Reversão extrema à média da taxa de funding cross-sectional na Hyperliquid: long no funding mais baixo + short no funding mais alto, entre BTC/ETH/SOL perps HL, com rebalanceamento a cada 8h

Uma estratégia de reversão à média cross-sectional da taxa de funding, neutra em dólares, para futuros perpétuos da Hyperliquid. A cada 8 horas (alinhada com o intervalo de funding mais frequente de HL), a estratégia classifica 3 perps principais da Hyperliquid (BTC, ETH, SOL — todos com histórico completo de 3 anos confirmado em HL) pela taxa de funding mais recente. Assume uma posição LONG no perp com funding mais negativo (quando os vendedores a descoberto pagam aos compradores, indicando posições vendidas congestionadas que tendem a reverter) e uma posição SHORT no perp com funding mais positivo (quando os compradores pagam aos vendedores, indicando posições compradas congestionadas que tendem a reverter). Ponderação igual, neutralidade em dólares. Mantém durante 8 horas e volta a classificar. A estratégia faz simultaneamente: (1) recebe os pagamentos de funding em ambas as posições (a posição comprada recebe e a posição vendida também recebe funding positivo) e (2) procura captar a reversão dos ativos com funding extremo para a média cross-sectional. Preenche FIVE segmentos sub-representados: HYPERLIQUID venue (7.3% → reforço para 20%), direção long-short (14.3% → para 45%), âmbito multi-instrumento (6.6% → para diversificar a carteira), mecanismo orientado pela taxa de funding (sem risco de ajuste excessivo à curva) e rebalanceamento de ciclo curto (período de manutenção de médio prazo, mas frequência elevada de eventos para validação walk-forward). O mecanismo é o oposto absoluto de todas as falhas desta sessão: não tem NO dependência de padrões de preço, NO limiar ancorado num regime nem NO problema de contagem reduzida de operações (8h entre rebalanceamentos = 3 operações/dia × 3 instrumentos = ~3,300+ eventos de operação ao longo de 3 anos em HL). Dimensionamento da posição: 15% do capital próprio por direção (15% na posição comprada + 15% na posição vendida = 30% de exposição bruta, neutralidade em dólares). Risco por operação: ~0.5% do capital próprio, dada a dimensão reduzida do nocional por posição e o período de manutenção de 8h.

A iteração 3 corrige a falha de zero operações da Camada-3. Diagnóstico: a estratégia classifica as posições usando supplementary_data['funding_rates_by_instrument'], um mapa de funding por posição que o subprocesso real de backtest/otimização cria (verificado: load_for_subprocess preenche todas as 3 posições HL com 1675 barras financiadas sobrepostas). Contudo, o percurso 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 de ETH/SOL estava ausente, a condição «é necessário o funding de todas as posições» terminava antecipadamente em cada barra e não ocorria qualquer rebalanceamento nem ordem. Correção (mínima, um método): _funding_series recorre agora à série plana 'hl_funding_rates' para qualquer posição ANY cuja série por posição esteja em falta — e não apenas para a principal. Isto mantém a vantagem estritamente orientada pelo funding (sem indicador substituto de preço nem mudança de mecanismo) e só é ativado quando o mapa por posição não está disponível (teste rápido da Camada-3); no backtest real, fbi contém uma série distinta por posição, pelo que a alternativa nunca é acionada e é a classificação genuinamente cross-sectional do funding que é avaliada. Sem alterações de importação, estrutura de classe, limiares ou configuração — as Camadas 1 e 2 não são afetadas; apenas a resolução do funding das posições adicionais se torna robusta, permitindo executar o percurso de rebalanceamento multi-leg e produzir operações.

A premissa de funding-REVERSION entre ativos é refutada em HL BTC/ETH/SOL, e não há nada a otimizar. Este é um teste limpo e verdadeiramente neutro em dólares (2,137 operações equilibradas, 9.1% de volatilidade anualizada, benchmark_meaningful=false), executado no motor CURRENT, onde o funding IS foi creditado (funding_events_available 53,001) — pelo que a estratégia recebe efetivamente o funding que foi concebida para captar em ambas as posições. Apesar disso, perde continuamente: 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 probabilidade de o Sharpe verdadeiro ser <= 0). profit_factor é 0.862, com uma expectativa de -$18.4 por operação, e o ano EVERY é negativo (2024 -18.1%, 2025 -23.1%, 2026 -3.8%) — não se trata de escassez de operações, de um erro no código ou de um único regime desfavorável, mas de um sinal com expectativa sistematicamente negativa ao longo de toda a amostra de ~2.3 anos. Causa principal: nos principais 3, o funding extremamente positivo acompanha uma dinâmica de momentum que tende a CONTINUE; assim, comprar o perpétuo com funding mais negativo e vender o perpétuo com funding mais positivo gera perdas na componente de preço, que superam o rendimento de funding (real, mas reduzido). A otimização não pode ajudar: o mecanismo tem essencialmente um único parâmetro ajustável (per_leg_pct; REBALANCE_BARS é fixo e não há z-score nem limiar a ajustar), pelo que uma varredura apenas altera a exposição — não pode inverter o sinal de uma aposta direcional perdedora, e o impacto das comissões (9.23% do valor bruto) é secundário face a uma vantagem bruta negativa. Não vale a pena dedicar 2 horas à otimização. NOTE FOR RESEARCH LEAD: a construção inversa — funding-MOMENTUM (comprar o perpétuo com funding mais POSITIVE, vender o perpétuo com o funding mais NEGATIVE) — é a aposta oposta e é a que estas métricas favorecem implicitamente, mas trata-se de uma nova hipótese distinta, não de uma alteração de parâmetros desta estratégia; se for explorada, terá ainda de superar os seus próprios critérios de controlo da degradação dos resultados e de comissões, dado o impacto dos custos de rebalanceamento a cada 8h.

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