Modelización del desapalancamiento automático en futuros perpetuos como aprendizaje en línea

Resumen

Este artículo modela el desapalancamiento automático, un mecanismo de último recurso utilizado por las plataformas de futuros perpetuos cuando las liquidaciones y los fondos de seguro no pueden cubrir un déficit de solvencia. En cada ronda, la plataforma elige un presupuesto de solvencia y las cuentas rentables cuyas ganancias pueden reducirse para ayudar a restablecerla. En el marco propuesto, los recortes se aplican a las ganancias positivas no realizadas, en vez de al colateral depositado.

Los autores plantean estas decisiones como un problema de aprendizaje en línea sobre posibles asignaciones de recortes y derivan garantías de robustez y cotas superiores del arrepentimiento. Para el episodio de tensión de Hyperliquid de octubre de 2025, comparan la cola de producción con algoritmos inspirados en el marco; los contrafactuales comunicados muestran un exceso menor con la mejor alternativa. Estos resultados ilustran posibles mejoras para este episodio, pero no establecen el rendimiento en otros episodios de tensión o plataformas. El fragmento no detalla los datos ni los supuestos utilizados para calibrar las cotas.

Ideas clave

• Se recurre al desapalancamiento automático cuando las liquidaciones y los fondos de seguro no pueden restablecer la solvencia de la plataforma.
• El modelo trata la asignación secuencial de recortes entre cuentas rentables como un problema de aprendizaje en línea.
• En el marco, los recortes reducen las ganancias positivas no realizadas, no el principal del colateral depositado.
• El artículo deriva resultados de robustez y cotas de arrepentimiento para mecanismos de recuperación de solvencia.
• Un estudio de caso del episodio de tensión de Hyperliquid de octubre de 2025 compara la cola de producción con algoritmos contrafactuales.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.