TLT

アイシェアーズ・米国国債 20年超 ETF 価格

TLT
¥13,851.82
+¥16.00(+0.11%)

*データ最終更新日:2026-04-07 20:34(UTC+8)

2026-04-07 20:34時点で、アイシェアーズ・米国国債 20年超 ETF(TLT)の価格は¥13,851.82、時価総額は¥6.69T、PERは0.00、配当利回りは0.00%です。 本日の株価は¥13,712.95から¥13,856.61の間で変動しました。現在の価格は本日安値より1.01%高く、本日高値より0.03%低く、取引高は3.95Mです。 過去52週間で、TLTは¥13,294.74から¥14,713.77の間で取引されており、現在の価格は52週間高値より-5.85%低い水準にあります。

TLT 主な統計情報

前日終値¥13,831.07
時価総額¥6.69T
取引量3.95M
P/E比率0.00
配当利回り(TTM)0.00%
配当額¥55.03
純利益(FY)¥0.00
収益(FY)¥0.00
収益予測¥0.00
発行済株式数484.34M
ベータ(1年)2.38
権利落ち日2026-04-01
配当支払日2026-04-07

TLTについて

iShares 20年以上国債ETFは、残存期間が20年以上の米国財務省債券で構成される指数の投資成果を追跡することを目的としています。
セクター金融サービス
業界資産運用 - 債券
本社San Francisco,DE,US

アイシェアーズ・米国国債 20年超 ETF(TLT)よくある質問

今日のアイシェアーズ・米国国債 20年超 ETF(TLT)の株価はいくらですか?

x
アイシェアーズ・米国国債 20年超 ETF(TLT)は現在¥13,851.82で取引されており、24時間の変動率は+0.11%です。52週の取引レンジは¥13,294.74~¥14,713.77です。

アイシェアーズ・米国国債 20年超 ETF(TLT)の52週間の高値と安値はいくらですか?

x

アイシェアーズ・米国国債 20年超 ETF(TLT)の株価収益率(P/E比率)はいくらですか? この指標は何を示していますか?

x

アイシェアーズ・米国国債 20年超 ETF(TLT)の時価総額はいくらですか?

x

アイシェアーズ・米国国債 20年超 ETF(TLT)の直近の四半期ごとの1株当たり利益(EPS)はいくらですか?

x

今、アイシェアーズ・米国国債 20年超 ETF(TLT)を買うべきか、売るべきか?

x

アイシェアーズ・米国国債 20年超 ETF(TLT)の株価に影響を与える要因は何ですか?

x

アイシェアーズ・米国国債 20年超 ETF(TLT)株の購入方法

x

リスク警告

株式市場は高いリスクと価格変動を伴います。投資の価値は上昇または下落する可能性があり、投資元本の全額を回収できない場合があります。過去の実績は将来の結果を保証するものではありません。投資判断を行う前に、ご自身の投資経験、財務状況、投資目的、リスク許容度を十分に評価し、独自に調査を行ってください。必要に応じて、独立したファイナンシャルアドバイザーにご相談ください。

免責事項

本ページの内容は情報提供のみを目的としており、投資助言、財務上の助言、または取引推奨を構成するものではありません。Gateは、かかる財務上の意思決定に起因するいかなる損失または損害についても責任を負いません。また、Gateは、アメリカ合衆国、カナダ、イラン、キューバを含むがこれらに限られない一部の市場および法域において、完全なサービスを提供できない場合があることにご留意ください。制限対象地域に関する詳細は、ユーザー契約をご参照ください。

アイシェアーズ・米国国債 20年超 ETFについての人気投稿 (TLT)

ChenDong'sTransactionNotes

ChenDong'sTransactionNotes

04-05 04:29
黄金“倒头肩”隐现?三重信号齐指同一目标 技术形态、实际收益率、支撑阻力交汇,三重分析罕见重合。黄金若完成右肩构筑,6000ドル中段或不再是想象…… 周二,金价突破了每盎司4400美元的整理区间,上行至约4700美元(正负100美元)的区间。这一区域与金价3年移动均线的1.65倍所形成的反复支撑/阻力位重叠。将该区域附近的盘整结束后,金价下一波上涨预计将重返5000美元关口,该价位与黄金中期周期水平的3.00倍倍数相关。 如果这一走势成真,将为金价构筑倒头肩底形态创造条件。为了确认这一形态,我们会观察金价是否在构筑头肩底的右肩过程中进行横向盘整,并最终向上突破至历史新高。该形态所指向的测算上行目标恰好是6000多美元的中段区间,这与我们上周通过独立分析所得出的预测一致。上周的分析显示,10年期实际收益率降至接近零,将支撑金价上涨至6000多美元的中段区间。此外,两对反复出现的支撑/阻力预计也将在2026年晚些时候于同一区间交汇。 换句话说,我们已有三种独立的分析方法,均指向6000多美元的中段区间是金价的上行目标。   黄金期权内在价值曲线 目前,金价交易于每盎司4700美元附近,这与2026年5月黄金期权合约的“最大痛处”价格基本重合。这意味着,在金价可能遭遇期权相关的压力之前,短期内仍有充足的上涨空间。 举例而言,即使金价升至5000美元,2026年5月黄金期权合约的ΔIV(内在价值)也仅会升至约4亿美元,与近期历史水平相比仍相当低。   黄金的驱动因素 如图8所示,自3月23日黄金中期周期低点(ICL)确立以来,市场尤其是重新为未来高的通胀预期纳入定价。这一趋势预计将持续传导至金价上涨。 金价的另一个常见驱动因素是10年期美国国债的价格/收益率。尽管近期该因素对金价上涨的贡献不大,但至少已不再对金价构成下行压力。3月27日,10年期美债价格在其3.05倍反复支撑/阻力位的底部形成局部低点,此后已反弹至该区域的顶部。 自战争爆发以来,10年期美债收益率已从3.97%升至最新的4.31%。尽管收益率上升,但作为债券替代品的iShares 7-10年期美国国债ETF(IEF)的流通份额自年初以来一直保持不间断的上升趋势。这些资金流入可能受到以下因素的驱动:其一,预期随着经济放缓,10年期收益率会下降;其二,为应对即将到来的衰退,资金从下跌的股市中分散出来,转向传统的避险资产。 相比之下,作为30年期美债替代品的iShares 20年以上期美国国债ETF(TLT)的流通份额,自2024年11月达到局部高点后一直呈下降趋势。这凸显出收益率曲线长端的不同节点正吸引着截然不同的需求水平。市场参与者显然将更多钱押在了10年期品种上,因为更长期限债券可能被认为在大多不确定性和通胀风险不足以抵消潜在的收益。 白银 与黄金类似,白银价格也已回到其“最大痛处”价格附近交易,目前该价位约为74美元。未来几周,预计白银价格将逐步回升至80美元出头的区间。对应于反复支撑/阻力位的2.6倍黄金/白银期合约的ΔIV推高至约1.2亿美元,这仍然相当低。换言之,即便达到该目标,也不会对价格产生太大的期权相关压力。#Gate广场四月发帖挑战
1
1
0
0
K-LinePoet

K-LinePoet

04-04 15:04
IT之家 2 月 28 日のニュース。MIT News は 2 月 26 日にブログ記事を公開し、マサチューセッツ工科大学(MIT)が NVIDIA などの機関と共同で「テールを飼いならす(TLT)」技術を発表し、推論用大規模言語モデル(LLM)の学習効率を大幅に向上できると報じた。   IT之家 はブログ記事の内容を引用し、推論用の大規模モデルは手順を分解して複雑な問題を解決するのが得意だが、強化学習(RL)の学習過程では計算能力とエネルギー消費の負担が非常に大きいと説明している。   研究チームは、複数の代替回答を生成する「ロールアウト」段階が、学習時間の最大 85% を占めていることを見いだした。異なるプロセッサによって回答の長さが異なるため、完了が早いプロセッサは他のプロセッサが長文タスクを終えるまで仕方なく待機し、その結果、深刻な効率ボトルネックが生じる。   MIT の研究者は、この課題を解決するために NVIDIA、スイス連邦工科大学チューリッヒ校などの機関と協力し、「テールを飼いならす(TLT)」と呼ばれる自適応型ソリューションを提案した。   この方式の核心は、革新的に「投機的デコード」技術を用いる点にある。すなわち、小さな「ドラフトモデル」(drafter)を学習して大規模モデルの将来の出力を素早く予測し、その後、大規模モデルがこれらの推測を一括で検証する。こうすることで、大規模モデルは出力を 1 つずつ順番に生成する必要がなくなり、処理を大幅に加速できる。   従来の投機的デコードでは、ドラフトモデルは通常 1 回だけ学習して静的なまま維持される。しかし強化学習では主モデルが数千回更新する必要があり、静的なドラフトモデルはすぐに役に立たなくなる。   そこで TLT システムは「自適応ドラフト・トレーナー」を導入する。プロセッサの一部が短いクエリを処理してアイドル状態に入ると、システムはそれらを即座にスケジューリングして、リアルタイムでドラフトモデルを学習させる。   同時に、「自適応ロールアウト・エンジン」はワークロードの特徴に基づいてデコード戦略を自動的に調整し、ドラフトモデルが常に目標とする大規模モデルと高い同期を保ちながら、追加の計算能力コストを増やさないようにする。   実世界のデータセットに基づくテストによると、TLT 技術はモデルの精度をまったく損なうことなく、複数の推論用大規模言語モデルの学習速度を 70% から 210% 向上させた。   それだけではない。学習によって得られた軽量なドラフトモデルは、無料の副産物として後工程での効率的なデプロイにそのまま利用できる。研究チームは今後、この技術をさらに多くの学習・推論フレームワークに組み込む計画で、AI 開発コストをさらに下げ、エネルギー利用効率を高めることを目指している。
0
0
0
0