مدل‌سازی کاهش اهرم خودکار قراردادهای آتی دائمی با یادگیری برخط
خلاصه
این مقاله کاهش اهرم خودکار را مدل‌سازی می‌کند؛ سازوکاری که محل‌های معاملات آتی دائمی به‌عنوان آخرین راهکار، زمانی به کار می‌برند که تصفیه‌ها و صندوق‌های بیمه نتوانند کسری توان پرداخت را پوشش دهند. در هر دور، محل معامله بودجه توان پرداخت و حساب‌های سوددهی را انتخاب می‌کند که می‌توان سودشان را کاهش داد تا توان پرداخت بازیابی شود. در چارچوب پیشنهادی، کاهش سود به سود تحقق‌نیافته مثبت اعمال می‌شود، نه وثیقه سپرده‌شده.
نویسندگان این انتخاب‌ها را یادگیری برخط روی تخصیص‌های ممکنِ کاهش سود صورت‌بندی می‌کنند و تضمین‌های پایداری و کران‌های بالای پشیمانی را به دست می‌آورند. برای رخداد تنش هایپرلیکویید در اکتبر 2025، صف تولید را با الگوریتم‌های الهام‌گرفته از چارچوب مقایسه می‌کنند؛ خلاف‌واقع‌های گزارش‌شده نشان می‌دهند بهترین گزینه جایگزین، بیش‌جهش کمتری دارد. این نتایج بهبودهای بالقوه را برای این رخداد نشان می‌دهند، اما عملکرد در سایر رخدادهای تنش یا محل‌های معامله را اثبات نمی‌کنند. گزیده جزئیاتی درباره داده‌ها یا فرض‌های به‌کاررفته برای کالیبره‌کردن کران‌ها ارائه نمی‌دهد.
ایده‌های کلیدی
- کاهش اهرم خودکار زمانی به کار می‌رود که تصفیه و ذخایر بیمه نتوانند توان پرداخت محل معامله را بازیابی کنند.
- مدل، تخصیص کاهش سود میان حساب‌های سودده را مسئله یادگیری برخطِ ترتیبی در نظر می‌گیرد.
- در این چارچوب، کاهش سود، سود تحقق‌نیافته مثبت را کم می‌کند نه اصل وثیقه سپرده‌شده را.
- مقاله برای سازوکارهای بازیابی توان پرداخت، نتایج پایداری و کران‌های پشیمانی به دست می‌آورد.
- مطالعه موردی رخداد تنش هایپرلیکویید در اکتبر 2025، صف تولید را با الگوریتم‌های خلاف‌واقع مقایسه می‌کند.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.