مستقل فیوچرز میں خودکار لیوریج کمی بطور آن لائن لرننگ

مضمون arXiv papers · مصنف: Tarun Chitra et al.

خلاصہ

یہ مقالہ خودکار لیوریج میں کمی کے طریقۂ کار کو ماڈل کرتا ہے، جو پرپیچوئل فیوچرز کے پلیٹ فارمز پر آخری چارۂ کار کے طور پر استعمال ہوتا ہے، جب لیکویڈیشن اور انشورنس فنڈز مالی ذمہ داریاں پوری کرنے کی کمی کو پورا نہ کر سکیں۔ ہر مرحلے پر پلیٹ فارم مالی ذمہ داریاں پوری کرنے کے لیے ایک بجٹ اور ایسے منافع بخش اکاؤنٹس منتخب کرتا ہے جن کے منافع کم کر کے مالی ذمہ داریاں پوری کرنے کی صلاحیت بحال کرنے میں مدد لی جا سکے۔ مجوزہ فریم ورک میں کٹوتیاں جمع کرائے گئے ضمانتی سرمائے کے بجائے مثبت غیر محقق منافع پر لاگو ہوتی ہیں۔

مصنفین ان فیصلوں کو ممکنہ کٹوتیوں کی تقسیم سے متعلق آن لائن لرننگ کے طور پر پیش کرتے ہیں اور مضبوطی کی ضمانتیں اور پشیمانی کی بالائی حدود اخذ کرتے ہیں۔ اکتوبر 2025 کے Hyperliquid تناؤ کے واقعے میں، وہ عملی قطار کا فریم ورک سے متاثر الگورتھموں سے موازنہ کرتے ہیں؛ رپورٹ کردہ متبادل حالات میں بہترین متبادل نے حد سے کم تجاوز دکھایا۔ یہ نتائج اس واقعے میں ممکنہ بہتری کی مثال ہیں، مگر دوسرے تناؤ کے واقعات یا پلیٹ فارمز میں کارکردگی ثابت نہیں کرتے۔ اقتباس میں حدود کو متعین کرنے کے لیے استعمال ہونے والے ڈیٹا یا مفروضوں کی تفصیل نہیں ہے۔

اہم خیالات

جب لیکویڈیشن اور انشورنس کے بفر پلیٹ فارم کی مالی ذمہ داریاں پوری کرنے کی صلاحیت بحال نہ کر سکیں تو خودکار لیوریج میں کمی استعمال ہوتی ہے۔
ماڈل منافع بخش اکاؤنٹس میں کٹوتی کی تقسیم کو مرحلہ وار آن لائن لرننگ کا مسئلہ سمجھتا ہے۔
فریم ورک میں کٹوتیاں جمع کرائے گئے ضمانتی اصل سرمائے کے بجائے مثبت غیر محقق منافع کم کرتی ہیں۔
مقالہ مالی ذمہ داریاں پوری کرنے کی صلاحیت بحال کرنے کے طریقۂ کار کے لیے مضبوطی کے نتائج اور پشیمانی کی حدود اخذ کرتا ہے۔
اکتوبر 2025 کے Hyperliquid تناؤ کے واقعے کے مطالعے میں عملی قطار کا متبادل الگورتھموں سے موازنہ کیا گیا ہے۔

ٹیگز

کرپٹو پرپیچوئل فیوچرز رسک مینجمنٹ شماریات

مکمل متن

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔