Reversão extrema da taxa de funding cross-sectional na Hyperliquid: comprado no funding mais baixo + vendido no funding mais alto em BTC/ETH/SOL perps HL com rebalanceamento a cada 8h

Estratégia de reversão à média da taxa de funding cross-sectional, neutra em dólar, em futuros perpétuos da Hyperliquid. A cada 8 horas (alinhada ao intervalo de funding mais frequente de HL), a estratégia classifica 3 perps principais da Hyperliquid (BTC, ETH, SOL — todos confirmados com histórico completo de 3 anos em HL) pela taxa de funding mais recente. Fica LONG no perp com funding mais negativo (quando vendidos pagam aos comprados, indicando uma posição vendida concentrada que tende a reverter) e SHORT no perp com funding mais positivo (quando comprados pagam aos vendidos, indicando uma posição comprada concentrada que tende a reverter). Pesos iguais, neutra em dólar. Mantém por 8 horas e reclassifica. Isso, ao mesmo tempo: (1) recebe os pagamentos de funding nas duas pernas (a perna comprada recebe, e a perna vendida também recebe funding positivo) e (2) captura a reversão à média dos ativos com funding extremo em direção à média cross-sectional. Preenche FIVE categorias de portfólio sub-representadas: venue HYPERLIQUID (7.3% → aumentar em direção a 20%), direção long-short (14.3% → em direção a 45%), escopo multi-instrumento (6.6% → em direção à diversidade do portfólio), mecanismo orientado pela taxa de funding (sem risco de ajuste excessivo à curva) e rebalanceamento de ciclo curto (padrão de manutenção de médio prazo, mas alta frequência de eventos para validação walk-forward). O mecanismo é o oposto de cada falha desta sessão: tem NO dependência de padrão de preço, NO limite ancorado em regime e NO problema de baixa contagem de operações (8h entre rebalanceamentos = 3 operações/dia × 3 instrumentos = ~3,300+ eventos de operação em 3 anos em HL). Dimensionamento da posição: 15% do patrimônio por direção (15% perna comprada + 15% perna vendida = 30% exposição bruta, neutra em dólar). Risco por operação: ~0.5% do patrimônio, considerando o pequeno valor nocional por perna e o período de manutenção de 8h.

A iteração 3 corrige a falha de zero operações da Camada-3. Diagnóstico: a estratégia classifica as pernas usando supplementary_data['funding_rates_by_instrument'], um mapa de funding por perna que o subprocesso real de backtest/otimização cria (verificado: load_for_subprocess preenche todas as 3 pernas HL com 1675 barras financiadas sobrepostas). Mas o caminho de verificação em processo da Camada-3 (_handle_verifying -> _collect_supplementary_data) carrega dados suplementares apenas para o instrumento PRIMARY e nunca cria funding_rates_by_instrument; assim, o funding ETH/SOL estava ausente, a condição 'precisa do funding de cada perna' retornava antecipadamente em todas as barras e não ocorria nenhum rebalanceamento/ordem. Correção (mínima, um método): _funding_series agora recorre à série plana 'hl_funding_rates' para a perna ANY cujo histórico por perna está ausente — e não apenas para a principal. Isso mantém a vantagem estritamente orientada por funding (sem proxy de preço nem mudança de mecanismo) e só é ativado quando o mapa por perna não está disponível (teste de fumaça da Camada-3); no backtest real, fbi contém uma série distinta por perna, então o recurso alternativo nunca é acionado e o que é avaliado é a classificação genuinamente cross-sectional de funding. Nenhuma alteração em importações, estrutura de classe, limites ou configuração — as Camadas 1 e 2 não são afetadas; apenas a resolução de funding para pernas extras é tornada robusta para que o caminho de rebalanceamento multi-perna seja executado e gere operações.

A premissa de reversão do funding cross-sectional REVERSION foi refutada em HL BTC/ETH/SOL, e não há nada a otimizar. Este é um teste limpo e genuinamente neutro em dólar (2,137 operações equilibradas, 9.1% vol anualizada, benchmark_meaningful=false) executado no mecanismo CURRENT, no qual o funding foi creditado IS (funding_events_available 53,001) — portanto, a estratégia de fato recebe o funding que foi projetada para capturar nas duas pernas. Apesar disso, perde sem parar: total_return -42.7%, Sharpe -1.835 com todo o CI negativo [-2.81, -0.82], Sortino -1.98 e probabilistic_sharpe 0.0002 (~99.98% de certeza de que o Sharpe verdadeiro é <= 0). profit_factor é 0.862, com expectativa de -$18.4 por operação, e EVERY ano é negativo (2024 -18.1%, 2025 -23.1%, 2026 -3.8%) — não é baixa frequência, falha de código nem um único regime ruim, mas um sinal de expectativa sistematicamente negativa ao longo de toda a amostra de ~2.3 anos. Causa principal: nas 3 principais moedas, funding extremamente positivo acompanha um momentum que tende a CONTINUE; portanto, ficar comprado no perp com funding mais negativo e vendido no perp com funding mais positivo gera perdas na perna de preço, e essas perdas superam a receita de funding (real, mas pequena). A otimização não ajuda: o mecanismo tem essencialmente um único parâmetro ajustável (per_leg_pct; REBALANCE_BARS é fixo e não há pontuação z/limite para ajustar), então uma varredura apenas escala a exposição — não pode inverter o sinal de uma aposta direcional perdedora, e o custo das comissões (9.23% do bruto) é secundário diante de uma vantagem bruta negativa. Não vale dedicar 2 horas à otimização. NOTE FOR RESEARCH LEAD: a construção inversa — funding-MOMENTUM (comprado no perp com funding mais POSITIVE, vendido no com funding mais NEGATIVE) — é a aposta oposta e é o que essas métricas favorecem implicitamente, mas constitui uma nova hipótese distinta, não uma alteração de parâmetro desta; se investigada, ainda precisará passar por seus próprios critérios de taxas e deflação, considerando o custo do rebalanceamento a cada 8h.

Verificação falhou (Camada 2 — cenários sintéticos): Parâmetros usados: ['per_leg_pct', 'min_notional'] Verifique se __init__ define todos os atributos a partir de self.parameters.get(). - steady_uptrend: TypeError: HlCrossSectionalFundingExtremeMeanReversionLS._funding_at() recebe 3 argumentos posicionais, mas 4 foram fornecidos (timestamp da barra: 1735689840000) - steady_downtrend: TypeError: HlCrossSectionalFundingExtremeMeanReversionLS._funding_at() recebe 3 argumentos posicionais, mas 4 foram fornecidos (timestamp da barra: 1735689840000) - flat_ranging: TypeError: HlCrossSectionalFundingExtremeMeanReversionLS._funding_at() recebe 3 argumentos posicionais, mas 4 foram fornecidos (timestamp da barra: 1735689840000) - volatility_spike: TypeError: HlCrossSectionalFundingExtremeMeanReversionLS._funding_at() recebe 3 argumentos posicionais, mas 4 foram fornecidos (timestamp da barra: 1735689840000) - zero_volume: TypeError: HlCrossSectionalFundingExtremeMeanReversionLS._funding_at() recebe 3 argumentos posicionais, mas 4 foram fornecidos (timestamp da barra: 1735689840000) - price_gap: TypeError: HlCrossSectionalFundingExtremeMeanReversionLS._funding_at() recebe 3 argumentos posicionais, mas 4 foram fornecidos (timestamp da barra: 1735689840000)