc tế và toàn cầu hóa kinh tế so với dữ liệu thương mại cho thấy bằng cách tham gia sâu vào các mắt xích có giá trị gia tăng cao nhất trong chuỗi giá trị toàn cầu, chẳng hạn như nghiên cứu và phát triển, thiết kế và bán hàng. Ngoài ra, Hoa Kỳ chỉ nói về "thua lỗ" trong thương mại hàng hóa và tránh nói về "lợi nhuận" trong thương mại dịch vụ, điều này rõ ràng là phiến diện và gây hiểu lầm. Hoa Kỳ không thể áp dụng tiêu chuẩn kép, "sử dụng các quy định trong các lĩnh vực khác nhau nếu phù hợp và bãi bỏ nếu không phù hợp", và không thể chỉ cho phép mình hưởng lợi mà không cho phép các thành viên khác, đặc biệt là các thành viên đang phát triển, hưởng lợi.

  • Truyền thông: Iran có kế hoạch tấn công các căn cứ của Hoa Kỳ ở Trung Đông

    Theo hãng thông tấn Fars, Iran có kế hoạch tấn công các căn cứ của Hoa Kỳ ở Trung Đông.

  • Cố vấn trưởng của Lực lượng Vệ binh Cách mạng Iran: 150 mục tiêu của Israel bị tấn công trong giai đoạn thứ ba của chiến dịch 'Real Promise'

    Cố vấn trưởng của Lực lượng Vệ binh Cách mạng Iran: 150 mục tiêu của Israel bị tấn công trong giai đoạn thứ ba của chiến dịch "Lời hứa thực sự".

  • IDF cho biết cuộc tấn công qua đêm nhắm vào cơ sở hạ tầng phòng không của Iran

    Quân đội Israel cho biết hàng chục máy bay chiến đấu của không quân đã thực hiện các cuộc không kích vào thủ đô Tehran của Iran vào ban đêm. Trong số hàng chục mục tiêu có cơ sở hạ tầng phòng không của Iran.

  • Thủ tướng Nhật Bản Shigeru Ishiba gọi điện cho Trump, nhắc lại lời kêu gọi dỡ bỏ thuế quan

    Thủ tướng Nhật Bản Shigeru Ishiba đã có cuộc điện đàm với Tổng thống Hoa Kỳ Trump vào tối ngày 13 và nhắc lại yêu cầu xóa bỏ hoàn toàn thuế quan liên quan đến các biện pháp thuế quan cao của Hoa Kỳ. Shigeru Ishiba cho biết, "Không có thay đổi nào trong lập trường yêu cầu xóa bỏ". Hai nhà lãnh đạo xác nhận rằng họ sẽ có các cuộc hội đàm trong hội nghị thượng đỉnh G7 tại Canada để đào sâu hơn nữa các cuộc thảo luận về hợp tác Nhật Bản-Hoa Kỳ. Hai bên cũng nhất trí đẩy nhanh các cuộc tham vấn giữa các bộ trưởng nội các có trách nhiệm để đạt được sự đồng thuận có lợi cho cả Nhật Bản và Hoa Kỳ. Cuộc gọi này do phía Nhật Bản đề xuất và kéo dài khoảng 20 phút. Shigeru Ishiba đề cập đến lý do của cuộc gọi là ngày 14 là sinh nhật của Trump, "Mặc dù sớm hơn một ngày, nhưng tôi muốn chúc mừng sinh nhật ông ấy, vì vậy tôi đã gọi điện".