Автоматическое сокращение плеча в бессрочных фьючерсах как онлайн-обучение

Сводка

В статье моделируется автоматическое сокращение плеча — крайняя мера, применяемая площадками бессрочных фьючерсов, когда ликвидаций и страховых фондов недостаточно для покрытия дефицита платёжеспособности. В каждом раунде площадка выбирает бюджет восстановления платёжеспособности и прибыльные аккаунты, чью прибыль можно сократить для её восстановления. В предложенной модели сокращение применяется к положительной нереализованной прибыли, а не к внесённому обеспечению.

Авторы рассматривают этот выбор как онлайн-обучение на множестве возможных вариантов распределения списаний и выводят гарантии устойчивости и верхние границы сожаления. Для стрессового эпизода на Hyperliquid в октябре 2025 они сравнивают очередь, использовавшуюся на платформе, с алгоритмами, вдохновлёнными этой моделью; согласно контрфактическим оценкам, у лучшей альтернативы превышение целевого уровня было меньше. Эти результаты указывают на возможные улучшения для данного события, но не подтверждают эффективность в других стрессовых эпизодах или на других площадках. Во фрагменте нет подробностей о данных или предположениях, использованных для калибровки границ.

Ключевые идеи

• Автоматическое сокращение плеча применяется, когда ликвидаций и страховых резервов недостаточно для восстановления платёжеспособности площадки.
• Модель рассматривает распределение сокращений между прибыльными аккаунтами как последовательную задачу онлайн-обучения.
• В этой модели сокращения уменьшают положительную нереализованную прибыль, а не основную сумму внесённого обеспечения.
• В статье выводятся оценки устойчивости и границы сожаления для механизмов восстановления платёжеспособности.
• В исследовании стрессового эпизода на Hyperliquid в октябре 2025 действующую очередь сравнивают с контрфактическими алгоритмами.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.