Modelagem do autodesalavancamento em futuros perpétuos como aprendizado online

Resumo

Este artigo modela o autodesalavancamento, um mecanismo de último recurso usado por plataformas de futuros perpétuos quando as liquidações e os fundos de seguro não conseguem cobrir um déficit de solvência. A cada rodada, a plataforma escolhe um orçamento de solvência e as contas lucrativas cujos ganhos podem ser reduzidos para ajudar a restaurar a solvência. Na estrutura proposta, os cortes incidem sobre lucros não realizados positivos, e não sobre as garantias depositadas.

Os autores tratam essas escolhas como aprendizado online sobre possíveis alocações de cortes e derivam garantias de robustez e limites superiores para o arrependimento. Para o episódio de estresse da Hyperliquid em outubro de 2025, comparam a fila de produção a algoritmos inspirados na estrutura; os contrafactuais relatados mostram um excesso menor na melhor alternativa. Esses resultados ilustram possíveis melhorias para esse evento, mas não estabelecem desempenho em outros episódios de estresse ou plataformas. O trecho não detalha os dados nem as hipóteses usados para calibrar os limites.

Ideias principais

• O autodesalavancamento é usado quando as liquidações e as reservas de seguro não conseguem restaurar a solvência da plataforma.
• O modelo trata a alocação sequencial de cortes entre contas lucrativas como um problema de aprendizado online.
• Na estrutura, os cortes reduzem lucros não realizados positivos, e não o principal das garantias depositadas.
• O artigo deriva resultados de robustez e limites de arrependimento para mecanismos de recuperação de solvência.
• Um estudo de caso do episódio de estresse da Hyperliquid em outubro de 2025 compara a fila de produção com algoritmos contrafactuais.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.