Autodeleveraging bei Perpetual Futures als Online-Lernen modelliert

Zusammenfassung

Diese Arbeit modelliert Autodeleveraging, einen Notfallmechanismus an Perpetual-Futures-Handelsplätzen, wenn Liquidationen und Versicherungsfonds eine Solvenzunterdeckung nicht decken können. In jeder Runde wählt der Handelsplatz ein Solvenzbudget und profitable Konten aus, deren Gewinne reduziert werden können, um die Solvenz wiederherzustellen. Im vorgeschlagenen Rahmen betreffen Abschläge positive unrealisierte Gewinne statt hinterlegter Sicherheiten.

Die Autoren fassen diese Entscheidungen als Online-Lernen über mögliche Abschlagsverteilungen auf und leiten Robustheitsgarantien sowie obere Schranken für den Regret her. Für die Stressphase bei Hyperliquid im Oktober 2025 vergleichen sie die im Produktivbetrieb verwendete Warteschlange mit von diesem Rahmen inspirierten Algorithmen; die berichteten kontrafaktischen Szenarien zeigen beim besten Alternativverfahren ein geringeres Überschwingen. Diese Ergebnisse veranschaulichen mögliche Verbesserungen für dieses Ereignis, belegen aber keine Leistung in anderen Stressphasen oder auf anderen Handelsplätzen. Der Auszug erläutert weder die Daten noch die Annahmen, die zur Kalibrierung der Schranken verwendet wurden.

Kernaussagen

• Autodeleveraging kommt zum Einsatz, wenn Liquidationen und Versicherungsreserven die Solvenz des Handelsplatzes nicht wiederherstellen können.
• Das Modell behandelt die Verteilung von Abschlägen auf profitable Konten als sequenzielles Online-Lernproblem.
• Im Rahmen reduzieren Abschläge positive unrealisierte Gewinne statt des hinterlegten Sicherheitenkapitals.
• Die Arbeit leitet Robustheitsergebnisse und Regret-Schranken für Mechanismen zur Wiederherstellung der Solvenz her.
• Eine Fallstudie zur Stressphase bei Hyperliquid im Oktober 2025 vergleicht die im Produktivbetrieb verwendete Warteschlange mit kontrafaktischen Algorithmen.

Schlagwörter

# Autodeleveraging as Online Learning


# Autodeleveraging as Online Learning









Autodeleveraging (ADL) is a last-resort loss socialization mechanism used by perpetual futures venues when liquidation and insurance buffers are insufficient to restore solvency. Despite the scale of perpetual futures markets, ADL has received limited formal treatment as a sequential control problem. This paper provides a concise formalization of ADL as online learning on a PNL-haircut domain: at each round, the venue selects a solvency budget and a set of profitable trader accounts. The profitable accounts are liquidated to cover shortfalls up to the solvency budget, with the aim of recovering exchange-wide solvency. In this model, ADL haircuts apply to positive PNL (unrealized gains), not to posted collateral principal. Using our online learning model, we provide robustness results and theoretical upper bounds on how poorly a mechanism can perform at recovering solvency. We apply our model to the October 10, 2025 Hyperliquid stress episode. The regret caused by Hyperliquid's production ADL queue is about 50\% of an upper bound on regret, calibrated to this event, while our optimized algorithm achieves about 2.6\% of the same bound. In dollar terms, the production ADL model over liquidates trader profits by up to \$51.7M. We also counterfactually evaluated algorithms inspired by our online learning framework that perform better and found that the best algorithm reduces overshoot to \$3M. Our results provide simple, implementable mechanisms for improving ADL in live perpetuals exchanges.

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.