Modéliser le désendettement automatique des contrats à terme perpétuels par apprentissage en ligne

Résumé

Cet article modélise le désendettement automatique, un mécanisme de dernier recours utilisé par les plateformes de contrats à terme perpétuels lorsque les liquidations et les fonds d’assurance ne peuvent couvrir un déficit de solvabilité. À chaque étape, la plateforme choisit un budget de solvabilité et les comptes bénéficiaires dont les gains peuvent être réduits pour contribuer au rétablissement de la solvabilité. Dans le cadre proposé, les décotes s’appliquent aux profits latents positifs plutôt qu’aux garanties déposées.

Les auteurs présentent ces choix comme un problème d’apprentissage en ligne portant sur différentes répartitions de décotes, et dérivent des garanties de robustesse ainsi que des bornes supérieures du regret. Pour l’épisode de tensions Hyperliquid d’octobre 2025, ils comparent la file de production à des algorithmes inspirés du cadre ; les contrefactuels rapportés montrent un dépassement inférieur avec la meilleure solution de remplacement. Ces résultats illustrent des améliorations potentielles pour cet épisode, mais n’établissent pas les performances lors d’autres épisodes de tensions ou sur d’autres plateformes. L’extrait ne précise pas les données ni les hypothèses utilisées pour calibrer les bornes.

Idées clés

• Le désendettement automatique intervient lorsque les liquidations et les réserves d’assurance ne suffisent pas à rétablir la solvabilité de la plateforme.
• Le modèle traite la répartition des décotes entre les comptes bénéficiaires comme un problème séquentiel d’apprentissage en ligne.
• Dans ce cadre, les décotes réduisent les profits latents positifs plutôt que le principal des garanties déposées.
• L’article dérive des résultats de robustesse et des bornes de regret pour les mécanismes de rétablissement de la solvabilité.
• Une étude de cas sur l’épisode de tensions Hyperliquid d’octobre 2025 compare la file de production à des algorithmes contrefactuels.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.