下面按要求对 Tarun Chitra(Gauntlet)撰写的报告“Autodeleveraging: Impossibilities and Optimization”做一次极其详尽、逐节的解构性分析。文内对每一处从原文得出的结论或推断均在句末给出溯源页码标识 [page::页码](最多两个页码),并对所有重要图像以相对路径的 Markdown 格式逐一展示并解读。总体语气保持客观、技术性与可操作性并重。
一、元数据与概览(引言与报告概览)
- 标题、作者与机构:Autodeleveraging: Impossibilities and Optimization — Tarun Chitra, Gauntlet(tarun@gauntlet.xyz),发布日期 2025-12-09,主题为加密永续合约市场中的自动去杠杆(ADL)机制建模、不可避免性定理与优化策略。
- 报告核心结论与诉求(高度浓缩):
- 提出并证明 ADL 存在“trilemma”(三难):不能同时满足(S)交易所可偿付性、(F)对交易者的公平性、(R)长期交易所收益三项目标;必须在三者中取舍。该结论是论文的核心不可能性结果。,
- 给出三类可操作的 ADL 机制(pro-rata、risk-weighted pro-rata/RAP、动态/Stackelberg 控制),并证明在不同约束下的最优性与稳定性(理论与经验双重验证)。,
- 用 2025-10-10 Hyperliquid 事件数据回测,发现生产队列(queue)机制极度过度使用 ADL,造成约 $653M 的“overshoot”,并给出可显著改进的替代策略(动态 mirror-descent、levered pro-rata、混合策略)。,,
(以上结论来源见标注),
二、逐节深度解读(逐章精读与剖析)
- 引言与动机(§1)
- 永续合约在加密衍生品中占主导地位(2024 年永续名义成交量约 60T;集中式交易所永续成交 58.5T,现货约 $17.4T,永续/现货比约 3.3×),高杠杆促成了这一现象,也是 ADL 机制重要性的根源。,
- 中央化(CEX)与去中心化(DEX/混合)交易所的不同治理、清算与透明度导致不同的 ADL 风险与实施方式;Hyperliquid 作为“混合模型”的示例在 2025 年大量使用 ADL 并留下可公开数据以供研究。,
- 报告指出:此前学界对永续合约的清算机制、尤其 ADL 的形式化研究空白,本文旨在填补这块鸿沟并提供理论与实证证据。,
- 基本建模与记号(§2,§2.1~2.3)
- 交易/头寸模型:以集合 P_n 表示 n 个头寸,每个头寸描述为 (q_i, c_i, t_i, b_i),notional n_{i,t}=p_t q_i,初始与维护保证金、初始杠杆 ℓ_i 定义清楚;使用 funding rate γ_t 保持对冲均衡(零和特性)并将资金流写成 Γ_i。(公式与例子详见原文),
- 清算三价(bankruptcy price, liquidation price, execution price)定义严谨。bankruptcy price 是使账户权益等于 0 的价格;liquidation price 对应维护保证金触发;execution price 是实际成交价,若执行价越偏离 bankruptcy price 则产生 bad debt 短差 D_t,并首由保险基金覆盖,剩余则触发 ADL。,
- 保险基金 (IF) 的动态方程:IF_{t+1} = IF_t + α * liquidation_fees + η * trade_fee_flow + β * funding_fee_share − min(IF_t, D_t)(公式化表示)并导出最优保险基金资本的 newsvendor 解:K* = VaR_{1 - r/κ}(D_T)(r:资金机会成本,κ:声誉成本)。该推导提供了保险基金构建的闭式解供实践参考。,
- 这些建模假设明确了两点限制:论文在多数分析中抽象掉微观流动性模型(order book vs AMM),聚焦于头寸与余额的组合层面;同时默认存在可信的 (不可被轻易操纵) 价格 oracle(这个假设在攻击面分析中很关键)。,
- ADL 的形式化(§2.4)
- ADL 定义为:当保险基金无法覆盖短差时,按照规则把赢家(positive equity)按比例或按队列等方式“剥夺”部分收益以覆盖残留短差。ADL 策略由“severity” θ∈[0,1](要社保的短差比例)和 haircuts 向量 h∈[0,1]^n(每个赢者被减持的比例)共同决定,且满足预算平衡与可行性约束(见等式 (17)–(18))。
- 两个典型实现:
- Queue(优先队列/BitMEX 风格,按 score(如 PNL×leverage)降序逐一完全扣除直到覆盖缺口);常见于 Binance、Hyperliquid。,
- Pro-Rata(按赢家权益规模按比例扣除,或 leverage-weighted pro-rata);在 Drift、Paradex 等小型平台采用,具备“秩序保持(rank-preservation)”、“Sybil 抵抗”和尺度不变性等良好性质(后文证明)。,
- 直观差异:Queue 把损失集中在极少数大赢家上;Pro-Rata 把损失分摊到多个赢家上(图示见下)。这构成了公平性与恢复速度(solvency recovery time)间的权衡。
图像(ADL 机制可视化)
- Figure 1(排序的权益分布,比喻不同价格/恢复情形):
说明:图示 (a) 价格下跌后出现负权益账户;(b) 价格回升、所有账户恢复;(c) 若价格处某一水平,将会有一段连续负权益。此图直观展示 bankruptcy/liquidation 层级与排序关系,便于理解 ADL 目标是将负权益区域拨付到正权益区域的“蓝色块”中以维持全局偿付。
- 风险、公平性与极值缩放(§3)
- 引入新的度量:
- PTSR = E[ω_T^π / D_T^π](最大赢家保留 / 总短差)——衡量对“最大赢家”是否被不成比例打击。
- PMR = E[ω_T^π / Δ_T^π](最大赢家保留 / 最大单一亏损)——衡量尾部对尾部的相对压迫。
- 使用 Schur ordering(次模序/majorization)评估 haircut 向量的“集中度”:对于任何对称凸损失函数,haircut 向量被次主序地“更分散”将减少整体风控损失;据此证明 Pro-Rata 在多种公平公理下是唯一满足 Sybil resistance、monotonicity、scale invariance 的方案(后文给出证明)。,
- 极值尺度 b_n 的引入:用于描述最大赢家(或最大亏损)随市场规模 n 的增长速率(轻尾 ~ sqrt(log n),重尾 ~ n^{1/α}),并定义“extreme-value severity scale” θ_n = Θ(b_n / n) 作为合适 severity 随规模变化的参照量。,
- 负面(不可能)结果与 Moral Hazard(§5)
- 主张:在市场参与者数量 n 增长时,若 exchange 希望保持较高的 solvency(即用不太频繁的 ADL 或较大 severity 来控制 R_t),则对顶级赢家的 moral hazard(被剥夺的比例)将无可避免地扩大;换言之,若 severity 不随 n 缩小到 θ_n = O(b_n / n),顶级赢家的后手份额会被压到 0(PTSR→0)。该结论形式化为 Proposition 5.1 与 5.2,并用极值理论给出缩放关系:PTSR ≍ b_n / (θ_n n)(因此若 θ_n constant 且 b_n = o(n),则 PTSR→0)。,
- 引入杠杆不平衡(winner/loser leverage mass ℓ_n^+ / ℓ_n^-)作为放大因子:若 loser leverage 大于 winner leverage,则即使 θ_n 极小也可能导致顶赢家被彻底抹平(见 Proposition 5.2 的比例式)。,
- 结论性的实践含义:随着平台增长,若仍采用常量 severity 或 queue 型集中式 haircut,平台会逐步把尾部系统性风险转嫁到少数“鲸鱼”上,造成长期客户流失与道德风险上升(exchange 的短期保险收益 vs. 长期 fee 流 的博弈)。,
- 公平性分析(§6)
- 从两条路径论证 capped pro-rata 的优越性:
- 公理化(axiomatic):在 Sybil resistance、monotonicity、scale invariance 下,唯一满足这些公理的规则是 capped pro-rata(即水位填充算法,算法复杂度线性或 n log n)。,
- 优化(convex welfare):对于单调凸的损用函数 φ,最小化总凸损失的约束问题的唯一解为 capped pro-rata(水位填充由 KKT 条件给出)。,
- 批判 Queue:Queue 破坏 Sybil resistance(一个大玩家可以拆分账户以规避被放在队列前列的惩罚)并且在 PTSR 上最差(Proposition 5.3:Queue 最大化对 top-winner 的损害)。,
图像(Queue vs Pro-Rata 直观示例)
- Figure 2:
说明:左图(queue)显示所有 haircuts 集中在排名最高的单一赢家上;右图(pro-rata)显示均匀分摊,蓝色为 haircut 区域,紫色为 deficit 区域。此图直接支持“queue 集中损失、pro-rata 分散损失”的直观论断。
- 风险感知的加权 pro-rata(RAP,§7)
- 目标:在保持 pro-rata 公平性的同时,按“风险贡献”(用 leverage 和一个 convex risk model g(λ) 表征)对 haircuts 进行加权,以最小化下一步可能出现的短差 E[D_{t+1}^next | info]。RAP 的权重取 w_i = λ_i g(λ_i),在 caps 下采用同样的水位填充来实现。,
- 形式化理由:定义 ψ_i(u)=E[(u+Z_{T,i})-],把 δ_t(预期 next deficit)写成 ∑ \tilde{n}{i} ψ_i(1/λ_i),通过透视变换得到 ρ(λ)=λψ(1/λ) 并由此导出最佳权重 g^(λ)=ρ(λ)/λ,进而证明 RAP(g^) 在 Schur-order 意义下最优(Proposition 7.1)。,
- 局限性:RAP 是 one-step 最优,但在多轮、相关冲击或当高杠杆用户对交易所长期 LTV 很重要时,短期最小化下一步 deficit 的选择可能会损害长期收益(见 §7.3 的 AR(1) 示例与交换激励兼容性说明)。该点在实务选择中十分关键:exchange 可能宁愿为长期 LTV 保存高价值用户而不是在每步极力减小短差。,
- 多轮 ADL:Stackelberg 控制问题(§8)
- 核心建模:将 exchange 作为 leader(可公开承诺 ADL 策略路径 {θ_t, h_t}), trader / 市场作为 follower;通过 Stackelberg 框架刻画交易者如何根据 exchange 的 commitment 调整杠杆与参与意愿。该框架解释了为何静态(一次性)策略常常产生糟糕的均衡(Nash)的“坏”解,且动态承诺(Stackelberg)能显著改善 PoA(价格之差)与长期 LTV。MDIC(mirror-descent with IC constraints)得到在线学习保证 O(√T) regret,相比固定策略可避免 Ω(T) 的线性 regret。该部分给出具体算法并证明其渐近性质(Theorem / Proposition 在附录 G)。,,
- 两个关键结论:
- 决策分离原则(Separation Principle):在预算平衡下,severity θ_t 控制 solvency(R_t),haircut 分配 h_t 控制公平/收入,两者可分开优化(但多轮会耦合)。
- 动态必要性(PoA 相变):当 normalized load κ_n = θ_n n / b_n 趋于大时,静态策略的 PoA 发散,必须使用动态控制(Stackelberg)以同时兼顾可偿付、收入与公平(见 §8 与附录 H 的定理)。,
- 实证部分:2025-10-10 Hyperliquid 事件回放(§9)
- 数据集说明:12 分钟重放,约 $2.103B 的清算,总计 1097 次 ADL 冲击(其中 201 次 D_t>0),可重构每次冲击的 D_t 与赢家权益向量 w_t,且存在至少 40+ 次 ADL 激活的时段(10 分钟内频繁激活,适合研究多轮/聚类效应)。,
- 主要实证发现(数值与结论):
- Hyperliquid 生产队列在该事件中累计产生约 653.6M的overshoot(即haircuts超出实际短差的部分),并在12分钟内autodeleveraged约2.1B 的赢家 PNL(模拟/现实数值),表明队列机制在紧急情形下严重过度使用 ADL。,
- 通过回放对比:pro-rata、risk-weighted pro-rata 与动态 mirror-descent 等均能显著减少 overshoot 与公平/收入成本。报告指出约 98% 的过度 autodeleveraging 可由更智能的策略避免。Hybrid(20% Queue + 80% Levered Pro-Rata)在保留熟悉外观的同时能将 overshoot 降 ~80%。,,
- 实验指标与收入 proxy:使用 exponential hazard churn 模型 p = 1 - exp(−β h/w) 将 haircut 转换为流失概率,并用 per-dollar daily fee proxy 与两年 horizon H=730 估计长期 Revenue Loss;该 calibration 在论文中以经验数据进行了参数选择(β=5 等),这是实证结论的一个关键假设点(见后文批判)。,
主要实证图(选取代表性图与解析)
- Overshoot 时间序列(Figure 3,page 46):
解读:橙色(production queue)累积 overshoot 急剧上升接近 ~650M;绿色/蓝色动态策略基本将 overshoot 控制在极低水平;粉紫色(hybrid)将 overshoot 降到 ~\130M。该图直观地展示 queue 在极端压力下的低效。注意:overshoot 的根本原因是“队列完全清算直到金额覆盖短差”(在没有可用 winner 容量时会继续擦除额外 PNL),这与生产实现细节有关(是否允许“部分关闭/留存”会影响 overshoot)。
- Outstanding negative equity(Figure 4,page 47):
解读:部分动态策略(Exponential Backoff, Mirror Descent)在降低残余负债上接近或优于 Queue,且不会产生巨大 overshoot;Smart Queue(限制预算)减少 overshoot 但仍留下更高残余负债(因客户流失导致后续恢复慢)。
- Largest winner haircut(Figure 5,page 48):
解读:Queue 每次冲击都会对最大的赢家施加巨大单点剪刀(per shock spikes),动态策略显著平滑了最大赢家负担,体现了公平性改善(PTSR/PMR 优化)。
- PTSR / PMR 比较(Figure 6,page 49):
解读:Queue 表现出极端的 PTSR/PMR(数值级别 > 10^6),而动态与 risk-aware 策略稳定在接近 1~10 的“理论走廊”内,实证上显著验证了理论上队列对顶级赢家的不公平性(并支持 pro-rata/RAP 的优化主张)。
三、估值与算法解读(与金融估值类比)
- “估值”在此文并非传统公司估值,而是“保险基金最优规模”(newsvendor 最优解 K* = VaR_{1 - r/κ}(D_T))与 ADL severity(θ)与 haircuts (h) 的在线优化问题的参数选择。保险基金最优解在第 §2.3 / B.8 中给出,并假定损失分布可估计以计算 VaR。该方法对分布的尾部非常敏感 —— heavy-tail 下 VaR 升高,需要更大基金,从而挤占 revenue(α、β、η 的选择即为交易所货币化与安全间的权衡)。,
- 对于 haircut 分配,使用凸优化与水位填充算法(capped pro-rata)给出严格 KKT 解(Appendix D、E)。算法实现复杂度为 O(n log n)(排序)或线性,且支持 per-account caps,符合工程可实施性。证明显示其在任意凸、对称的 disutility 下唯一最优(Proposition 6.1)。,
- 动态控制器(MDIC / mirror-descent):
- 将 severity 视为一维凸决策问题;loss 是剩余短差/overshoot/长期 revenue 权衡的凸函数,MDIC 在带 IC/LIC 约束下实现 O(√T) regret(附录 G 的 Theorem G.2、Corollary)。,
- 对于高维 haircut 向量,采用简单的 gradient + 投影(带预算等式的投影)方法,投影解闭式可通过 bisection 求 τ(文中算法)。这些都是可在线部署的近似算法,在实际紧急情形下需考虑延迟与计算成本。 ,,
四、风险因素评估(报告作者识别的风险与潜在影响)
- 道德风险(Moral hazard):当交易所可通过 ADL 社会化尾部损失时,亏损方有激励承担更多风险(因为尾端损失能被部分社会化),而赢家面临被剥夺收益的风险;并且该 moral hazard 随平台规模增长(n ↑)会更严重(PTSR 缩小),尤其在 loser leverage mass ≫ winner leverage mass 时会被放大。(见 §5 与 Proposition 5.1/5.2),
- 监管与诉讼风险:多起实务争议(Oct 10/11 事件后对 Hyperliquid/Binance 的质疑与威胁诉讼)提示过度 ADL 会损害平台声誉与开仓用户的长期留存,进而影响 LTV(报告在经验分析中以 churn 模型量化)。,
- 模型/数据风险(详见批判性视角):oracle 操作失灵、微观流动性模型被抽象掉、haircut→churn 转换函数的 calibration、以及实证研究对单一事件(Hyperliquid)的高度依赖,均为结论外推时需要警惕的点(详见下文)。,,
五、批判性视角与细微差别(审慎视角)
- 优点(报告中强项):
- 首次系统性把 ADL 形式化为 policy (θ, h) 空间并给出三难定理,结合极值理论与 majorization 给出可验证的缩放法则与公平性公理化证明,理论深度高且结合了可实现算法。(见 §2、§3、§5、§6),,,
- 采用真实可得的 Hyperliquid 数据回放验证算法效果,并给出可直接落地的混合/动态策略建议,使工作既有理论价值也有工程可用性。,,
- 局限与潜在偏差(需谨慎对待):
- 微观流动性与执行成本被抽象化。论文刻意“忽略流动性模型”以聚焦于头寸组合层面(§2.1 提到)。在现实中,execution price、市场深度、滑点与清算执行时序会对 bad debt / overshoot 产生直接影响;若这些因素被误判,policy 表现可能显著不同。此假定会高估静态 queue 的劣势或低估某些 AMM/做市机制下的救济能力。
- Oracle 与操纵风险假设:全文假设存在不可操纵的 spot oracle;在现实中 oracle 受攻击/延迟会改变 bankruptcy 与 liquidation price 的实际触发,从而改变 D_t 与 winners 的分布,进而影响 optimal θ 与 h 的选择。,
- Churn 模型 calibration:将 haircut→churn 的关系用 p=1−exp(−β h/w) 建模并用 β=5 校准,尽管与重放数据拟合,但该函数是强烈约束性的假定;cross-market、不同用户群体或不同代币的反应可能差异甚大,导致 LTV 估计偏差。
- 单事件与普遍性:实证主要基于 Hyperliquid 的 Oct 10 事件;尽管该事件极具代表性(频繁 ADL),但不同平台(Binance、Bybit)的微观规则、KYC/流动性结构与保险基金规模不同,因此“653M overshoot”这一数字的广泛适用性需谨慎外推。,
- 动态政策的可执行性与可信度:Stackelberg 政策需要交易所的“公开和可信承诺”;现实中交易所运营者在压力下的决策可能偏离声明,且交易者对承诺的可信度(能否强制执行)敏感,这会影响 follower 的最优反应与政策的实际效果(报 告在 G.3/G.4 讨论但实际部署需法律/治理层面的配合)。,
- 内部一致性检验:
- 报告某些段落在不同附录/正文中对“optimality”以不同准则(one-step minimization vs long-term LTV)作比较,作者也在 §7.3 明确指出 RAP 在多轮情形或当高杠杆者具有高 LTV 时可能不是全局最优,体现作者对自己结论的谨慎。该点被清楚陈述,未见自相矛盾处,但对“最优”定义需在工程部署前明确(短期 vs 长期目标)。,
- 关于 PoA 相变的假定依赖 heavy-tail 假设(α<2 导致方差发散),若实际市场为极轻尾分布,则静态策略可能仍有可接受表现;作者在附录 H 给出相应的分界条件并推荐用历史估计 κ_n 与 Λ_n 做筛选,逻辑自洽。,,
六、结论性综合(要点回顾与实践建议)
- 最关键的发现与可执行建议(基于整篇报告及实证):
- 不可能性(Trilemma):不能同时极大化(S)可偿付、(F)公平和(R)长期收入;因此平台治理需明确优先级并设计能在两个目标之间折中/动态平衡的策略。,
- 为了保护顶级交易者并提高公平性,建议弃用单纯 Queue(PNL×leverage 排序、按序完全清算)机制,改采 capped pro-rata 或 levered pro-rata;若有风险模型 g,可用 RAP(g^*) 作为 one-step 风险最小化分配。,
- 在运行层面推荐“将 severity 与 allocation 解耦”:用一个可在线学习的 scalar 控制(Exponential Backoff 或 MDIC)决定 θ_t,再用(capped)levered-pro-rata 决定 h_t;Hybrid(如 20% Queue + 80% LPR)被实证证明可兼顾熟悉性与效率(减少 overshoot ~80%)。,,
- 若平台规模与尾部强度超临界(估算 κ_n → ∞ 或杠杆不平衡 Λ_n →0),则静态规则不够,需要部署动态 Stackelberg 控制(如 MDIC)并结合信用/法律机制以保证承诺的可信度。作者给出基于 κ_n 与 Λ_n 的筛选法,以决定是否需要动态策略。,,
- 对工程与政策制定者的明确建议(操作清单):
- 立即在生产环境中引入预算上限(feasibility cap)来避免 overshoot(Smart Queue 的第一步改进),并记录每次 ADL 的 per-account 透明日志便于 ex-post 审计与责任归属。,
- 在非紧急时段使用 RAP 风险模型反复回测以估计 ψ、ρ、g^*,并将该模型作为 haircuts 的“默认权重”或作为 hybrid 策略的一部分;同时在策略中保留 long-term LTV 的硬约束(LIC),避免短视的风险最小化伤害平台长期收入。,
- 对客户沟通(法律与 PR):若采用 ADL,务必提前公开规则(以实现 Stackelberg 的 commitment),同时提供 per-account cap 与最低权益保障以降低诉讼风险与 churn 风险(许多交易所提供类似保证)。,,
七、可供后续工作与开放问题
- 将微观流动性模型(order book 深度、AMM 曲线)以及执行者行为(liquidator/BLP 的多重策略)并入模型,评估执行成本对优化方案的影响(报告在结论中指出这是未来方向)。
- 更精细化估计 g^*(λ)(从市场级别/账户级别历史数据学得)以减少 RAP 在多轮冲击下的次优情形;并研究承诺/治理机制(例如基于链上证明的承诺)以增强 Stackelberg 策略的可执行性与可信度。,
- 扩展到 cross-margin 与多资产抵押体系,将不同抵押资产间的流动性与 correlated shocks 纳入 ADL 设计(作者在结尾也提出 cross-margin 的复杂性)。
附:本文中引用的关键图像(在分析部分已嵌入),以及常用重要页码索引(便于查验):
- 报告开头与摘要(title/author/date):page 0。
- ADL 定义与队列/Pro-Rata:page 23–25。,
- Trilemma 形式化与证明线索:page 26–27,Appendix J(详证明)。,
- Hyperliquid 实证与 Overshoot:page 44–52(Figure 3–13)。,
总结一句话:该报告提出了对 ADL 的首个完整理论-算法-实证闭环,证明了在大规模市场中 ADL 存在结构性三难(无法同时满足 solvency、fairness、revenue),并给出了一套可落地的替代方案(capped/levered pro-rata、RAP、动态 MDIC、hybrid)来在不同目标间实现最优折衷;但在工程化落地时必须谨慎处理微观执行成本、oracle 风险与用户行为(churn)的实际差异,并在治理上保证对动态承诺的可验证性与可信度。若需要,我可以:
- 进一步把报告中的关键数学命题(例如 Proposition 5.1、7.1、J.7)的证明要点逐步展开并给出可检验的伪代码/实现细则(含复杂度与延迟约束);,,
- 或者基于你关心的平台(例如某 CEX 或某 AMM 设计)做一次定制化参数化回测(用报告里的算法在你提供的历史数据上跑一遍),并输出一个可执行的政策切换建议与 KPI(overshoot, residual deficit, LTV 损失)比较。