Autodeleveraging bei Perpetual Futures: Solvenz, Erlöse und Fairness

Zusammenfassung

Diese Studie modelliert Autodeleveraging (ADL), einen Mechanismus, mit dem Handelsplätze für Perpetual Futures Verluste vergemeinschaften, wenn Liquidationen die Solvenz nicht sichern können. Das zentrale theoretische Ergebnis ist ein Trilemma: Eine ADL-Policy kann nicht gleichzeitig die Solvenz der Börse, ihre Erlöse und Fairness gegenüber den Händlern gewährleisten. Die Autoren identifizieren außerdem ein Moral-Hazard-Problem bei der Skalierung, durch das eine verlustfreie Vergemeinschaftung mit wachsender Beteiligung unerreichbar wird. Sie beschreiben drei Mechanismusklassen, die diese konkurrierenden Ziele ausbalancieren sollen.

Die empirische Analyse untersucht Hyperliquid-Daten vom 10. Oktober 2025. An diesem Tag schloss ADL innerhalb von 12 Minuten Positionen im Umfang von $2.1 Milliarden. Im Vergleich mit transparenten Benchmark-Allokationen schätzt die Studie, dass dem Produktionsalgorithmus überhöhte Gewinnkürzungen von $45.0 bis $51.7 Millionen auferlegt wurden, entsprechend etwa $653.6 Millionen an geschlossenen Positionen. Zudem wird berichtet, dass Binance ADL häufiger einsetzt als Hyperliquid. Diese Schlussfolgerungen hängen vom Modell und den Benchmarkvergleichen ab; die kurze Beschreibung enthält keine Umsetzungsdetails und belegt nicht, wie sich die Ergebnisse auf andere Handelsplätze oder Ereignisse übertragen lassen.

Kernaussagen

• ADL kommt zum Einsatz, wenn Liquidationen die Solvenz eines Perpetual-Futures-Handelsplatzes nicht sichern können.
• Laut Modell lassen sich Solvenz, Erlöse und Fairness gegenüber Händlern nicht gleichzeitig gewährleisten.
• Die Studie beschreibt drei Mechanismusklassen für ADL, um mit den Zielkonflikten umzugehen.
• Ein Vergleich mit Benchmark-Allokationen schätzt überhöhte Gewinnkürzungen bei einem Ereignis auf Hyperliquid.
• Die berichteten Ergebnisse hängen vom verwendeten Modell und den Allokationsbenchmarks ab.

Schlagwörter

# Autodeleveraging: Impossibilities and Optimization


# Autodeleveraging: Impossibilities and Optimization









Autodeleveraging (ADL) is a last-resort loss socialization mechanism for perpetual futures venues. It is triggered when solvency-preserving liquidations fail. Despite the dominance of perpetual futures in the crypto derivatives market, with over \$60 trillion of volume in 2024, there has been no formal study of ADL. In this paper, we provide the first rigorous model of ADL. We prove that ADL mechanisms face a fundamental \emph{trilemma}: no policy can simultaneously satisfy exchange \emph{solvency}, \emph{revenue}, and \emph{fairness} to traders. This impossibility theorem implies that as participation scales, a novel form of \emph{moral hazard} grows asymptotically, rendering `zero-loss' socialization impossible. On the positive side, we show that three classes of ADL mechanisms can optimally navigate this trilemma to provide fairness, robustness to price shocks, and maximal exchange revenue. We analyze these mechanisms on the Hyperliquid dataset from October 10, 2025, when ADL was used repeatedly to close \$2.1 billion of positions in 12 minutes. By comparing production ADL to transparent benchmark allocations, we find that Hyperliquid's production algorithm overshot the minimum trader profit haircut required to cover the shortfall. Our methodology suggests the excess profits lost by profitable traders is between \$45.0M and \$51.7M. In terms of the positions liquidated, this corresponds to roughly \$653.6M of positions being closed. This comparison also suggests that Binance overutilized ADL far more than Hyperliquid. Our results show both theoretically and empirically that optimized ADL mechanisms can dramatically reduce losses of trader profitability while maintaining exchange solvency.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.