Mô hình hóa cơ chế giảm đòn bẩy tự động của hợp đồng tương lai vĩnh cửu bằng học trực tuyến

Tóm tắt

Bài nghiên cứu mô hình hóa cơ chế giảm đòn bẩy tự động, một biện pháp cuối cùng được các sàn hợp đồng tương lai vĩnh cửu sử dụng khi thanh lý và quỹ bảo hiểm không thể bù đắp khoản thiếu hụt khả năng thanh toán. Ở mỗi vòng, sàn chọn ngân sách khả năng thanh toán và các tài khoản có lãi mà phần lãi có thể bị giảm để giúp khôi phục khả năng thanh toán. Trong khung được đề xuất, mức khấu trừ áp dụng vào khoản lãi chưa thực hiện dương thay vì tài sản thế chấp đã ký gửi.

Các tác giả xem những lựa chọn này là bài toán học trực tuyến trên các phương án phân bổ mức khấu trừ và suy ra các bảo đảm về độ vững cùng giới hạn trên của hối tiếc. Với sự kiện căng thẳng Hyperliquid tháng 2025, họ so sánh hàng đợi triển khai thực tế với các thuật toán lấy cảm hứng từ khung này; các tình huống phản thực được báo cáo cho thấy phương án thay thế tốt nhất có mức vượt quá thấp hơn. Những kết quả này minh họa khả năng cải thiện trong sự kiện này, nhưng không xác lập hiệu suất trong các sự kiện căng thẳng hoặc trên các sàn khác. Phần trích dẫn không nêu chi tiết dữ liệu hoặc giả định dùng để hiệu chỉnh các giới hạn.

Ý chính

• Cơ chế giảm đòn bẩy tự động được sử dụng khi thanh lý và quỹ bảo hiểm không thể khôi phục khả năng thanh toán của sàn.
• Mô hình xem việc phân bổ mức khấu trừ cho các tài khoản có lãi là bài toán học trực tuyến tuần tự.
• Trong khung này, mức khấu trừ làm giảm khoản lãi chưa thực hiện dương thay vì phần gốc của tài sản thế chấp đã ký gửi.
• Bài nghiên cứu suy ra kết quả về độ vững và giới hạn hối tiếc cho các cơ chế khôi phục khả năng thanh toán.
• Nghiên cứu tình huống về sự kiện căng thẳng Hyperliquid tháng 2025 so sánh hàng đợi triển khai thực tế với các thuật toán phản thực.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.